第 3 章：SPICE 模型提取策略

来源：mystic_ug.pdf（W‑2024.09），Chapter 3 SPICE Model Extraction Strategy。

本章说明 Mystic 运行环境中的各个核心对象（数据库、SimData、Model、Simulator、Optimizer 等）如何协同构建一套完整的 SPICE 模型提取策略，并介绍参数空间探索、机器学习辅助加速等高级用法。

3.1 数据库

Mystic 通过 TCAD→SPICE 数据库整合目标数据，并在多阶段提取之间追踪模型参数。若在 Sentaurus Workbench (SWB) 中运行，数据库配置会随 -d 选项自动传入；若使用独立模式，则需手动配置连接（见 Sentaurus Workbench API Documentation）。

在提取环境里，mdb 对象用于存取数据库记录。典型流程包含最多五个提取阶段：每阶段拟合部分参数，并写回数据库以便下游阶段复用。图 4（原文）展示了 MOSFET 三阶段提取示例，上传数据阶段是 Mystic 提取的前置条件。

3.1.1 层级结构与初始模型

数据库分为三层：

Project：对应一次完整提取策略或 SWB 中的单个节点，主要保存初始模型卡。
Dataset：表示某个提取阶段，通常由 SWB 创建并通过 -ds 传给 Mystic。
Data Object：具体的目标/拟合数据条目。

在第一次策略运行前，可用 mdb.StoreInitialModel(Model) 将 -m 传入的模型卡存进项目，供后续阶段引用。每个 Dataset 也会链接到上一阶段，便于通过 mdb.GetFitModel() 取回上一阶段的拟合结果。

3.1.2 元数据结构

Data object 由两部分组成：

data 字段：字典形式，存储自变量与因变量数组。
metadata 字段：层级字典，记录仿真条件或标签（图 5）。

常用键包括：

字段	说明
`temperature`	仿真温度（开尔文，必填）。
`bias`	静态偏置字典，键须与端点同名（必填）。
`instances`	模型实例参数（必填，可为空字典）。
`nodes`	端点顺序，需与 `bias` 键匹配（必填）。
`ivar` / `dvar`	主从变量标签，上传时自动补齐。
其他键	任意键值对用于筛选（例如 `type: nMOS`）。

正确理解这些键，才能在上传/加载时提供完整上下文。

3.1.3 加载与存储接口

Mystic 通过 mdb.Load 与 mdb.GetFitData 操作 SimData 对象：

mdb.Load(...)：在首阶段加载上传项目中的原始目标数据。
mdb.GetFitData(...)：在后续阶段加载部分拟合结果。

两者都接受任意筛选条件，可针对项目名、数据字段或元数据。层级字段（如 bias、instances）使用双下划线分层，例如：

python

IdVgld = mdb.Load(
  temperature=300,
  bias__drain=0.05,
  instances__l=25e-9,
  ivar="vgate",
  dvar="idrain"
)

所有匹配条目都会返回，类型为 SimData。提取结束后，可用 mdb.StoreFitData 把拟合数据写回数据库。

3.2 目标数据（`SimData`）

Mystic 接受 PLT 类或 CSV 类目标数据（见第 2 章）；支持的提取类型包括 I‑V、C‑V、瞬态与射频散射参数。上传阶段会附带温度、实例参数等元数据，保证 Mystic 能在 PrimeSim HSPICE 中复现仿真条件。

mdb.Load / mdb.GetFitData 返回的 SimData 对象通常包含以下列：

自变量（ivar）
目标因变量（测量或 TCAD 结果）
拟合因变量（PrimeSim HSPICE 输出）
逐点误差

当 Mystic 根据 SimData 生成 PrimeSim HSPICE 网表时，会自动创建对应的偏置、激励与输出指令（图 6），确保误差计算一致。默认为相对误差，可通过 SimData.SetOptions(error_method=...) 全局或单独设置。点误差支持的算法如表 4：

选项	描述	公式（`f`=拟合，`t`=目标）
`rel`	（默认）相对误差	`(f - t) / t`
`abs`	绝对误差	`f - t`
`log_abs`	以 log10 结果计算绝对误差	`log10(f/t)`
`log_rel`	以 log10 结果计算相对误差	`log10(f/t)`
`square`	平方误差	`(f - t)^2`

3.2.1 多级数据结构（`combine`）

对同类型、不同偏置的数据，可通过 combine=True 合并，以减少每次评估的 PrimeSim HSPICE 仿真次数：

python

IdVg = mdb.Load(
  ivar="vgate", dvar="idrain",
  project=targetProjectName,
  combine=True,
  extra_index="vdrain"  # 可选：显式指定组合依据
)

