文献综述（或调研报告）：
本课题研究的关键在于基本门电路在不同条件下，如不同电压、不同负载、不同宽敞比下的延迟时间，并且能够得到很好的拟合，以此达到使晶体管在近阈值电压下工作的目的，并降低功耗。
延迟时间和功耗都是关键的设计因素[1]关键路径中的延迟可变性需要在每个设计迭代中进行量化，以评估周期达到产量目标所需的时间余量。在晶体管级，通过蒙特卡罗模拟以极大的计算工作量评估延迟可变性。在门级，统计静态时序分析(SSTA)基于高斯门延迟分布的假设减少了这种努力。与蒙特卡洛模拟相比，SSTA显示出较低的误差，在少数情况下误差通常在5%到16%之间，并且是目前可用的最精确的算法。[2]功耗是当前数字系统中最重要的设计约束之一。为了在最重要的技术，即CMOS技术中降低功率和能量需求，我们有必要将电源电压降低到接近器件阈值电压。现有的用于金属氧化物半导体器件的分析模型要么过于复杂，从而模糊了电压和电流之间的基本物理关系，要么它们在感兴趣的区域(即，接近阈值的区域)附近不准确且不连续。[1]都得不到很好的拟合。
反相器延迟通常被评估为CVdd/Ieff，其中C是负载电容，Vdd是电源电压，而Ieff是通过用线性模型近似逆变器开关轨迹得到的有效驱动电流。Ieff模型利用晶片验收测试中常规测量的高和低漏电流，不需要提取任何参数。易用性加上合理的精确度(15%)是CVdd/Ieff延迟度量广泛应用的主要原因。然而，当应用于另外两个重要的基本电路:与非门和或非门时，CVdd/Ieff表达式会产生很大的误差。这是因为nand和nor电路包含反相器模型中未考虑的晶体管串联连接[3]。通过阅读文献[3]明白了其中所讲述的nand/nor有效驱动电流模型。在强调低功耗设计的时代，开发的模型提供了在优化电路电源电压以实现低功耗操作时探索设计空间的便捷方法。
而近阈值电压下的反相器在文献[4]中得到了很好的解释。[4]中提出了一个近阈值电压逆变器和双输入与非门/或非门的有效电流模型(Ieff)。该模型在两个不同的技术节点上通过二维技术计算机辅助设计混合模式器件仿真和HSPICE仿真得到了验证。所提出的模型还针对过程、电压和温度变化进行了验证。
半导体制造业不断扩大的技术前沿尚未将晶体管的规模推向极限。这种规模的复杂的物理学知识引起了各种设备级的特性变化。这些变化可分为两组:静态变化和动态变化(通常称为老化效应)。静态变化是在芯片制造期间或制造之后确定的，而动态变化是在芯片寿命期间产生的。特别是当采用传统的静态分析方法时，变化之间的相互关系产生复杂的高维交互作用，既有好的一面也有坏的一面。
高维相关性问题一直存在于许多与现代STA相关的不同领域。作为一种可能的解决方案，基于学习的时序表征正在积极研究中。一项研究利用人工神经网络（ANN）和支持向量机(SVM)对非信号完整性模式到信号完整性模式误差补偿进行了基于路径的定时校正。学习在其中扮演的基本角色是在应用STA或多个STA之后的一个额外步骤，以提高整体定时精度。STA的核心部分仍然是传统的，因为它假设了具有负载电容和压摆率时间的二维库，足以实现精确的STA。[5]
动态变化破坏了二维假设。特别地，负偏置温度不稳定性(NBTI)和热载流子注入(HCI)在一定时间内逐渐降低金属氧化物半导体器件性能的变化，因此被称为老化效应。老化给现有的时序分析流程带来了新的挑战，因为它通过引入相关的高维Vth变化，使现代时序库假设的简单变化模型变得复杂化。在文献中观察到老化可以被认为是一种相关芯片上的动态变化(OCV)，并确定由这种类型的OCV引入的问题。特别地，文献中以负偏置温度不稳定性作为动态OCV机制的例子。然后提出了一个基于学习的STA (LSTA)库，通过捕捉设计的预测器之间的相关性来“预测”门的定时。
在寻找更有效但更精确的高维相关问题的解决方案时，我们使用了基于回归的机器学习算法。机器学习算法可以捕捉变量(预测变量)之间的潜在相关性，并且与传统方法相比，可以有效地表征更加紧凑的库。此外，我们要注意的是，基于学习的静态时序分析（简称为LSTA流）显然不限于老化预测。文献[5]的主要贡献概括如下:
1、涉及高维STA困难的识别:我们指出，当考虑到NBTI时，要求库处理高维相关数据。此外，提出的库的建设不仅限于本文所关注的NBTI，在本质上，任何可识别的非高斯相关的ocv都要求库是多维的[5]
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
