论文部分内容阅读
随着纳米工艺的不断推进，由随机工艺参数偏差引起的电路稳定性问题日益突出．静态存储器由大规模高度重复性电路单元结构组成，要保证整个芯片工作正常，要求单个单元电路失效的概率极低，相关的失效事件属于极端概率事件．传统的蒙特卡洛采样在产生足够的有效采样点和精确捕捉实际失效区域分布方面存在诸多缺陷．本文采用的自适应增强（Ada Boost）方法是一种新的统计学习技术，通过样本学习构建一个强分类器，可以过滤掉大量无效的采样点，使采样点更集中的分布在失效区域中．另外，本文引入交叉熵方法改进传统的重要性采样算法，达到更快