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
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。