electronica-news.es
19
'26
Written on Modified on
Keysight incorpora toolkit de IA para acelerar PDK
El nuevo módulo automatiza la extracción de parámetros en modelos compactos y refuerza flujos DTCO para nodo avanzado, RF y semiconductores de potencia.
www.keysight.com
El Machine Learning Toolkit acelera el desarrollo de modelos de semanas a horas.
A medida que los dispositivos avanzan hacia arquitecturas gate-all-around, materiales wide-bandgap y estrategias de integración con chiplets, el modelado compacto y la extracción de parámetros se están convirtiendo en un cuello de botella para el design enablement. Keysight Technologies ha introducido un Machine Learning Toolkit dentro de la Keysight Device Modeling Software Suite para acelerar el modelado de dispositivos y el desarrollo de Process Design Kits (PDK).
Por qué el modelado frena los nodos avanzados
Arquitecturas como los transistores gate-all-around (GAA), las estrategias de integración heterogénea con chiplets y apilado 3D, y la adopción de GaN y SiC incrementan el número de condiciones operativas y de efectos secundarios que deben capturar los modelos. En muchos flujos, los equipos siguen utilizando modelos físicos compactos y ajustes manuales, con cientos de parámetros interrelacionados que deben calibrarse iterativamente en distintas condiciones de polarización, temperatura y señal.
Este proceso manual puede durar semanas, especialmente cuando el ajuste óptimo depende de iteraciones repetidas y de experiencia especializada en lugar de un mecanismo de optimización reproducible. Con calendarios cada vez más ajustados, aumenta la necesidad de soluciones más automatizadas y predictivas para la extracción de parámetros, especialmente en programas DTCO.
Extracción basada en ML dentro de Device Modeling MBP 2026
El Machine Learning Toolkit se entrega como parte de la última versión de la Device Modeling Software Suite y está implementado en Device Modeling MBP 2026. El toolkit incluye un optimizador ML, flujos de extracción automatizados y utilidades que buscan sustituir ciclos manuales intensivos por optimización basada en ML apoyada en arquitecturas de redes neuronales.
Keysight indica que este enfoque puede reducir el tiempo total de desarrollo y extracción de semanas a horas, acelerando el despliegue de PDK y el desarrollo de aplicaciones DTCO.
De más de 200 pasos manuales a automatización
El objetivo técnico central es reducir el número de etapas necesarias para la extracción. En flujos tradicionales, los ingenieros pueden ejecutar más de 200 pasos de extracción, ajustando parámetros repetidamente cuando el comportamiento cambia entre condiciones. El flujo automatizado del toolkit pretende reducir ese número a menos de diez pasos y, en una configuración descrita, a unas cinco o seis etapas automatizadas.
Dentro de este proceso, el toolkit admite optimización global de más de 80 parámetros en una sola pasada. La extracción está pensada para capturar efectos secundarios, variaciones de temperatura y comportamientos dinámicos, reduciendo la necesidad de ajustes manuales repetidos. Los modelos resultantes se orientan a aplicaciones DC, RF y strong-signal.
Integración con pipelines de automatización EDA
El toolkit está diseñado para integrarse con la Device Modeling Platform de Keysight y admite personalizaciones en Python. Esto es relevante en entornos donde los equipos necesitan estandarizar y versionar flujos por nodo y familia de dispositivo, y donde la generación de modelos debe conectarse con datasets de validación y pipelines de publicación de PDK.
En este contexto, el módulo se posiciona como habilitador de un pipeline “model-to-PDK” más automatizado, con recetas reutilizables y adaptables en lugar de reconstrucción completa en cada nueva generación de proceso.
Cobertura tecnológica: FinFET, GAA, GaN, SiC y bipolares
Keysight posiciona el Machine Learning Toolkit como adaptable a múltiples tecnologías, incluyendo FinFET y GAA, además de dispositivos wide-bandgap GaN y SiC y dispositivos bipolares. El objetivo es permitir procesos reproducibles y reutilizables para múltiples nodos de proceso y familias de dispositivos.
Para equipos con carteras mixtas que abarcan lógica avanzada, RF front-end y potencia, esta portabilidad de flujos influye directamente en la velocidad del design enablement y en la rapidez con la que los modelos validados llegan a los entornos de diseño de circuitos.
DTCO: ciclos PDK más cortos
Keysight vincula el toolkit a la eficiencia DTCO mediante la reducción del bucle de retroalimentación entre modelado de componentes y diseño de circuitos. La propuesta es reducir ciclos de desarrollo de PDK de semanas a días acelerando la extracción, mejorando la predictividad del modelo y automatizando etapas que normalmente dependen de intervención experta repetida.
