GBT Technologies Inc. met en œuvre une technologie de comparaison de motifs basée sur l'apprentissage machine au sein de son outil Epsilon, outil de vérification et de correction de la fiabilité des microprocesseurs, Electronic Design Automation (EDA). Les règles de conception deviennent de plus en plus complexes avec chaque nouveau nœud de processus et les entreprises de conception sont confrontées à de nouveaux défis dans le domaine de la vérification physique. L'un des principaux domaines qui sont affectés par la physique des processus, est la vérification de la fiabilité (RV).

Les micro-puces sont des composants majeurs dans presque toutes les applications électroniques majeures. Les industries civiles, militaires et d'exploration spatiale exigent des opérations fiables pendant de nombreuses années, et dans des environnements sévères. Les systèmes de calcul haute performance exigent un traitement avancé avec une grande fiabilité pour garantir la cohérence et la précision des données traitées.

Des circuits intégrés complexes sont au cœur de ces systèmes et doivent fonctionner avec un haut niveau de fiabilité. En particulier dans les domaines de la médecine, de l'aviation, du transport, du stockage de données et de l'instrumentation industrielle, le facteur de fiabilité des micropuces est crucial. GBT met en œuvre de nouvelles techniques d'apprentissage automatique et de comparaison de motifs au sein de son système Epsilon dans le but d'aborder la physique des semi-conducteurs avancés, en garantissant un haut niveau de fiabilité, une consommation d'énergie optimale et des performances élevées.

Lorsqu'Epsilon analyse la disposition d'un circuit intégré (CI), il identifie les points faibles de fiabilité, qui sont des régions spécifiques de la disposition d'un CI, et apprend leurs modèles. Au fur et à mesure que l'outil poursuit l'analyse de la disposition, il enregistre les zones problématiques en tenant compte des orientations et des placements des motifs. En outre, il est conçu pour comprendre les petites variations de dimensions du motif, telles que spécifiées par le concepteur ou un outil de synthèse automatique.

Au fur et à mesure que les points faibles sont identifiés, l'outil prendra les mesures appropriées pour les modifier et les corriger. Un mécanisme d'apprentissage profond effectuera l'analyse des données, l'identification, la catégorisation et le raisonnement tout en exécutant une correction automatique. L'apprentissage automatique comprendra les modèles et les enregistrera dans une bibliothèque interne pour une utilisation ultérieure.

La technologie de correspondance des modèles d'Epsilon analysera les données de la puce en fonction d'un ensemble de règles prédéfinies et apprises par l'expérience. Ses capacités cognitives lui permettront de s'auto-adapter aux nœuds les plus récents avec de nouvelles contraintes et de nouveaux défis, dans le but de fournir une vérification et une correction rapides et fiables de la disposition d'un circuit intégré. Il n'y a aucune garantie que la société réussira à rechercher, développer ou mettre en œuvre ce système.

Afin de mettre en œuvre ce concept avec succès, la société devra lever des capitaux adéquats pour soutenir sa recherche et, si la recherche et le développement sont couronnés de succès, la société devra conclure une relation stratégique avec un tiers qui a de l'expérience dans la fabrication, la vente et la distribution de ce produit. Il n'y a aucune garantie que la société réussira à franchir l'une ou l'ensemble de ces étapes critiques.