Machine Learning Toolkit von Keysight beschleunigt die Bauelement-Modellierung und PDK-Entwicklung

Durch künstliche Intelligenz/Machine Learning gesteuerte Modellierung verkürzt die Markteinführungszeit für eine schnellere Entwicklung von DTCO-Anwendungen und beschleunigt die Modellparameter-Extraktion für fortschrittliche Knoten, RF- und Leistungsanwendungen.

Böblingen, 16. Januar 2026 –  Keysight Technologies hat das neue Machine Learning Toolkit in der aktuellen Keysight Device Modeling Software Suite vorgestellt. Diese neue Lösung reduziert die Entwicklungs- und Extraktionszeit von Modellen von Wochen auf Stunden und ermöglicht so eine schnellere Bereitstellung von Process Design Kits (PDK) und Design Technology Co-Optimization (DTCO)-Anwendungen. Die Halbleiterindustrie befindet sich in einem rasanten Wandel, der durch fortschrittliche Architekturen wie Gate-All-Around-Transistoren (GAA), Materialien mit großer Bandlücke wie GaN und SiC sowie heterogene Integrationsstrategien wie Chiplets und 3D-Stapelung vorangetrieben wird. Diese Innovationen steigern zwar die Leistung, bringen jedoch auch komplexe Herausforderungen bei der Modellierung und Parameterextraktion mit sich. Herkömmliche Arbeitsabläufe basieren auf physikalischen kompakten Modellen und manueller Parameterextraktion, wodurch Entwickler gezwungen sind, Hunderte von miteinander verbundenen Parametern über mehrere Betriebsbedingungen hinweg anzupassen – ein Prozess, der Wochen dauern kann und oft nur mit Mühe zu optimalen Ergebnissen führt. Angesichts immer knapperer Zeitpläne sind schnellere, vorausschauendere und automatisierte Modellierungslösungen auf Basis künstlicher Intelligenz/Machine Learning (KI/ML) mittlerweile unverzichtbar. Das neue Machine Learning Toolkit von Keysight mit einem ML-Optimierer, automatischen Extraktionsabläufen und Dienstprogrammen innerhalb von Device Modeling MBP 2026 begegnet diesen Herausforderungen durch die Einführung eines Frameworks, das fortschrittliche neuronale Netzwerkarchitekturen mit ML-basierter Optimierung kombiniert. Mit diesem Toolkit kann die automatische Extraktion die Schritte zur Parameterextraktion von über 200 auf weniger als 10 reduzieren, wodurch die PDK-Bereitstellung beschleunigt, DTCO automatisiert und die Markteinführungszeit verkürzt wird. Wesentliche Merkmale und Vorteile: Beschleunigte Parameterextraktion: Reduziert die Anzahl manueller Schritte von Hunderten auf 5 bis 6 automatisierte Schritte und ermöglicht so die globale Optimierung von über 80 Parametern in einem einzigen Durchlauf, wobei Sekundäreffekte, Temperaturschwankungen und dynamische Verhaltensweisen erfasst werden. Diese Lösung macht wiederholte manuelle Abstimmungen überflüssig und verbessert die Vorhersagegenauigkeit in den Bereichen Gleichstrom, Hochfrequenz und starke Signale. Automatisierter Workflow: Lässt sich nahtlos in die Device Modeling Platform von Keysight integrieren und unterstützt Python-basierte Anpassungen und einen robusten automatisierten Modellierungsablauf. Technologieübergreifend skalierbar: Workflows lassen sich leicht an FinFET-, GAA-, GaN-, SiC- und bipolare Bauelemente anpassen und gewährleisten reproduzierbare und wiederverwendbare Abläufe für mehrere Prozessknoten. Verbesserte DTCO-Effizienz: Ermöglicht schnellere Feedback-Schleifen zwischen Bauelement- und Schaltungsdesign und reduziert die PDK-Entwicklungszyklen von Wochen auf Tage. Nilesh Kamdar, General Manager von Keysight EDA, sagte: „KI/ML verändert die traditionellen Arbeitsabläufe und Methoden der Kompaktmodellierung grundlegend. Mit dem neuen Machine Learning Toolkit ermöglichen wir unseren Kunden, in deutlich kürzerer Zeit vorausschauendere Modelle von höherer Qualität zu liefern – wodurch die PDK-Entwicklung beschleunigt wird und sie mit den sich schnell entwickelnden Halbleitertechnologien Schritt halten können.“ Durch den Einsatz von KI-/ML-gestützten Modellen ermöglicht Keysight Halbleiterunternehmen, Innovationen zu beschleunigen, Entwicklungsrisiken zu reduzieren und sich in einem sich schnell entwickelnden Markt einen Wettbewerbsvorteil zu sichern. Weitere Informationen unter Keysight Device Modeling Solutions. Weitere Verbesserungen bei anderen Bauelement-Modellierungslösungen von Keysight: Device Modeling MQA 2026: Einführung neuer Regeln in Bezug auf das Aging Model QA für OMI und MOSRA. Device Modeling WaferPro 2025: Einführung einer neuen Fernsteuerungsfunktion für Remote-Tests von Niederfrequenzrauschen mit A-LFNA für mehr Flexibilität und Effizienz. A-LFNA 2026: Einführung einer neuen Funktion für den Stresstest von Niederfrequenzrauschen für nahtlose Messungen vom Stresstest bis zum Rauschtest. Weitere Informationen Video: „Simplifying and Automating Compact Model Process with Machine-Learning“ White Paper: „Accelerating Semiconductor Innovation through Machine Learning Driven Modeling“ Application Note: „Accelerating Compact Model Parameter Extraction with the Machine Learning Optimizer“ Blog: „From Equations to Intelligence: Integrating a Machine Learning Optimizer into Compact Model Extraction“

Über Keysight Technologies Bei Keysight inspirieren und befähigen wir Innovatoren, weltverändernde Technologien in die Tat umzusetzen. Als S&P 500-Unternehmen liefern wir marktführende Design-, Emulations- und Testlösungen, die Entwicklern helfen, schneller und mit weniger Risiko zu entwickeln und einzusetzen, und zwar über den gesamten Produktlebenszyklus hinweg. Wir sind ein globaler Innovationspartner, der es Kunden in den Bereichen Kommunikation, Industrieautomation, Luft- und Raumfahrt sowie Verteidigung, Automotive, Halbleiter und allgemeine Elektronik ermöglicht, Innovationen zu beschleunigen, um die Welt zu vernetzen und sicherer zu machen. Erfahren Sie mehr unter www.keysight.com.