SSTA Framework Based on Moments Propagation
SSTA Basée sur la Propagation des Moments
Résumé
Corner-based Timing Analysis (CTA) becomes more and more pessimistic along with the shrinking feature size. This trend has urged the need of Statistical Static Timing Analysis (SSTA). However, this new generation of timing analysis has not yet widely adopted in the industry due to various weaknesses. The path-based SSTA framework proposed in this thesis computes path delay distributions by propagating iteratively mean and variance of cell delay with the help of conditional moments. These moments, condi-tioned on input slope and output load, are stored in a statistical timing library. This framework performs as fast as parametric methods while not losing too much accuracy compared to Monte Carlo simulations, which meets the objective of the research. Another contribution of this thesis is the improvement of the techniques to do timing characterization. We use input signals based on log-logistic distributions and inverters as output load to capture slope and load variations. In addition, the runtime of characterization could be greatly saved by the reducing dimension technique, which would be validated in the near future. In the part of applications, our SSTA engine shows significant delay gains with respect to CTA. The discrepancy of critical paths orderings obtained respectively by SSTA and CTA is explained as well. Finally, a study of cell-to-cell correlation is given.
L'analyse temporelle basée sur corners (CTA) devient de plus en plus pessimiste ainsi avec la diminution de la taille des transistors, ce qui explique la nécessité de se tourner vers l'analyse temporelle statique statistique (SSTA). Cependant, cette nouvelle génération d'analyse temporelle n'a pas été largement adoptée dans l'industrie en raison de diverses faiblesses. La méthode SSTA basée sur les chemins de données, proposée dans cette thèse, calcule les distributions des délais de chemins en propageant itérativement la moyenne et la variance des délais des cellules avec l'aide des moments conditionnels. Ces moments, conditionnés sur la pente d'entrée et la charge de sortie, sont stockés dans une librairie temporelle statistique. Cette procédure est aussi rapide que les méthodes paramétriques, tout en ne perdant pas trop de précision par rapport aux simulations de Monte Carlo, ce qui répond à l'objectif de notre recherche. L'autre contribution de cette thèse est l'amélioration des techniques de caractérisation temporelle. Pour cela, nous utilisons des signaux d'entrée basés sur des distributions log-logistique et des inverseurs comme charge de sortie pour capturer les variations de pente et de charge. De plus, le temps CPU pour la caractérisation temporelle pourrait être amélioré par la technique de réduction des dimensions, qui devrait être validée dans un avenir proche. En ce qui concerne les applications, notre procédure SSTA, donne des gains en délais important par rapport à la méthode CTA. La différence d'ordres sur les chemins critiques obtenus respectivement par les méthodes SSTA et CTA est aussi expliquée dans cette partie. Pour terminer, une étude sur les corrélations entre cellules est exposée.