1 |
1
반도체 장치에서 공정 변화에 따라 변화되는 파라미터들에 대한 샘플값들을 랜덤하게 선택하는 파라미터 샘플링부;상기 파라미터 샘플링부에서 선택된 샘플값들을 가우시안 샘플값들로 변환하는 데이터 변환부;상기 반도체 장치에 포함된 스위칭 소자들에 대한 노드 바이어스 정보, 상기 스위칭 소자의 리키지 구성요소들에 대해 미리 추출된 정보, 및 상기 가우시안 샘플값들을 이용한 리키지 시뮬레이션을 수행하여 상기 반도체 장치의 리키지 데이터를 생성하는 리키지 데이터 생성부; 및상기 리키지 데이터를 복수의 클러스터들로 클러스터링하고, 상기 클러스터들의 리키지 데이터를 이용하여 각 클러스터에 대응되는 가우시안 구성요소들을 생성한 후 상기 가우시안 구성요소들을 혼합하여 상기 반도체 장치의 리키지 분포를 결정하는 GMM 모델링부를 포함하는 반도체 장치의 리키지 분포 예측 시스템
|
2 |
2
제 1항에 있어서,상기 반도체 장치의 포함된 구성요소들 간의 연결정보(netlist)에 대해 회로 시뮬레이션을 수행하여 상기 스위칭 소자에 대한 상기 노드 바이어스 정보를 추출하는 회로 분석부를 더 포함하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
3 |
3
제 1항에 있어서,상기 스위칭 소자의 리키지 구성요소들에 대해 미리 추출된 정보를 룩업 테이블 형태로 저장하는 메모리를 더 포함하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
4 |
4
제 1항에 있어서, 상기 파라미터 샘플링부는상기 파라미터들의 개수 및 샘플링할 샘플들의 개수가 정해지면, 상기 파라미터들의 개수를 크기(Dimension)으로 하고 샘플 개수를 길이(Length)로 하는 소불 시퀀스(sobol sequence)를 생성함으로써 샘플값들을 선택하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
5 |
5
제 1항에 있어서, 상기 데이터 변환부는박스뮬러 변환(Box-Muller transformation)을 사용하여 상기 파라미터 샘플링부에서 선택된 샘플값들을 상기 가우시안 샘플값들로 변환하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
6 |
6
제 1항에 있어서, 상기 리키지 데이터 생성부는각 스위칭 소자의 상기 노드 바이어스 정보를 상기 스위칭 소자의 리키지 구성요소들에 대해 미리 추출된 정보와 비교하여 상기 각 스위칭 소자에 대한 리키지 구성요소들의 값들을 구하고, 상기 반도체 장치에 포함된 전체 상기 스위칭 소자들의 리키지 구성요소들의 값들을 이용하여 상기 반도체 장치의 리키지 값을 구하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
7 |
7
제 6항에 있어서, 상기 리키지 데이터 생성부는상기 각 가우시안 샘플값을 상기 스위칭 소자의 리키지 구성요소들에 대해 미리 추출된 정보와 비교하여 각 스위칭 소자에 대한 리키지 구성요소들의 값들을 구하고, 상기 반도체 장치에 포함된 전체 상기 스위칭 소자들의 리키지 구성요소들의 값들을 이용하여 상기 반도체 장치의 리키지 값들을 구하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
8 |
8
제 7항에 있어서, 상기 리키지 데이터 생성부는상기 노드 바이어스 정보 또는 상기 가우시안 샘플값이 상기 스위칭 소자의 리키지 구성요소들에 대해 미리 추출한 정보에 포함되어 있지 않은 경우, 이차원 선형 보간(linear interpolation)을 통해 해당 노드 바이어스 정보 또는 가우시안 샘플값에 대한 리키지 구성요소들의 값들을 추정하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
9 |
9
제 7항에 있어서, 상기 리키지 데이터 생성부는상기 스위칭 소자들의 노드들을 꼭지점(vertices)으로 하고 상기 스위칭 소자들의 리키지 구성요소들을 에지(edge)하는 그래프를 구성한 후, 모든 꼭지점들을 전원전압 노드를 포함하는 그룹과 그라운드 노드를 포함하는 그룹으로 나누는 하나의 컷(CUT)을 형성하고, 상기 컷을 지나는 에지들의 값들을 모두 합하여 상기 반도체 장치의 리키지 값을 구하는 것을 특징으로 하는 반도체 장치의 대한 리키지 분포 예측 시스템
