Искусственный интеллект
Решение обратных задач методами машинного обучения:
• Требуется найти значения исходных данных, при которых достигается требуемый, наперед заданный, результат.
• Имеется набор больших данных, достаточный для обучения модели.
• Данные для обучения могут быть сформированы с помощью математической модели путем подачи на ее вход разнообразных входных данных и вычисления результатов, а также путем многократных измерений.
Примеры обратных задач в микроэлектронике:
• получение физических и геометрических параметров транзисторных структур по заданным электрическим характеристикам готового прибора – вольтамперной характеристике, диапазонам токов и напряжений;
• получение измененной геометрии элементов топологии с целью коррекции эффектов оптической близости при проектировании фотошаблонов для операций масочной фотолитографии;
• определение допустимых диапазонов измеряемых параметров на ранних этапах технологического процесса изготовления интегральных схем, обеспечивающих соответствие целевым электрическим характеристикам готового изделия.
Построение цифрового двойника системы-на-кристалле:
• консолидация цифровых двойников интегральных схем и технологии их изготовления;
• разработка недостающих физических, схемотехнических и других видов моделей для описания жизненного цикла интегральных схем
• получение предиктивной аналитики и механизма анализа «что-если», в том числе для оценки надежности и наработки изделия на отказ, путем интеграции и обработки данных моделирования и измеренных данных .