EN
DE

IMMS und TU Ilmenau forschen an neuartigen Assistenzsystemen für Chip-Designer

Die Forschergruppe „IntelligEnt“ ist gestartet: Es geht um Künstliche Intelligenz und Machine Learning für den Entwurf von Mikroelektronik.

In der Forschergruppe „IntelligEnt“ arbeiten IMMS und TU Ilmenau an anwendungsorientierten Konzepten für Machine Learning im Mikroelektronik-Entwurf. Foto: IMMS

IMMS und TU Ilmenau präsentierten Förderern und Projektbeirat am 27. Februar 2019 in Erfurt Ziele und Vorhaben der Thüringer Forschergruppe „IntelligEnt“. Foto: IMMS

Das IMMS Institut für Mikroelektronik- und Mechatronik-Systeme gemeinnützige GmbH und das Fachgebiet Softwaretechnik für sicherheitskritische Systeme der Fakultät für Informatik und Automatisierung an der Technischen Universität Ilmenau präsentierten am 27. Februar 2019 Ziele und Vorhaben der im Januar 2019 gestarteten zweijährigen Thüringer Forschergruppe „IntelligEnt – Künstliche Intelligenz und Machine Learning für den Entwurf und die Verifikation komplexer Systeme“ im Erfurter Anwendungszentrum für Mikroelektronik. Zu diesem ersten Status-Workshop trafen sich Forscher, Förderer und Vertreter des projektbegleitenden Beirats aus X-FAB Semiconductor Foundries GmbH, Melexis GmbH, Micro-Sensys GmbH, Ilmsens GmbH und CiS Forschungsinstitut für Mikrosensorik GmbH.

Erfahrungswissen ist bislang nicht automatisierbar

Das Erfahrungswissen von Design-Ingenieuren prägt in weiten Teilen den Entwurf und die Verifikation von mikroelektronischen und mikroelektromechanischen Systemen (MEMS). Die Entwicklung solcher Systeme wird seit jeher wissenschaftlich bearbeitet und durch immer anspruchsvollere und automatisierte Entwurfsmethoden optimiert. Erfahrungswissen lässt sich allerdings oft nicht formal abbilden und damit für ein automatisiertes Entwerfen nutzen, wie das z.B. für rein digitale Systeme möglich ist. Das führt dazu, dass in komplexen analogen oder gemischt analog/digitalen Systemen suboptimale Lösungen oder Unstimmigkeiten, wie ungünstige Anordnungen im Layout oder falsche Testlimits, erst spät erkannt werden – oft erst im Zusammenspiel der Komponenten. Die Folgen sind zusätzlicher Aufwand und hohe Kosten im Entwurf und in der Validierung der Systeme nach der Fertigung.

In der Forschergruppe „IntelligEnt“ arbeiten daher IMMS und TU Ilmenau an anwendungsorientierten Konzepten für Machine Learning im Mikroelektronik-Entwurf, die an vorhandene Methoden und Werkzeuge angebunden werden sollen. Ziel ist es, das immense Potential des maschinellen Lernens für fachliche und wissenschaftliche Weiterentwicklungen zu nutzen und damit signifikante Kosten- und Risikoreduktionen im Systementwurf zu erreichen. 

Möglich wird das, indem die genannten Unstimmigkeiten zeitnah erkannt und optimiert werden. In vielen Bereichen konnten Methoden des maschinellen Lernens den Menschen übertreffen, wie z.B. in der Mustererkennung. Integriert in einen automatisierten Entwurfs- und Charakterisierungsprozess kann sie Strukturen erkennen und damit Daten reduzieren, Anomalien aufspüren und bestehende Lösungen optimieren. Dabei werden in IntelligEnt die Algorithmen des maschinellen Lernens als Werkzeug verstanden und eingesetzt, wie z.B. Regression und Klassifikation mit Deep-Learning-Methoden oder Ausreißer-Detektion mit Self- und Semisupervised Learning.

Signifikante Kosten- und Risikoreduktionen durch maschinelles Lernen

Die Arbeiten in „IntelligEnt“ setzen an kritischen Schritten im Systementwurf an, zunächst bei der Modellierung. Hier geht es darum, Modelle für Verhaltensprognosen zu erstellen: Die Erstellung von Modellen für Systemkomponenten beziehungsweise IP ist entscheidend für die Entwurfsqualität. Die Integration von Eigenschaften, wie zum Beispiel Stromaufnahme und  Operationsregionen, in System-Level-Modelle soll mittels eines lernenden Systems automatisiert werden. Ein weiterer kritischer Schritt ist der Entwurf von Analog-/Mixed-Signal-Schaltungen, um Funktionen zu realisieren: Die Struktur beziehungsweise Topologie bestimmt die Performance einer gemischt analog/digitalen Schaltung. Um diese rechnergestützt zu optimieren, wird ein Verfahren zur Strukturerkennung und  -anpassung entwickelt.

Das Layout von Analog-/Mixed-Signal-Schaltungen ist entscheiden, um den Bauplan für den Chiphersteller zu entwerfen: Formal korrekte Layouts können Unstimmigkeiten enthalten, wie zum Beispiel Substratkopplung, Feldtransistoren und Mismatch. Ausgehend von bestehenden Entwürfen soll ein lernendes System neue Layouts bewerten und potentielle Fehler erkennen. Simulation und Verifikation sind von großer Bedeutung, um vor der Fertigung alle Schritte und Funktionen prüfen zu können: Auf allen genannten Stufen wird das System schrittweise in immer größeren Funktionsgruppen geprüft, bevor der Chip gefertigt wird. Für die dafür durchgeführten Simulationen werden die mit den Methoden zum Machine Learning erweiterten Modelle genutzt. 

Am Ende stehen Test und Charakterisierung, wobei der gefertigte Chips auf Herz und Nieren geprüft wird: Die Optimierung des Testablaufes und die Auswahl der kritischen Tests für Mixed-Signal-Systeme und MEMS ist bisher Handarbeit. Das führt unter anderem dazu, dass redundante Tests ausgeführt werden. Machine-Learning-Algorithmen sind in der Lage, Abhängigkeiten sichtbar und damit nutzbar zu machen. Das Ziel ist eine Plattform für die Adaption des Testplans und die Extraktion von definierten Fehlerbildern. Die Forschergruppe „IntelligEnt“ wird gefördert durch den Freistaat Thüringen aus Mitteln des Europäischen Sozialfonds.