|
10 |
10
제 1항에 있어서, 상기 GMM 모델링부는EM(Expectation-Maximization) 알고리즘을 수행하여 상기 리키지 데이터를 기 설정된 수만큼의 클러스터들로 클러스터링하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
11 |
11
제 1항에 있어서, 상기 GMM 모델링부는상기 가우시안 구성요소들을 생성하기 전에, 상기 클러스터링을 검증하는 과정을 수행하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
12 |
12
제 11항에 있어서, 상기 GMM 모델링부는클러스터 내의 데이터가 얼마나 잘 밀집되어 있는지를 나타내는 값(SSW: Sum of Squares Within cluster)과 클러스터들 간에 데이터가 얼마나 잘 구분되어 있는지를 나타내는 값(SSB: Sum of Squares Between clusters)을 구한 후 상기 SSW와 상기 SSB의 비(ratio)(SSW/SSB)를 검증 인자로 하여 클러스터링을 검증하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
13 |
13
제 12항에 있어서, 상기 GMM 모델링부는상기 검증 인자가 기준치보다 크면, 클러스터의 수를 증가시키면서 클러스터링을 다시 수행하고, 기 지정된 상한값까지 클러스터의 수를 증가시켰으나 상기 검증 인자가 여전히 상기 기준치보다 크면, 상기 파라미터 샘플링부에게 추가적인 샘플값들을 요구하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
14 |
14
제 1항에 있어서, 상기 GMM 모델링부는상기 복수의 가우시안 구성요소들을 해당 클러스터의 가중치를 고려하여 가중합(weighted sum)하여 혼합하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 시스템
|
15 |
15
서브 시스템들과 일대일 대응되며, 대응되는 서브 시스템의 리키지 분포를 생성하는 복수의 서브 예측 시스템들; 및상기 복수의 서브 시스템들의 리키지 분포들을 순차적으로 합하여 상기 복수의 서브 시스템들을 포함하는 반도체 시스템에 대한 리키지 분포를 결정하는 순차 가산부를 포함하되,상기 서브 예측 시스템들 각각은상기 서브 시스템에서 공정 변화에 따라 변화되는 파라미터들에 대한 샘플값들을 랜덤하게 선택하는 파라미터 샘플링부;상기 파라미터 샘플링부에서 선택된 샘플값들을 가우시안 샘플값들로 변환하는 데이터 변환부;상기 서브 시스템에 포함된 스위칭 소자들에 대한 노드 바이어스 정보, 상기 스위칭 소자의 리키지 구성요소들에 대해 미리 추출된 정보, 및 상기 가우시안 샘플값들을 이용한 리키지 시뮬레이션을 수행하여 리키지 데이터를 생성하는 리키지 데이터 생성부; 및상기 리키지 데이터를 복수의 클러스터들로 클러스터링하고, 각 클러스터의 리키지 데이터를 이용하여 각 클러스터에 대응되는 복수의 가우시안 구성요소들을 생성한 후 상기 복수의 가우시안 구성요소들을 혼합하여 상기 서브 시스템에 대한 리키지 분포를 결정하는 GMM 모델링부를 포함하는 반도체 시스템에 대한 리키지 분포 예측 시스템
|
16 |
16
반도체 장치에서 공정 변화에 따라 변화되는 파라미터들에 대한 샘플값들을 랜덤하게 선택하는 단계;선택된 샘플값들을 가우시안 샘플값들로 변환하는 단계;상기 반도체 장치에 포함된 스위칭 소자들에 대한 노드 바이어스 정보, 상기 스위칭 소자의 리키지 구성요소들에 대해 미리 추출된 정보, 및 상기 가우시안 샘플값들을 이용한 리키지 시뮬레이션을 수행하여 상기 반도체 장치의 리키지 데이터를 생성하는 단계;상기 리키지 데이터를 복수의 클러스터들로 클러스터링하는 단계;상기 클러스터들의 리키지 데이터를 이용하여 각 클러스터에 대응되는 가우시안 구성요소들을 생성하는 단계; 및상기 가우시안 구성요소들을 혼합하여 상기 반도체 장치의 리키지 분포를 결정하는 단계를 포함하는 반도체 장치의 리키지 분포 예측 방법
|
17 |
17
