基于靜態(tài)時(shí)序分析（STA）的現(xiàn)代設(shè)計(jì)流程非常依賴標(biāo)準(zhǔn)單元、IO、存儲(chǔ)器和定制模塊的特征化Liberty模型。高效、準(zhǔn)確的庫特征提取是全芯片或模塊級(jí)設(shè)計(jì)流程的關(guān)鍵步驟之一，因?yàn)樗艽_保所有庫單元在所有預(yù)期工作條件下按規(guī)范運(yùn)行。但由于特征化數(shù)據(jù)的復(fù)雜性和數(shù)量，傳統(tǒng)的庫特征提取和驗(yàn)證在計(jì)算和工程工作量方面的成本變得越來越高昂。

傳統(tǒng)的庫特征提取流程

隨著特征提取需求逐漸超越傳統(tǒng)方法的可擴(kuò)展性，發(fā)生進(jìn)度延遲、特征提取結(jié)果驗(yàn)證不完整以及因芯片失效導(dǎo)致重新設(shè)計(jì)的風(fēng)險(xiǎn)與日俱增。

傳統(tǒng)的庫特征提取方法依靠簡單粗暴的仿真來生成所有特征化結(jié)果。由于需要的仿真數(shù)量不斷增加，特征提取需求開始令這一方法不堪重負(fù)。過長的特征提取運(yùn)行時(shí)間是導(dǎo)致生產(chǎn)計(jì)劃日益延長的主要原因之一，與此同時(shí)，為提升處理能力而進(jìn)行的精度折衷有可能導(dǎo)致過度設(shè)計(jì)，進(jìn)而產(chǎn)生糟糕的功耗、性能和面積指標(biāo)。

庫驗(yàn)證同樣面臨這樣的艱巨挑戰(zhàn)。第一代庫驗(yàn)證工具提供基于規(guī)則的靜態(tài)檢查，而且無法檢測到許多嚴(yán)重問題和數(shù)據(jù)異常值。調(diào)試和修復(fù)Liberty模型問題需要結(jié)合使用驗(yàn)證工具的輸出和內(nèi)部腳本，方能解析和理解庫的出錯(cuò)日志。這些因素疊加在一起，致使Liberty文件的驗(yàn)證過程不僅冗長而且不完整，從而導(dǎo)致進(jìn)度延遲，并有可能需要重新設(shè)計(jì)。

基于革命性的創(chuàng)新方法，通過數(shù)學(xué)建模和機(jī)器學(xué)習(xí)實(shí)現(xiàn)快速、精確的庫特征提取和驗(yàn)證。這些方法可顯著加快特征提取的速度，在所有工藝、電壓和溫度（PVT）條件下都能將具有產(chǎn)品級(jí)精度的針對(duì)整個(gè)庫的特征提取速度提高2-4倍，而且還能近乎即時(shí)地為更多PVT生成特征提取數(shù)據(jù)。

對(duì)于庫驗(yàn)證，一種支持機(jī)器學(xué)習(xí)的驗(yàn)證方法可以始終以檢測特征化數(shù)據(jù)中的異常值來識(shí)別Liberty模型問題的新分類。信息可視化輔助方法大幅簡化了調(diào)試和修復(fù)問題的過程，將完整的Liberty驗(yàn)證所需的時(shí)間從幾周縮短至幾個(gè)小時(shí)。