OpenYield

OpenYield是一个开放源代码的生态系统，旨在解决静态随机存取存储器（SRAM）良率分析和优化的挑战。该数据集由南洋理工大学、北京航空航天大学和谢菲尔德大学的研究人员创建，提供了一个现实主义的SRAM电路生成器、一个标准化的评估平台和优化平台。OpenYield的数据集大小、数据量、Tokens数等信息未在论文中提及。OpenYield is an open-source ecosystem designed to address the challenges in static random-access memory (SRAM) yield analysis and optimization. This dataset was created by researchers from Nanyang Technological University, Beihang University, and the University of Sheffield, and provides a realistic SRAM circuit generator, a standardized evaluation platform, and an optimization platform. Details such as the dataset size, data volume, and token count of OpenYield are not mentioned in the corresponding paper.

原始信息汇总

OpenYield 数据集概述

数据集简介

OpenYield 是一个开源的 SRAM 良率分析与优化基准测试套件，旨在生成多样化的、工业相关的测试案例。其特点在于考虑了简单 SRAM 模型中常被忽略的关键二阶效应。

关键特性

• Xyce 集成：利用 Xyce 并行电路模拟器进行晶体管级模拟。
• 蒙特卡洛模拟支持：
  • 内置 Xyce 蒙特卡洛模拟。
  • 支持用户自定义蒙特卡洛模拟。
• 性能指标分析：
  • 保持静态噪声容限（SNM）。
  • 读取静态噪声容限（SNM）。
  • 写入静态噪声容限（SNM）。
  • 读取延迟。
  • 写入延迟。
• 输出解析与波形绘制：包含提取模拟结果的解析器和可视化信号波形的工具。
• 可扩展设计：项目正在积极开发中，计划集成多种良率分析和尺寸优化算法。

依赖项

• FreePDK45：SRAM 电路生成器和 Xyce 模拟器所需。
• PySpice：SRAM 电路生成器所需。
• Xyce：用于快速模拟的 SPICE 模拟器。

使用示例

• Conda 环境创建：通过 environment.yml 文件创建 Conda 环境。
• 使用 Testbench 类：定义 PDK 相关参数，实例化 Sram6TCoreMcTestbench 类。
• 使用 run_mc_simulation 方法：执行蒙特卡洛模拟，支持 DC 分析和 TRAN 分析。
• 使用优化算法：
  • PSO（粒子群优化）。
  • SA（模拟退火）。
  • CBO（约束贝叶斯优化）。
  • RoSE-Opt（强化学习增强贝叶斯优化）。
  • SMAC（基于序列模型的算法配置）。
• 使用良率估计算法：
  • MC（蒙特卡洛）。
  • MNIS（均值偏移重要性采样）。
  • ACS（自适应压缩采样）。
  • AIS（自适应重要性采样）。
  • HSCS（高维稀疏压缩采样）。

重要注意事项

• 确保正确安装和配置 Xyce。
• 网表参数应指向描述 SRAM 单元的 SPICE 网表文件。
• 蒙特卡洛模拟输出的结构取决于具体分析内容。

未来开发

• 集成高级良率分析算法。
• 实现 SRAM 单元尺寸优化技术。

贡献指南

欢迎对 OpenYield 做出贡献，详情请参阅贡献指南。

搜集汇总

数据集介绍

构建方式

OpenYield数据集通过一个基于Python的可扩展SRAM生成器构建，该生成器能够配置任意大小的阵列，并高质量地模拟网络寄生效应、单元间泄漏以及外围电路变化等关键效应。这些效应在学术研究中常被忽略，但在工业设计中至关重要。验证显示，忽略寄生效应的模型会低估读取延迟和功耗达18.7倍和16.7倍；忽略外围电路的模型则低估4.8倍和5.4倍。此外，该数据集还包含标准化的产量分析平台和优化平台，为研究提供了可重复的基准测试环境。

特点

OpenYield数据集的特点在于其高度真实性和全面性。它不仅包含了SRAM核心单元的详细模型，还模拟了分布式寄生电阻电容、单元间泄漏耦合以及外围电路变化等复杂物理效应。这些特性使得数据集能够准确反映工业级SRAM设计的实际挑战。此外，数据集还提供了多种基线产量分析算法和优化算法的参考实现，支持公平比较和可重复研究。其模块化架构和开源特性进一步促进了学术界与工业界的合作与创新。

使用方法

使用OpenYield数据集时，用户需提供SRAM配置参数（如阵列尺寸、存储单元类型）、技术特性（如FreePDK45支持）、设计参数、工艺变化统计信息以及优化目标。数据集生成的SPICE网表（.sp格式）确保了广泛的仿真器兼容性。用户可以通过产量分析平台评估不同算法的性能，或通过优化平台进行晶体管尺寸优化。数据集的开源特性允许用户自定义和扩展功能，以适应特定的研究需求。

背景与挑战

背景概述

OpenYield是一个开源的静态随机存取存储器（SRAM）良率分析与优化基准测试套件，由南京理工大学、北京航空航天大学和谢菲尔德大学的研究团队于2025年联合发布。该数据集旨在解决半导体行业中学术模型与工业现实之间的严重脱节问题，填补了开放、现实的SRAM良率分析基准的空白。OpenYield通过提供包含关键二阶效应寄生参数、单元间泄漏耦合和外围电路变化的SRAM电路生成器，以及标准化的评估和优化平台，为学术界和工业界提供了可重复研究的工具，推动了内存设计领域的创新。

当前挑战

OpenYield面临的挑战主要包括两个方面：在领域问题方面，SRAM良率分析需要处理极低的故障率（低于10^-9），而直接观测此类罕见事件需要海量的蒙特卡洛模拟，计算成本极高；在构建过程中，数据集需要精确模拟真实的SRAM电路行为，包括分布式寄生效应、单元间泄漏耦合和外围电路变化等复杂物理效应，这些效应在学术研究中常被简化，但在工业设计中却至关重要。此外，确保生成的电路模型既能反映工业设计的复杂性，又能保持开源和可访问性，也是一个重要的挑战。

常用场景

经典使用场景

OpenYield数据集在SRAM（静态随机存取存储器）的良率分析和优化研究中扮演了关键角色。该数据集通过提供包含二阶效应寄生参数、单元间泄漏耦合以及外围电路变化的真实SRAM电路生成器，弥补了学术界简化模型与工业界复杂现实之间的鸿沟。研究人员可以利用OpenYield进行SRAM单元的稳定性分析、故障率预测以及晶体管尺寸优化，从而在模拟真实工业场景的条件下验证其算法的有效性。

解决学术问题

OpenYield数据集解决了SRAM良率分析领域的核心学术问题，包括简化模型与工业现实之间的脱节以及研究结果的可重复性危机。通过提供标准化的评估平台和基线良率分析算法，该数据集使得不同研究团队能够在相同的真实电路条件下进行公平比较，从而推动高效良率估算方法（如重要性采样和机器学习技术）的发展。此外，OpenYield还为SRAM设计优化提供了基准，帮助研究人员在考虑复杂物理效应的情况下实现噪声容限提升和面积缩减等多目标优化。

衍生相关工作

OpenYield的发布催生了一系列围绕SRAM良率分析与优化的经典研究。基于该数据集的工作包括改进的重要性采样算法（如自适应压缩采样ACS）、结合贝叶斯优化与强化学习的晶体管尺寸优化方法（如RoSE-Opt），以及针对分布式寄生效应的机器学习建模技术。这些衍生研究不仅验证了OpenYield作为基准平台的通用性，还进一步推动了半导体制造中罕见故障事件分析、高维参数空间探索等前沿方向的发展。