机器学习如何改变未来半导体制造EDA工具需求

从20nm/22nm节点引入FinFET技术开始，先进工艺的复杂度就走上了一条指数级上升的路径。曾经那个“每两年晶体管数量翻一番、性能也翻一番”的美好承诺，如今实现起来越来越吃力。摩尔定律的节奏被打乱了，先进制程的前进步伐明显放缓。

不过话说回来，今天的高端电子设备对先进工艺的渴求依然旺盛，所以仍有几家晶圆厂在咬牙推进更小的节点。这些厂商与EDA企业之间的紧密协作，成了推动先进制程继续前行的关键力量。纵观行业发展，当工艺进入14nm/7nm时代后，EDA工具的介入，尤其是后端设计制造工具的迭代，显著缩短了研发周期——这一点至关重要。

EDA能解决先进制程的哪些难题？

对于晶圆代工厂而言，制造能否成功，本质上取决于对设计制造工艺窗口的控制能力。换句话说，不仅要尽可能把工艺窗口拉大，还要能在最短时间内预防、发现、评估并修复各种热点问题。EDA工具的出现，正是为了系统性地解决这些制造过程中的硬骨头。

7nm以下节点给半导体制造带来的挑战是全方位的。在众多EDA工具中，Mentor的Calibre平台凭借出色的性能、高准确性和可靠性，已经成长为IC物理验证和制造领域的标杆——全球主流的晶圆厂几乎都在用。

机器学习为EDA带来了什么改变？

当先进制程跨过10nm这道坎后，要想在市场争夺战中抢得先机，关键就变成了：在保障良率和性能的前提下，谁先推出产品。在这个过程中，EDA工具的作用已经从“辅助”变成了“翻跟斗”。

但问题也随之而来——晶体管密度大幅提升，与之相关的计算量呈指数级增长。设计人员和晶圆厂对IC设计制造软件的要求已经不仅仅是“够用”，而是在准确性和速度上都要有质的飞跃。机器学习的入场，恰好为这个困局提供了出口。它能够承担制造过程中那些耗时费力的任务，让产品生产周期缩短、设计质量提升。把机器学习能力嵌入EDA工具，已经被业界普遍视为下一阶段的发展方向。

正是瞄准这一需求，Mentor推出了带有机器学习功能的Calibre IC制造工具。目前，用于IC制造的Calibre工具和应用程序已经具备完全集成的机器学习基础平台。典型的Calibre机器学习系统包含一个训练模型，目标是通过创建准确的模型来正确解答IC制造过程中间出现的各种问题。训练完成后，模型会被评估并投入推理环节。所有这一切都与Calibre的核心架构深度集成，实现无缝协作。

Calibre架构中整合了机器学习的体系

Calibre平台如何助推先进节点落地？

通过具备机器学习能力的Calibre平台，IC制造中的三个关键环节得到了显著改进：工艺建模、光学邻近效应修正（OPC）和光刻友好性设计（LFD）。

工艺建模：机器学习让精度再上一个台阶

在工艺建模领域，Calibre利用机器学习显著提高了准确性。5nm及更小节点的建模精度要求比以往任何时候都更严苛，而机器学习正好在准确度和速度之间找到了更好的平衡点。Calibre的机器学习建模架构，核心思路是保留那些能直接捕获物理现象的信息通道，同时在复杂性、运行时间和准确性之间取得平衡。与基准结果相比，Calibre的机器学习模型可以在不修改任何实测数据的前提下，将模型准确性提升高达40%。

（与传统工艺模型CM1相比，NNAM神经网络辅助模型显著提高了准确性）

OPC：从“跑得动”到“反赌又准”

OPC的作用是突破光的物理局限性，确保原始设计在经过光刻后，能在硅晶圆上保留完整的蚀刻图像。Calibre作为OPC工具市场的领导者，正在不断为这类工具注入新功能，以支持持续缩小的工艺路线图——最新进展已经触及3纳米节点。这个新功能就是机器学习，它在缩短周转时间（也就是从设计到交付可制造掩膜所需的时间，TAT）方面表现尤为突出。根据Mentor官方数据，采用机器学习的Calibre OPC将运行时间缩短了3倍。此外，机器学习OPC还有一个额外的好处：通过“边缘放置误差（EPE）”这个精度指标，OPC的整体准确性也得以提升。

（机器学习同时缩短了OPC运行时间并提高了准确性）

在10nm及更小节点上，蚀刻工艺对关键尺寸（CD）精确控制的影响越来越重要。蚀刻工艺本身非常复杂，因此OPC通常采用更近似的经验蚀刻模型。Calibre针对蚀刻模型引入了一种机器学习新方法，实践证明，在准确性和可预测性方面可以实现2到4倍的改进。

（使用机器学习的蚀刻建模显著提升了准确性和可预测性）

光刻热点检测：速度提升10倍

10nm以下节点的光刻热点检测运行时间持续攀升，设计人员必须采用新的可制造性设计（DFM）技术来加速高级验证。缩短运行时间的一种有效方法，是减少仿真所涉及的数据量。针对这一需求，Calibre开发了一种基于机器学习的快速、准确的光刻热点检测方法。这个机器学习LFD流程，本质上是一种“快速LFD”流程——仿真区域的选择，依据的是经过训练的机器学习模型所预测的位置。利用这一流程，Calibre用户可以获得高达10倍的计算速度提升。

（机器学习让光刻热点检测的速度和精度同时提升）

从这些实际成果来看，将机器学习能力赋予EDA工具，确实能够提升半导体制造的智能化水平和效率。美国国防高级研究计划局（DARPA）的电子资产智能设计（IDEA）项目，目标正是推动EDA工具的发展——在这个过程中，机器学习无疑将扮演核心角色。可以预见，具备机器学习功能的EDA将成为未来半导体制造中不可或缺的一环。通过了解Mentor这类厂商推出的新工具，我们或许能更清楚地看到：未来的半导体制造，究竟需要什么样的EDA。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：机器学习如何改变未来半导体制造EDA工具需求要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题