fa تحلیل همزمان پیری تصادفی ترانزیستورها و نوسان فرآیند در سیستمهای دیجیتال با توسعه مدل یادگیری ماشین برای سلولهای استاندارد الکترونیک Electronic پژوهشي Research <p><span style="font-size:14px;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="line-height:107%"><span lang="FA" style="line-height:107%">امروزه قابلیت اعتماد یکی از چالش‌های اساسی در طراحی مدارات نانومتری است. پیری ترانزیستورها و نوسان فرایند دو عامل مهم مؤثر بر قابلیت اعتماد هستند. باگذشت زمان ترانزیستورها پیر می‌شوند به این معنی که مشخصات ترانزیستورها و به طور ویژه ولتاژ آستانه آنها تغییر می‌کند که سبب افزایش تأخیر می‌گردد. این افزایش تأخیر در نهایت باعث تخطی از محدودیت‌های زمانی و نادرست بودن عملکرد مدار می‌گردد. پدیده‌های گوناگونی سبب پیری ترانزیستورها می‌شوند که ناپایداری حرارتی بایاس (BTI)&nbsp;یکی از مهم‌ترین آنها است. این پدیده در تکنولوژی‌های ساخت پیشرفته امروزی ماهیتی تصادفی از خود نشان می‌دهد و برای توصیف آن مدل‌های اتمی ارائه شده است. نوسان فرایند به تغییرات تصادفی مشخصات ترانزیستور و مدار با مقادیر مورد انتظار گفته می&shy;شود که به سبب غیر ایده&shy;آل بودن فرایند ساخت و غالبا تحت تاثیر فرایند لیتوگرافی ایجاد می&shy;شوند. تحلیل هم‌زمان این پدیده‌ها به بهبود طراحی کمک زیادی می‌کند. امروزه که نقطه شروع طراحی سیستم‌های دیجیتال به سطوح بالاتر انتزاع رفته است، به‌منظور جستجوی مؤثر فضای طراحی نیازمند مدل‌های سریع و دقیق برای ارزیابی قابلیت اعتماد مدارها هستیم. در این مقاله با توسعه مدل‌های مبتنی بر یادگیری ماشین برای تحلیل هم‌زمان پیری و نوسان فرایند سلول‌های استاندارد، یک روش تحلیل بر پایه مونت‌کارلو پیشنهاد شده است. نتایج آزمایش نشان‌دهنده بهبود زمان تحلیل با میانگین 49 درصد و 7/88 درصد نسبت به دو روش پیشرفته معرفی شده در مقالات است. این بهبود هم‌زمان با حفظ دقت تحلیل به‌دست‌آمده است. البته برای رسیدن به این بهبود زمان زیادی صرف آموزش مدل‌ها می‌شود که آن‌هم یک‌بار و به‌صورت آفلاین انجام می‌شود و تأثیری در زمان اجرا ندارد.</span></span></span></span></span></p> <div>&nbsp; <hr align="left" size="1" width="33%" > <div id="edn1"><span style="font-size:10pt"><span style="unicode-bidi:embed"><span style="line-height:12pt"><span style="font-family:Calibri,sans-serif"><a href="#_ednref1" name="_edn1" title=""><span style="font-size:10.0pt"><span style="line-height:107%"><span calibri="" style="font-family:">[i]</span></span></span></a> Bias temperature instability</span></span></span></span></div> </div> <span style="font-size:10.0pt"><span new="" roman="" style="font-family:" times="">Nowadays, reliability is one of the most important challenges in the design of nanometer circuits. Transistor aging and process variation are two important factors affecting reliability. After the circuits start to work, transistors age gradually, which means that the characteristics of transistors and in particular their threshold voltage degrade. As a result, delay increases and eventually causes violation of timing constraints and incorrect operation of the circuit. Various phenomena cause the transistor aging, among them BTI is the most important. This phenomenon reveals has stochastic nature in today&#39;s advanced manufacturing technologies, and atomic models exist to describe it. Process variation due to the non-ideality of the manufacturing process and often under the influence of the lithography process appears as a stochastic difference in the characteristics of the transistors produced with the expected values after manufacturing. The simultaneous analysis of these phenomena is vital to improve the design. Today, the starting point of digital systems design has raised to higher abstraction levels. As a consequent, we need fast and accurate models to evaluate the reliability of circuits in order effective exploration of the design space. In this article, first, machine learning based models are developped for standard cells. Then, a Monte Carlo-based analysis method is proposed for the simultaneous analysis of aging and process variation. The experimental results show an improvement in analysis time with an average of 94% compared to existing methods. This improvement has been achieved while maintaining the accuracy of the analysis. Of course, to achieve this improvement, a lot of time is spent on training the models, which is done once and offline and has no effect on the execution time.</span></span> قابلیت اعتماد, پیری تصادفی, نوسان فرآیند, مونت کارلو, NBTI, Aging. Reliability, Stochastic Aging, Process Variation, NBTI, Monte Carlo, Aging. 65 77 http://jiaeee.com/browse.php?a_code=A-10-2802-1&slc_lang=fa&sid=1 Mohammad Bazli محمد بذلی bazlimohammad@yahoo.com 100319475328460013029 100319475328460013029 No Bijand Branch - Islamic Azad University دانشکده مهندسی- واحد بیرجند - دانشگاه آزاد اسلامی Siavash Es'haghi سیاوش اسحقی s_esshaghi@sbu.ac.ir 100319475328460013030 100319475328460013030 Yes Bijand Branch - Islamic Azad University دانشکده مهندسی- واحد بیرجند - دانشگاه آزاد اسلامی Mahmood Shahi محمود شاهی m.shahi.g@gmail.com 100319475328460013031 100319475328460013031 No Bijand Branch - Islamic Azad University دانشکده مهندسی- واحد بیرجند - دانشگاه آزاد اسلامی Majid Naseh مجید ناصح naseh@iaubir.ac.ir 100319475328460013032 100319475328460013032 No Bijand Branch - Islamic Azad University دانشکده مهندسی- واحد بیرجند - دانشگاه آزاد اسلامی