一个“旋转Pop”的图书馆特征

在这个保持社交距离的新时代，我的刷剧已经达到了顶峰。当然，我想念的是我在电影院吃到的酥脆的黄油爆米花。我在家里用微波炉做爆米花。所以，最近我一直在尝试各种爆玉米粒的方法，终于找到了一种产品——“旋转爆玉米粒”，它完全符合我的要求，不仅味道鲜美，还能让我把爆玉米粒的时间缩短一半。

享受完全爆开的爆米花让我想到库的特性:尽管在严重程度上存在明显的差异，但在概念层面上，在我的爆米花碗中发现未爆开的玉米粒就像在我的定时。lib中发现问题一样。当我发现一个时，我非常不高兴，这让我想知道这批结果中还隐藏着多少其他缺陷。

数字设计和签收流程完全依赖于在设计规范中对所有工艺、电压和温度(PVT)角具有正确和准确的.lib。随着每个新的进程节点需要更多的pvt，一整套定时.lib的大小已经增长到千兆字节的数据。如果我们更深入地研究库特征化过程，我们可以发现许多原因，为什么特征化结果可能包含错误或不准确，比如有不正确的SPICE模拟设置，或特征化环境设置。换句话说，这是一大碗爆米花，如果没有合适的工具，我们不知道有多少未爆的玉米粒藏在里面，等着让我们的生活变得困难。

在库描述的情况下，.lib中不正确或不准确的数据的后果是相当严重的-过度设计和磁带延迟是不太严重的结果，而更糟糕的结果包括非功能性硅和重新旋转。

这就是Solido分析出现的原因。Analytics是一个定时的.lib注销验证工具，除了基于规则的检查外，它还使用机器学习自动识别库中的所有问题和异常值。这有助于图书馆团队确保.lib的正确性和准确性，并帮助数字团队在定时闭包迭代上节省宝贵的工程时间。

之一Solido分析优点是机器学习引擎能够自动识别.lib数据中的任何异常值。这允许工具生成它自己的一组“预期”结果，这些结果可以与实际的.lib数据进行比较，并标记它发现的任何差异，完全独立于静态规则。结果:分析将可靠地识别出一系列以前传统.lib检查器无法检测到的全新问题，并且比传统.lib检查工具的运行时间更短。

如果你感兴趣，你可以在我们的按需网络研讨会

使用机器学习验证和生成定时库(.libs)以100倍的速度用于数字IC设计和签名

顺便说一下，你可以带着满满一桶whirley-pop了爆米花