En la práctica, esto permite iteraciones más rápidas entre el nivel de componente y el nivel de circuito, especialmente en programas de nodo avanzado donde la madurez del PDK está ligada a calendarios de tape-out y donde la precisión debe mantenerse estable en rangos operativos más amplios.
www.keysight.com
A medida que los dispositivos avanzan hacia arquitecturas gate-all-around, materiales wide-bandgap y estrategias de integración con chiplets, el modelado compacto y la extracción de parámetros se están convirtiendo en un cuello de botella para el design enablement. Keysight Technologies ha introducido un Machine Learning Toolkit dentro de la Keysight Device Modeling Software Suite para acelerar el modelado de dispositivos y el desarrollo de Process Design Kits (PDK).
Por qué el modelado frena los nodos avanzados
Arquitecturas como los transistores gate-all-around (GAA), las estrategias de integración heterogénea con chiplets y apilado 3D, y la adopción de GaN y SiC incrementan el número de condiciones operativas y de efectos secundarios que deben capturar los modelos. En muchos flujos, los equipos siguen utilizando modelos físicos compactos y ajustes manuales, con cientos de parámetros interrelacionados que deben calibrarse iterativamente en distintas condiciones de polarización, temperatura y señal.
Este proceso manual puede durar semanas, especialmente cuando el ajuste óptimo depende de iteraciones repetidas y de experiencia especializada en lugar de un mecanismo de optimización reproducible. Con calendarios cada vez más ajustados, aumenta la necesidad de soluciones más automatizadas y predictivas para la extracción de parámetros, especialmente en programas DTCO.
Extracción basada en ML dentro de Device Modeling MBP 2026
El Machine Learning Toolkit se entrega como parte de la última versión de la Device Modeling Software Suite y está implementado en Device Modeling MBP 2026. El toolkit incluye un optimizador ML, flujos de extracción automatizados y utilidades que buscan sustituir ciclos manuales intensivos por optimización basada en ML apoyada en arquitecturas de redes neuronales.
Keysight indica que este enfoque puede reducir el tiempo total de desarrollo y extracción de semanas a horas, acelerando el despliegue de PDK y el desarrollo de aplicaciones DTCO.
De más de 200 pasos manuales a automatización
El objetivo técnico central es reducir el número de etapas necesarias para la extracción. En flujos tradicionales, los ingenieros pueden ejecutar más de 200 pasos de extracción, ajustando parámetros repetidamente cuando el comportamiento cambia entre condiciones. El flujo automatizado del toolkit pretende reducir ese número a menos de diez pasos y, en una configuración descrita, a unas cinco o seis etapas automatizadas.
Dentro de este proceso, el toolkit admite optimización global de más de 80 parámetros en una sola pasada. La extracción está pensada para capturar efectos secundarios, variaciones de temperatura y comportamientos dinámicos, reduciendo la necesidad de ajustes manuales repetidos. Los modelos resultantes se orientan a aplicaciones DC, RF y strong-signal.
Integración con pipelines de automatización EDA
El toolkit está diseñado para integrarse con la Device Modeling Platform de Keysight y admite personalizaciones en Python. Esto es relevante en entornos donde los equipos necesitan estandarizar y versionar flujos por nodo y familia de dispositivo, y donde la generación de modelos debe conectarse con datasets de validación y pipelines de publicación de PDK.
En este contexto, el módulo se posiciona como habilitador de un pipeline “model-to-PDK” más automatizado, con recetas reutilizables y adaptables en lugar de reconstrucción completa en cada nueva generación de proceso.
Cobertura tecnológica: FinFET, GAA, GaN, SiC y bipolares
Keysight posiciona el Machine Learning Toolkit como adaptable a múltiples tecnologías, incluyendo FinFET y GAA, además de dispositivos wide-bandgap GaN y SiC y dispositivos bipolares. El objetivo es permitir procesos reproducibles y reutilizables para múltiples nodos de proceso y familias de dispositivos.
Para equipos con carteras mixtas que abarcan lógica avanzada, RF front-end y potencia, esta portabilidad de flujos influye directamente en la velocidad del design enablement y en la rapidez con la que los modelos validados llegan a los entornos de diseño de circuitos.
DTCO: ciclos PDK más cortos
Keysight vincula el toolkit a la eficiencia DTCO mediante la reducción del bucle de retroalimentación entre modelado de componentes y diseño de circuitos. La propuesta es reducir ciclos de desarrollo de PDK de semanas a días acelerando la extracción, mejorando la predictividad del modelo y automatizando etapas que normalmente dependen de intervención experta repetida.
En la práctica, esto permite iteraciones más rápidas entre el nivel de componente y el nivel de circuito, especialmente en programas de nodo avanzado donde la madurez del PDK está ligada a calendarios de tape-out y donde la precisión debe mantenerse estable en rangos operativos más amplios.
www.keysight.com