제 16항에 있어서, 상기 파라미터들에 대한 샘플값들을 선택하는 단계는상기 파라미터들의 개수를 크기(Dimension)으로 하고 샘플링할 샘플들의개수를 길이(Length)로 하는 소불 시퀀스(sobol sequence)를 생성하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 방법
|
18 |
18
제 16항에 있어서, 상기 스위칭 소자의 리키지 구성요소들에 대해 미리 추출된 정보는상기 스위칭 소자의 타입 별로 각각의 상기 리키지 구성요소에 대해, 상기 스위칭 소자의 파라미터들을 변화시키면서 미리 추출한 리키지 전류값들이 해당 파라미터 값들과 매칭되게 저장된 룩업 테이블 형태로 저장되는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 방법
|
19 |
19
제 18항에 있어서, 상기 리키지 데이터를 생성하는 단계는상기 각 스위칭 소자의 상기 노드 바이어스 정보를 상기 룩업 테이블과 비교하여 각 스위칭 소자에 대한 리키지 구성요소들의 값들을 구하고, 상기 반도체 장치에 포함된 전체 상기 스위칭 소자들의 리키지 구성요소들의 값들을 이용하여 상기 반도체 장치의 리키지 값을 구하고상기 각 가우시안 샘플값을 상기 룩업 테이블과 비교하여 각 스위칭 소자에 대한 리키지 구성요소들의 값들을 구하고, 상기 반도체 장치에 포함된 전체 상기 스위칭 소자들의 리키지 구성요소들의 값들을 이용하여 상기 반도체 장치의 리키지 값들을 구하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 방법
|
20 |
20
제 19항에 있어서,상기 스위칭 소자에 대한 리키지 구성요소들의 값들을 이용하여 상기 반도체 장치의 리키지 값을 구하는 것은상기 스위칭 소자들의 노드들을 꼭지점(vertices)으로 하고 상기 스위칭 소자들의 리키지 구성요소들을 에지(edge)하는 그래프를 구성한 후, 모든 꼭지점들을 전원전압 노드를 포함하는 그룹과 그라운드 노드를 포함하는 그룹으로 나누는 하나의 컷(CUT)을 형성하고, 상기 컷을 지나는 에지들의 값들을 모두 합하여 상기 반도체 장치의 리키지 값을 구하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 방법
|
21 |
21
제 16항에 있어서, 상기 클러스터링은EM(Expectation-Maximization) 알고리즘을 수행하여 상기 리키지 데이터를 기 설정된 수만큼의 클러스터들로 분류하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 방법
|
22 |
22
제 16항에 있어서,상기 가우시안 구성요소들을 생성하기 전에, 상기 클러스터링을 검증하는 단계를 더 포함하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 방법
|
23 |
23
제 22항에 있어서, 상기 클러스터링을 검증하는 단계는상기 클러스터 내의 데이터가 얼마나 잘 밀집되어 있는지를 나타내는 값(SSW: Sum of Squares Within cluster)과 상기 클러스터들 간에 데이터가 얼마나 잘 구분되어 있는지를 나타내는 값(SSB: Sum of Squares Between clusters)을 구한 후 상기 SSW와 상기 SSB의 비(ratio)(SSW/SSB)를 검증 인자로 하여 상기 클러스터링을 검증하는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 방법
|
24 |
24
제 23항에 있어서, 상기 클러스터링을 검증하는 단계는상기 검증 인자가 기준치보다 크면, 상기 클러스터의 수를 증가시키면서 상기 클러스터링 및 클러스터링 검증을 반복 수행하되, 상기 클러스터 수의 증가는 기 지정된 상한값까지만 진행키는 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 방법
|
25 |
25
제 16항에 있어서, 상기 가우시안 구성요소는상기 클러스터에 포함된 리키지 데이터에 대한 가우시안 분포인 것을 특징으로 하는 반도체 장치의 리키지 분포 예측 방법
|
26 |
26
제 16항에 있어서, 상기 가우시안 구성요소들을 혼합하는 것은상기 복수의 가우시안 구성요소들을 해당 클러스터의 가중치를 고려하여 가중합(weighted sum)하는 것을 포함함을 특징으로 하는 반도체 장치의 리키지 분포 예측 방법
|