Keysight 旨在通过机器学习工具包实现更快的 PDK 开发
是德科技（Keysight Technologies）推出一款全新机器学习工具包，该工具包隶属于最新版是德科技器件建模软件套件，旨在大幅加快器件建模与工艺设计套件（PDK）的开发速度，将模型开发与参数提取的耗时从数周缩短至数小时。
对于从事先进半导体节点、射频器件或功率器件研发的读者而言，这一发布具有重要意义。当前，器件建模的复杂度持续攀升，而设计周期却不断压缩，这款工具包的出现有望有效缓解这一矛盾。据官方介绍，这种全新的人工智能 / 机器学习驱动方案，能够提升多类技术场景下的研发效率、模型质量与结果可预测性。
应对日益增长的建模复杂度挑战
当前半导体行业正处于快速变革阶段，全环绕栅极（GAA）晶体管等新型器件架构的问世、氮化镓（GaN）与碳化硅（SiC）等宽禁带材料的应用，以及芯粒、三维堆叠等异构集成方案的落地，都推动着芯片性能与效率的提升。但与此同时，这些技术变革也给器件建模与参数提取工作带来了巨大挑战。
传统的紧凑建模流程以物理原理为核心，且严重依赖人工调参。工程师需要针对数百个相互关联的参数，在多种工作条件下进行调整，整个过程耗时数周，却仍可能无法得到最优结果。随着市场对产品上市周期的要求愈发严苛，这种传统方法的局限性也愈发凸显。
是德科技这款集成于器件建模软件 MBP 2026的全新机器学习工具包，通过将先进神经网络架构与机器学习优化技术相结合，针对性地解决了上述问题。该工具包内置机器学习优化器、自动化提取流程及配套实用工具，可大幅减少参数提取所需的步骤。
从数百步流程到单次运行优化
是德科技表示，借助这款新工具包，参数提取步骤可从 200 余步缩减至不足 10 步。实际应用中，单次运行即可实现对 80 个及以上模型参数的全局优化，同时还能精准捕捉二次效应、温度相关性，以及器件在直流、射频与大信号工作域下的动态特性。
该工具包的工作流程实现了完全自动化，且可与是德科技现有的器件建模平台无缝集成，同时支持基于 Python 的定制开发。官方称，该方案可适配鳍式场效应晶体管（FinFET）、全环绕栅极晶体管、氮化镓、碳化硅及双极型器件等多类技术，能够在不同工艺节点间复用建模流程。这一特性将加速设计技术协同优化（DTCO）进程，将工艺设计套件的开发周期从数周缩短至数天。
除这款机器学习工具包外，是德科技还宣布了其他器件建模产品的更新，包括器件建模软件 MQA 2026中新增的老化模型质量验证规则，以及晶圆测试软件 WaferPro 2025和低频噪声分析仪 A-LFNA 2026中增强的低频噪声测试能力，进一步丰富了其器件建模产品矩阵。
加入微信
获取电子行业最新资讯
搜索微信公众号：EEPW
或用微信扫描左侧二维码