西门子近日宣布与长期合作伙伴台积电开展新的认证与合作,使得西门子 EDA 产品线能够成功通过台积电最新工艺技术的认证。
台积电设计基础设施管理部门主管 Dan Kochpatcharin 表示,“台积电与西门子等设计生态系统合作伙伴的合作有助于让我们的客户站在技术创新的前沿。这种紧密的合作关系为客户提供了成熟的设计解决方案,使客户能够更充分地利用台积电先进工艺技术的显著性能和能效优势。”
西门子业界领先的用于集成电路 (IC) 验证签署工具 Calibre® nmPlatform 已完全获得TSMC最先进的N2工艺认证,包括 Calibre® nmDRC 软件、Calibre® YieldEnhancer™ 软件、Calibre® PERC™ 软件和 Calibre® nmLVS 软件,所有这些软件现在都已可用,可供最早采用台积电这一先进新工艺技术的客户使用。
台积电和西门子还合作认证了西门子的 mPower™ 模拟软件,该软件适用于使用台积电 N4P 工艺的晶体管级电迁移和 IR 下降 (EM/IR) 验证。这一成果使双方的客户都能将 mPower 独特的 EM/IR 验证解决方案应用到其下一代模拟或射频 (RF) 设计中。
西门子的Solido设计环境和Analog FastSPICE与台积电的N4P、N3E和N2定制设计参考流程(CDRF)现在可以与西门子的Solido™设计环境软件配合使用,在高Sigma条件下进行先进变异感知验证。此外,西门子的Analog FastSPICE平台已成功获得台积电先进的N5A、N3E、N3P和N2工艺的认证,用于纳米模拟、射频、混合信号、存储器和定制数字电路的电路验证。作为台积电 N4P、N3E 和 N2 工艺 CDRF 流程的一部分,西门子的模拟 FastSPICE 平台现在支持台积电的可靠性感知仿真技术,该技术可解决集成电路老化和实时自热效应等高级可靠性问题。
西门子宣布,旗下的 Aprisa 布局及布线解决方案通过了台积电的 N3E 工艺认证,这是其在数字实现领域投资的又一里程碑。N3E 认证与 Aprisa 业界领先的易用性相结合,可帮助客户加速向该节点的迁移。
西门子 IC-EDA 执行副总裁 Joe Sawicki 表示,“台积电的创新速度令人瞩目,我们很荣幸能与这个合作伙伴合作,为我们的众多共同客户谋福利。我们针对台积电的最新工艺优化的自己 EDA 解决方案,有助于我们为共同客户提供创新的解决方案,满足他们极具挑战性的且快速发展的市场和业务需求。”
西门子还宣布与台积电在认证西门子的几个用于台积电先进的 3DFabric™ 技术的3DIC解决方案方面取得了实质性进展。台积电已通过 3Dblox 2.0 与西门子 Calibre® 3DSTACK 软件的物理分析和电路验证认证。该认证包括对台积电 3DFabric 技术要求的互芯片 DRC 和 LVS 检查的支持。
此外,台积电最近还认证了一系列 Tessent™ 3DIC 解决方案,包括 Tessent 分层 DFT、带有增强型 TAP(测试访问端口-符合 IEEE 1838 标准)的 Tessent Multi-die 以及使用流扫描网络 (SSN) 和 IEEE 1687 IJTAG 网络技术的本地灵活并行端口 (FPP) 支持。双方都致力于在台积电3Dblox下投资建立 3DIC 测试生态系统,其中包括已知良好芯片(KGD)回环测试和利用BMAP和PMAP标准进行物理感知芯片对芯片故障检测和诊断。
西门子利用西门子 Xcelerator 业务平台的软件、硬件和服务帮助各种规模的企业实现数字化转型。西门子的软件和全面的数字孪生使企业能够优化设计、工程和制造流程,可将今天的创意转化为未来的可持续产品。西门子数字工业软件正在加速横跨所有行业的转型,涵括了从芯片到整个系统、从产品到流程等方面。
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。