不加 combine：返回一个 SimData，内部按偏置拆成多 Dataset。
设置 combine=True：把多曲线折叠成带二级索引的数据集，只需要一份网表。
extra_index 可设定按哪个偏置/温度/实例组合，或使用 "all" 同时覆盖所有变化条件。

3.2.2 过滤与掩膜

SimData.FilterData(op, value, dtype=...) 可对任意列或元数据进行筛选，op 支持表 5 中的比较符：

操作符	含义
`ge` / `gt`	大于等于 / 大于
`le` / `lt`	小于等于 / 小于
`eq` / `neq`	等于 / 不等于

示例：

python

IdVg = mdb.Load(ivar="vgate", dvar="idrain", project="upload-data")
IdVgld = IdVg.FilterData("eq", 0.05, dtype="bias.drain")
IdVghd = IdVg.FilterData("eq", 0.8, dtype="bias.drain")
IdVgld_BelowVt = IdVgld.FilterData("le", 0.3, dtype="ivar")
IdVgld_AboveVt = IdVgld.FilterData("ge", 0.4, dtype="ivar")

若需按特定列筛 RF 数据，可对 dtype="column" 使用列名列表；也可按 FoM（如 vtgmmax）过滤。

为了避免重复仿真，可启用 数据掩膜（Data Mask）：

python

from libfromage.data import Data
Data.set_options(data_mask=True)  # 全局

IdVgld = IdVg.FilterData("eq", 0.05, "vdrain", mask=True)

启用掩膜后，派生对象在 DoStage 中仅触发一次根数据的仿真，其余筛选或 FoM 共享同一次结果，有效降低运行时间。

3.2.3 关键参数（FoM）变换

SimData 为 MOSFET 等器件提供一组内建 FoM 计算（表 6），如导数 (Derivative)、DIBL、gm、GmMax、FMax、ft、Ioff/Ion、Rout、SubSlope、Vt、Sum、VtGmMax 等。对于约瑟夫结（Josephson junction），还有专用 FoM（图 8、表 7：P1–P5、rnorm、rsg，需要额外许可）。

调用示例：

python

Vt = IdVgld.VtGmmax()
Ion_target = IdVgld.MakeFoMTarget("ion", 1.0)

MakeFoMTarget 会基于根数据生成新的 SimData，并在 PrimeSim HSPICE 仿真后对目标/拟合列做后处理，只回传单个误差。若 FoM 需要参数，可先用 SimData.SetFoMCriteria(...) 修改默认阈值。

还可自定义 FoM：

python

import numpy as np

IdVg = mdb.Load(ivar="vgate", dvar="idrain")

def log10(data):
    return np.log10(data)

IdVg_log = IdVg.MakeFoMTarget(log10)

IdVg_mean = IdVg.MakeFoMTarget(
    lambda data, col="target": data._target_values.mean()
, add_as_fom=True)

将自定义函数传入 MakeFoMTarget，即可在根对象及其派生对象上串联多种变换，比如先取 gm 再取对数。

3.2.4 PrimeSim HSPICE `.MEASURE` 命令

更通用的变换可通过 .MEASURE 指令实现：

python

Vt = IdVg.ApplyMeasure('.MEASURE DC vt FIND v(gate) WHEN i(vdrain)=-1e-7')
Ion = IdVg.ApplyMeasure('.MEASURE DC ion MAX i(vdrain)')

ApplyMeasure 返回 SimData，可与 FoM 一样用在提取步骤。命令会先对目标数据执行，再在 runtime 网表里加入 .MEASURE 语句并比对 RMS 误差。可用 TestMeasure() 预跑验证；若要叠加多个测量，可设置 inplace=True。注意 .MEASURE 中引用的端点名必须与数据里的 nodes 相同。

生成的 SimData 也可通过 WritePLTFile / WriteCSVFile 导出。

3.2.5 偏置扩展

提取完成后，可利用 SimData.ExtendBias 在更宽范围内仿真：

python

IdVg_ext = IdVg.ExtendBias(ivar_min=-0.2, ivar_max=1.2, spacing=0.05,
                           vdrain=[0.2, 0.4, 0.6])
ExtractionUtils.PrintErrors("idvg-ext", IdVg_ext, Simulator, Model, "rmsd")
IdVg_ext.WritePLTFile("idvg-ext")

