Transfer Learning steigert Genauigkeit bei Vmin‑Vorhersage für 5nm‑Chips

Die präzise Vorhersage der minimalen Betriebsspannung (Vmin) ist entscheidend für die Energieeffizienz und Zuverlässigkeit moderner Halbleiter. Besonders bei fortgeschrittenen Technologie‑Nodes wie 5 nm gestaltet sich die Modellierung jedoch schwierig, weil nur wenige Trainingsdaten vorliegen und die Zusammenhänge zwischen Prozessvariationen und Vmin sehr komplex sind.

Um diese Hürden zu überwinden, hat ein Forschungsteam ein neues Transfer‑Learning‑Framework entwickelt. Dabei werden umfangreiche Legacy‑Daten aus dem 16 nm‑Node genutzt, um Modelle für die 5 nm‑Technologie zu trainieren. Durch die Übertragung von Wissen aus dem älteren Prozessschritt können die Modelle schneller und mit weniger Daten trainiert werden.

Ein wesentlicher Fortschritt ist die Einbindung von Messwerten aus dem „Silicon Odometer“ – einem On‑Chip‑Sensor, der lokale Prozessvariationen mit hoher Auflösung erfasst. Diese zusätzlichen Features ermöglichen eine feinere Charakterisierung der Chip‑Variabilität, was die Vorhersagegenauigkeit von Vmin deutlich verbessert.

Erste Tests zeigen, dass die Kombination aus Transfer Learning und Silicon‑Odometer‑Daten die Genauigkeit der Vmin-Vorhersage im 5 nm‑Node signifikant steigert. Damit eröffnet sich ein vielversprechender Ansatz, um die Energieeffizienz von Mikroprozessoren in der nächsten Generation zu optimieren.