Spectre 技術秘笈：Spectre FMC Analysis 功能介紹

Cadence Blog / Jianhe Guo

隨著製程特徵尺寸不斷微縮，元件不匹配（device mismatch）對電路效能的影響日益加劇，如今需要更多的蒙地卡羅（Monte Carlo）模擬，才能分析這種不匹配對效能指標的衝擊。以標準蒙地卡羅演算法而言，記憶體設計要判定 4σ 良率所需的一百萬次模擬，執行成本過高而難以達成；至於高標準差（high-sigma）良率分析，顯然需要超過十億次模擬。

Spectre FMC Analysis 採用先進演算法加速高標準差模擬，提供兩大功能：FMC 最差樣本預測（worst sample prediction）與 FMC 良率估算（yield estimation）。本文說明使用這兩項功能的命令列選項。

FMC 最差樣本預測

這項新功能讓您無需執行完整的蒙地卡羅樣本集，即可萃取有用的統計資訊，特別適用於高標準差分析。它基於機器學習樣本重排序（sample reordering）方法，僅針對分布尾端（tail of distribution）模擬量測項目的最差樣本。搭配作業分散（job distribution）建立模型，還能進一步提升效能，如下所示。

Virtuoso ADE Product Suite 與 Spectre 命令列皆支援 Spectre FMC 最差樣本預測。

若要執行最差樣本模擬，您需要指定以下三個參數中的任意兩個：numruns、fmcsigma 與 fmcnumtailsamples。

mc1 montecarlo numruns=20000 firstrun=1 seed=12345 \
   variations=all donominal=no savefamilyplots=no \
    fmcmethod=worstsample fmcsigma=3 {
       tran tran step=1p stop=2n
 }

接著，在 statistics target goal 區塊中指定要找出最差樣本的量測項目。

 statistics {
  target {
     goal  <measurement_name>  min=<value>
     goal  <measurement_name>  max=<value>
     goal  <measurement_name>  min=<value> max =<value>
  }
}

FMC 良率估算

當模擬預算有限時，Spectre FMC 良率估算能快速提供標準差（sigma）、失效率（failure rate）與信賴區間（confidence interval）的答案。它以固定的模擬成本，根據量測目標的邊界判定良率。

mc1 montecarlo numruns=1e+6 fmcmethod=yieldest  \
fmcbudget=3000 fmcconfidence=0.95 {
    tran tran step=1p stop=tran_time autostop=yes
}

為提升效能，FMC 最差樣本預測與 FMC 良率估算兩種分析皆可使用分散式模式（distributed mode）。您可以使用 fork、lsf 或 sge 其中一種選項來啟動子行程（child process），並搭配命令列選項 +mp=<number_of_processes> 指定要啟動的子行程數量。

 %bsub –R "(OSNAME==Linux)" "spectre +aps -mt +mp=50 input.scs –outdir fullpath/out_mp/"

若要讓所有分散式作業在同一主機上執行，請在上述指令之外加上 +mplauncher=ksh。