基于靜態時序分析（STA）的現代設計流程非常依賴標準單元、IO、存儲器和定制模塊的特征化Liberty模型。高效、準確的庫特征提取是全芯片或模塊級設計流程的關鍵步驟之一，因為它能確保所有庫單元在所有預期工作條件下按規范運行。但由于特征化數據的復雜性和數量，傳統的庫特征提取和驗證在計算和工程工作量方面的成本變得越來越高昂。

傳統的庫特征提取流程

隨著特征提取需求逐漸超越傳統方法的可擴展性，發生進度延遲、特征提取結果驗證不完整以及因芯片失效導致重新設計的風險與日俱增。

傳統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果。由于需要的仿真數量不斷增加，特征提取需求開始令這一方法不堪重負。過長的特征提取運行時間是導致生產計劃日益延長的主要原因之一，與此同時，為提升處理能力而進行的精度折衷有可能導致過度設計，進而產生糟糕的功耗、性能和面積指標。

庫驗證同樣面臨這樣的艱巨挑戰。第一代庫驗證工具提供基于規則的靜態檢查，而且無法檢測到許多嚴重問題和數據異常值。調試和修復Liberty模型問題需要結合使用驗證工具的輸出和內部腳本，方能解析和理解庫的出錯日志。這些因素疊加在一起，致使Liberty文件的驗證過程不僅冗長而且不完整，從而導致進度延遲，并有可能需要重新設計。

基于革命性的創新方法，通過數學建模和機器學習實現快速、精確的庫特征提取和驗證。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品級精度的針對整個庫的特征提取速度提高2-4倍，而且還能近乎即時地為更多PVT生成特征提取數據。

對于庫驗證，一種支持機器學習的驗證方法可以始終以檢測特征化數據中的異常值來識別Liberty模型問題的新分類。信息可視化輔助方法大幅簡化了調試和修復問題的過程，將完整的Liberty驗證所需的時間從幾周縮短至幾個小時。