图 9 显示了扩展后的 I‑V 数据：原有曲线被外推到新偏置，并在中间偏置点补充仿真。

3.3 SPICE 模型（`Model`）

Mystic 支持任何 PrimeSim HSPICE 兼容网表，包括单卡、子电路或 .INCLUDE。当使用 -m 指定模型卡时，Mystic 会解析并注入 Model 对象，可通过点语法访问任意层级的参数，如：

python

Model.SetModelParameter("QMOD.BF", 100)
current_bf = Model.GetModelParameter("QMOD.BF")

提取的核心目标是寻找一组参数，使 PrimeSim HSPICE 仿真最贴合目标数据。OptParam（见 3.5 节）用来声明可调参数；在任意节点，可调用 Model.write() 输出模型卡，或用 mdb.StoreFitParameters / mdb.StoreFitData 保存至数据库。

3.3.1 检查点

开发策略时可通过 Model.set_checkpoint(label) 保存当前模型状态，并用 Model.get_checkpoint(label, inplace=True) 恢复。ExtractionUtils.DoStage 会自动以阶段名创建检查点，便于回滚到某次优化之前。

3.4 仿真器（`Simulator`）

Mystic 以 PrimeSim HSPICE 作为后端仿真引擎。运行前需保证可执行文件在 PATH 中，或通过 -l 指定。Simulator 负责：

根据 Model 与 SimData 生成网表
启动 PrimeSim HSPICE 并解析输出
回写拟合列与误差

默认会写入表 8 所列 .OPTION：

选项	默认值	说明
`ABSTOL`	1e-15	DC/瞬态支路电流绝对误差容限
`EXT_OP`	1	输出附加信息
`GMINDC`	1e-18	DC 分析的最小跨导
`INGOLD`	2	控制指数输出格式
`MEASFORM`	1	允许 Excel/HSIM 测量输出
`MEASDGT`	8	测量结果精度
`NOMOD`	1	抑制模型参数打印
`NUMDGT`	8	输出精度

可用 Simulator.set_options(...) 覆写。

3.4.1 许可模式与单次仿真

普通模式：每次仿真单独借出/归还 PrimeSim HSPICE license。
Server 模式：使用 Simulator.spiceargs.append('-C') 持续占用 server license，避免频繁借还。

任何 SimData 可通过 GenerateData 触发一次仿真：

python

IdVg.GenerateData(Simulator, Model)

3.4.2 并行仿真

Simulator.max_sims 控制最大并行数，默认 1。对多曲线或 Jacobian 计算，可在 ExtractionUtils.DoStage(..., parallel=True) 中开启，或设置 ExtractionUtils.settings.parallel = True。并行模式下建议配合 server license，数量受 max_sims 限制。

3.5 优化参数（`OptParam`）

OptParam 用于声明可调 SPICE 参数、范围与缩放/变换：

python

PHIG = OptParam("PHIG", 4.3, 4.2, 4.5, 1.0)
BF   = OptParam("QMOD.BF", 100.0, 1.0, 1000.0, 1.0)

缩放因子有助于归一化，对梯度算法尤为重要；例如超小电容可设 scale=1e-11。如果参数对误差的响应高度非线性，可改用变换（Transform）替代缩放：

变换	描述
`scale`	相当于直接设置缩放因子
`shift`	平移参数初值，避免从 0 起步
`log` / `decimal-log`	取自然对数 / log10
`log-exp`	把 `[lower, +∞)` 映射到 `(-∞, +∞)`
`exp` / `decimal-exp`	使用自然指数 / 10 的指数
`dual-log1p`	适合跨零参数，正负值均可对数化
`square` / `square-root` / `power`	幂次变换

3.5.1 自动推荐变换

ExtractionUtils.GetOptimalTransforms 可基于目标数据计算最线性的变换：

python

tphig, tcdsc, tqmfactor = ExtractionUtils.GetOptimalTransforms(
  [PHIG, CDSC, QMFACTOR],
  IdVgld_BelowVt,
  Simulator, Model,
  step=0.01
)
PHIG = OptParam("PHIG", 4.3, 4.25, 4.35, tphig)

3.5.2 参数空间探索

敏感度分析 (SensitivityAnalysis)：逐个扰动参数，观察 RMSD 与各目标的响应。
参数扫描 (ParamSweep)：在设定范围内扫单个参数，默认 11 个采样点，可调 num/pmin/pmax。

示例：

python

sense_df = ExtractionUtils.SensitivityAnalysis(
  [IdVg_belowvt, IdVg_abovevt],
  Simulator, Model,
  [PHIG, CDSC, U0, UA]
)

ExtractionUtils.ParamSweep(
  "idvg-ld", IdVgld, Simulator, Model,
  PHIG, "rmsd"
)

