現代的電子裝置變得更輕、更薄，外型更繽紛多彩，而催生此一華麗變身，少不了效能強大的系統單晶片（SoC）所組成的核心處理器。SoC扮演著驅動精緻產品設計的關鍵要角，拜5奈米等半導體先進製程技術之賜，新的SoC設計除了考量面積大小、效能及兼顧節能省電的重要指標之外，還要積極因應先進製程所導致的上市時間延宕的風險。

因應上述的設計挑戰，讓IC設計業者面對品質與可靠性的嚴苛要求，變得更加艱鉅，而能夠克服此困境，等同於獲得數十億美元的潛在收益，同時省下巨額的成本支出。

IC設計業界使出渾身解數努力探索－設計一顆SoC所歷經從晶片開發到終端應用部署的每一個重要階段。傳統上，聚焦於晶片下線（Tape Out）階段來解決所有潛在問題的思維，顯得太過樂觀與緩不濟急，於是透過連結與整合每一個階段大量關鍵資料，鉅細靡遺分析管理晶片與系統生命週期的每個細部環節，以確保能獲得最佳結果的解決方案於焉誕生。

雲端資訊平台整合共享 強化半導體供應鏈競爭力

新思科技（Synopsys）近期推出矽生命週期管理平台（Silicon Lifecycle Management；SLM），新思科技數位設計事業群、資料分析部門的研發與營運總監Paul Simon博士表示，Synopsys的策略是將晶片設計、驗證測試、製造與部署的每一個階段所產生的大量數據加以連結，並彙整到一個雲端系統資料庫內，其能夠蒐集、分析這些資料，用以改善包括晶片運算效能、速度、量產良率、品質管控以及上市時間等等重要核心目標（KPI）與訴求，善用這些重要的訊息可以具體改善整體晶片產品的價值。

圖一 : 透過完整的晶片生命週期（SLM）中的數據分析跟深度學習，優化從設計到製造再到實際運用的關鍵KPI。（source：Synopsys）

Synopsys積極投資SLM策略所需要的主要技術，並且完成包括Moortec（PVT Sensor）與Qualtera（Silicon Dash, Post Silicon Big Data Analytic Platform）等重要的企業購併計畫，再加上整合內部既有的矽智財IP與EDA設計自動化軟體等技術，建構一個整合的平台，並提供獨特的巨量資料分析引擎，提供高速資料的視覺化、分析和模型化功能，讓晶片設計與產品工程團隊能夠更有效率且迅速解決重要的核心議題，掌握關鍵的產品上市的契機。

雖然半導體供應鏈在處理個別晶片的生命週期有非常不同的目標，對Synopsys SLM產品而言，這是一個能夠同時滿足從IC設計廠、晶圓廠、委外封測廠（OSAT）與晶片封測（Assembly）廠等各種不同需求的解決方案。

當中在IC設計端，使用PVT（Process, Voltage, and Temperature）感測器來蒐集晶片規格資料，做為晶片出廠後分析（Post Silicon Analytics）的重要參考來源，同時還能整合進入資料分析的平台，用來與先期晶片模擬所獲得的數據（Pre Silicon data）相比較，然後回饋給晶片設計團隊，以達到設計最佳化（Design optimization）或除錯修正設計模型（Model Calibration），來符合既定的效能與功耗等重要規格參數的目標。

資訊分析引擎以機器學習為基礎，SLM發揮高功效

SLM兩大基本原則：

1.在每個晶片的整個生命週期內，盡可能收集與該晶片相關的有用資料。

2.在整個生命週期當中，針對這些不斷演變的資料進行分析，藉此獲得可執行的見解，以改善晶片與系統相關的運作。

對於正在進入5奈米甚至下一階段的3奈米製程的晶片設計工程團隊而言，這個使用範例能夠提供相當的效益提升，因為先進製程的設計挑戰艱鉅，SLM對於重要晶片數據的透視性（Visibility）高，用以掌握晶片開發過程與上市時間非常重要，同時這個分析模組可以計算與追蹤數量龐大的問題，對於接續在晶片大量投片量產時，能夠同步追蹤問題解決的進度與步驟。

晶片製造流程是非常複雜的程序，由於不同製程節點、地域的晶圓廠間的合作過程，要有效地串接大規模的資料是一項嚴苛的技術挑戰。Simon博士指出，這當中牽涉多種資料格式、組態與設備機台介面整合，以及使用邊緣運算資料分析系統，來蒐集自動測試機台的資料，這個原本由Qualtera所發展的資料整合平台，既能有效的排除資料不相容的障礙，還能同時利用機器學習等人工智慧的技術，讓資料可以快速對接，以轉化成有效的分析決策與行動。

當一家國際級的IC設計大廠，要管理數十家甚至上百家多個供應鏈廠商的協作合作，以維運多達數億顆晶片產品高品質的製造與服務時，採用SLM能夠發揮淋瀝盡致的功效。

助力台灣產業 掌握車用半導體與電動車市場契機

圖二 : 晶片在測試與製造端所得到的巨量資料分析，可以進一步掌握進入終端電子產品應用的良莠。（source：Synopsys）

晶片在測試與製造端所得到的巨量資料分析，可以進一步掌握進入終端電子產品應用的良莠，無論該晶片是用在智慧型手機裝置、汽車電子系統，或是雲端機房的伺服器系統內，SLM可以透過掌握晶片的關鍵參數，以及資料分析模組，從而作晶片的故障維修預測分析，這個稱為Predictive Maintenance Analytics的技術，對於積極想進入車用半導體與電動車市場的台灣產業界而言，非常具有說服力。

畢竟汽車市場上對於晶片的品質、安全性與穩定性都著重於每個環節的資料追溯與掌握，透過SLM系統強化這個能力，有助於台灣產業進入車用半導體的市場。

台灣是全球半導體製造的重鎮，完整的供應鏈與生態系統是SLM平台的最佳實用的場域，透過SLM平台會更強化台灣產業以創新為主的競爭態勢，藉由有效的資料共享的平台，迅速建立合作模式，掌握產品快速上市的成功契機。