【Monte Carlo】一种器件参数变化分析

一、应用

参考：蒙特卡洛仿真（Monte Carlo）

Monte Carlo分析是一种器件参数变化分析，使用随机抽样估计来估算数学函数的计算的方法。它需要一个良好的随机数源。这种方法往往包含一些误差，但是随着随机抽取样本数量的增加，结果也会越来越精确。

Monte Carlo 分析和工艺角分析的区别如图1：

矩形框中表示四个不同工艺角的覆盖范围，曲线表示用Monte Carlo分析得到的实际电路工艺偏差（一般满足高斯分布）。从图中可以看出，满足工艺角变化的范围不一定能完全满足覆盖实际工艺变化范围，因此要用Monte Carlo分析得到工艺角变化的概率，以得到电路的良率。
mosfet的工艺角:tt, ff, ss, snfp, FNSP是全局变化的工艺角。
mom_mc为全局变化的蒙特卡罗模拟。

• corners for ldmos: ldmos_tt, ldmos_ff, ldmos_ss, ldmos_snfp, ldmos_fnsp are corners for global variation.
• ldmos_mc is for monte carlo simulation of global variation.

我们要进行蒙特卡洛分析首先要明确工艺库是否支持，如果这个工艺库不支持蒙特卡洛仿真，那就要自己写相关的失配模型，而且就算工艺库支持蒙特卡洛仿真，我们也不能完全相信，尽量去仿真验证。这个模型很复杂，尽量找一个现有的模板来写，另外MOS管的 $△V_{th}$是失配的主要来源，而且有些工艺库对阈值电压的估计过于乐观，我们可以使用拉扎维的 $△V_{th}=0.1t_{ox}/\sqrt{WL}$（$t_{ox}$是栅氧厚度，单位是埃，1埃=0.1nm）的阈值电压模型来估计失配，并且用来验证工艺库中失配文件正确性。

下图是对某工艺的蒙特卡洛仿真HSPICE文件，分别对1.8V器件和5V器件在不同的W和L下进行200次蒙特卡洛仿真。

二、发展历史

参考：蒙特卡罗(Monte Carlo)方法简介

蒙特卡罗(Monte Carlo)方法，也称为计算机随机模拟方法，是一种基于"随机数"的计算方法。

这一方法源于美国在第二次世界大战进研制原子弹的"曼哈顿计划"。Monte Carlo方法创始人主要是这四位：Stanislaw Marcin Ulam, Enrico Fermi, John von Neumann（学计算机的肯定都认识这个牛人吧）和 Nicholas Metropolis。

Stanislaw Marcin Ulam是波兰裔美籍数学家，早年是研究拓扑的，后因参与曼哈顿工程，兴趣遂转向应用数学，他首先提出用Monte Carlo方法解决计算数学中的一些问题，然后又将其应用到解决链式反应的理论中去，可以说是MC方法的奠基人；Enrico Fermi是个物理大牛，理论和实验同时都是大牛，这在物理界很少见，在“物理大牛的八卦”那篇文章里提到这个人很多次，对于这么牛的人只能是英年早逝了（别说我嘴损啊，上帝都嫉妒！）；John von Neumann可以说是计算机界的牛顿吧，太牛了，结果和Fermi一样，被上帝嫉妒了；Nicholas Metropolis，希腊裔美籍数学家，物理学家，计算机科学家，这个人对Monte Carlo方法做的贡献相当大，正式由于他提出的一种什么算法（名字忘了），才使得Monte Carlo方法能够得到如此广泛的应用，这人现在还活着，与前几位牛人不同，Metropolis很专一，他一生主要的贡献就是Monte Carlo方法。

蒙特卡罗方法的名字来源于摩纳哥的一个城市蒙地卡罗，该城市以赌博业闻名，而蒙特·罗方法正是以概率为基础的方法。与它对应的是确定性算法。

Monte Carlo方法的基本思想很早以前就被人们所发现和利用。早在17世纪，人们就知道用事件发生的"频率"来决定事件的"概率"。19世纪人们用投针试验的方法来决定圆周率π。本世纪40年代电子计算机的出现，特别是近年来高速电子计算机的出现，使得用数学方法在计算机上大量、快速地模拟这样的试验成为可能。

为了说明Monte Carlo方法的基本思想，让我们先来看一个简单的例子，从此例中你可以感受如何用Monte Carlo方法考虑问题。
注意到函数在(1,1)点的取值为1，所以整个红色区域在一个面积为1的正方形里面。所以所求区域的面积即为 在正方形区域内任取点，点落在所求区域的概率。这个限制条件是y<x^2。用matlab模拟，做一百万次(即共取1000000个点)，结果为0.3328。

1）总结Monte Carlo方法的基本思想：所求解问题是某随机事件A出现的概率（或者是某随机变量B的期望值）。通过某种“实验”的方法，得出A事件出现的频率，以此估计出A事件出现的概率（或者得到随机变量B的某些数字特征，得出B的期望值）。

在解决实际问题的时候应用蒙特卡罗方法主要有两部分工作：
　　用蒙特卡罗方法模拟某一过程时，需要产生各种概率分布的随机变量。
　　用统计方法把模型的数字特征估计出来，从而得到实际问题的数值解。

**3）蒙特卡罗解题三个主要步骤**：

（1）构造或描述概率过程： 对于本身就具有随机性质的问题，如粒子输运问题，主要是正确描述和模拟这个概率过程，对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。
　　 （2）实现从已知概率分布抽样： 构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，因此产生已知概率分布的随机变量（或随机向量），就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。最简单、最基本、最重要的一个概率分布是(0,1)上的均匀分布（或称矩形分布）。随机数就是具有这种均匀分布的随机变量。随机数序列就是具有这种分布的总体的一个简单子样，也就是一个具有这种分布的相互独立的随机变数序列。产生随机数的问题，就是从这个分布的抽样问题。在计算机上，可以用物理方法产生随机数，但价格昂贵，不能重复，使用不便。另一种方法是用数学递推公式产生。这样产生的序列，与真正的随机数序列不同，所以称为伪随机数，或伪随机数序列。不过，经过多种统计检验表明，它与真正的随机数，或随机数序列具有相近的性质，因此可把它作为真正的随机数来使用。由已知分布随机抽样有各种方法，与从(0,1)上均匀分布抽样不同，这些方法都是借助于随机序列来实现的，也就是说，都是以产生随机数为前提的。由此可见，随机数是我们实现蒙特卡罗模拟的基本工具。 建立各种估计量： 一般说来，构造了概率模型并能从中抽样后，即实现模拟实验后，我们就要确定一个随机变量，作为所要求的问题的解，我们称它为无偏估计。
　　 （3）建立各种估计量，相当于对模拟实验的结果进行考察和登记，从中得到问题的解。 例如：检验产品的正品率问题，我们可以用1表示正品，0表示次品，于是对每个产品检验可以定义如下的随机变数Ti，作为正品率的估计量： 于是，在N次实验后，正品个数为： 显然，正品率p为： 不难看出，Ti为无偏估计。当然，还可以引入其它类型的估计，如最大似然估计，渐进有偏估计等。但是，在蒙特卡罗计算中，使用最多的是无偏估计。 用比较抽象的概率语言描述蒙特卡罗方法解题的手续如下：构造一个概率空间(W ,A,P)，其中，W 是一个事件集合，A是集合W 的子集的s 体，P是在A上建立的某个概率测度；在这个概率空间中，选取一个随机变量q (w ),w Î W ,使得这个随机变量的期望值 正好是所要求的解Q ，然后用q (w )的简单子样的算术平均值作为Q 的近似值。