3.6 优化算法

Optimizer 是 Mystic 的求解器接口，可在运行时通过 -o 或 Optimizer.SetMethod() 选择算法。支持的算法见表 9：

算法	说明
`BOUNDED_TRUST_REGION`	基于 Intel MKL 的带约束信赖域最小二乘（默认）。
`TRUST_REGION`	Intel MKL 信赖域最小二乘。
`least_squares`	SciPy 最小二乘（`trf` / `dogbox` / LM）。
`minimize`	SciPy 通用最小化器（默认 BFGS，可选 COBYLA、L-BFGS-B 等）。
`differential_evolution`	全局差分进化算法。
`doe`	基于贝叶斯搜索的优化方法。

设置示例：

python

Optimizer.SetMethod("BOUNDED_TRUST_REGION")
Optimizer.SetOptimizationParameter("eps1", 1e-3)
Optimizer.SetOptimizationParameter("jac", True)
Optimizer.SetOptimizationParameter(
  "kwargs",
  {"eps": 1e-3, "step_type": "abs", "step_method": "cd", "eps_fac": 1e-6}
)

Optimizer.SetMethod("least_squares")
Optimizer.SetOptimizationParameter("method", "trf")
Optimizer.SetOptimizationParameter("ftol", 1e-4)
Optimizer.SetOptimizationParameter("xtol", 1e-6)
Optimizer.SetOptimizationParameter("gtol", 1e-4)
Optimizer.SetOptimizationParameter("diff_step", 1e-3)

不同算法对 OptParam 的上下限约束处理不同：

BOUNDED_TRUST_REGION：严格遵守上下限。
TRUST_REGION：忽略边界。

OptParam 的缩放/变换对梯度收敛性影响显著，可借助 3.5 节的敏感度分析工具调优。

Optimizer 常与 ExtractionUtils.DoStage 联用（图 11）。该函数接受 Model、Simulator、OptParam 列表、Optimizer、SimData 列表，执行单个优化阶段，并将最佳参数保留在 Model 中，误差信息写入日志。

3.6.1 贝叶斯优化

若需自适应地在参数空间中搜索，可启用贝叶斯算法：

python

Optimizer.SetMethod("doe")
Optimizer.SetOptimizationParameter(method="bayesian_optimizer")

相关选项详见 Mystic API 中 Optimizer/Optimization Parameter 章节。

3.6.2 机器学习加速

Mystic 内置多项 ML/数据重用能力，以减少重复仿真。

数据存储与回放

在首次调用 mdb.StoreInitialModel 时设置 spice_ml_name，即可为某个基础模型启用数据存档：

python

mdb.StoreInitialModel(Model, spice_ml_name="my-nmos")

此后所有仿真结果都会记录在数据库中，按模型、参数值、数据类型索引，可作为训练集或重复提取时的缓存。

重跑策略提速

当策略需要多次迭代开发时，启用 ML 存储后，若后续再次运行相同步骤并保持同样目标/参数组合，Mystic 会直接复用历史结果。例如示例流程中，初次运行耗时约 30 s；启用缓存后重跑仅需 ~1.4 s。若对阶段的参数集或目标做出修改，则从变更点开始重新仿真。

反向搜索（Reverse Search）

针对多工艺角、几何或周期性更新的项目，可调用 ExtractionUtils.ReverseSearch 从数据库检索最优历史参数集，并可选 optimize=True 继续微调：

python

ExtractionUtils.ReverseSearch(
  mdb,
  IdVgld,
  Model,
  optimize=True,
  parameters=[PHIG, QMFACTOR, CDSC, U0, UA, EU, UD, UCS, ETAMOB]
)

命令会先输出匹配度最高的旧参数与误差，再通过指定的优化算法细化，适用于更新目标数据（例如整体放大 5%）后的快速再拟合。

提示：本章涉及的 API（mdb.*、SimData.*、Model.*、Simulator.*、ExtractionUtils.*、OptParam、Optimizer 等）均可在 Mystic API 文档中查询完整参数与返回值说明。

第 3 章：SPICE 模型提取策略 ​

3.1 数据库 ​

3.1.1 层级结构与初始模型 ​

3.1.2 元数据结构 ​

3.1.3 加载与存储接口 ​

3.2 目标数据（SimData） ​

3.2.1 多级数据结构（combine） ​

3.2.2 过滤与掩膜 ​

3.2.3 关键参数（FoM）变换 ​

3.2.4 PrimeSim HSPICE .MEASURE 命令 ​

3.2.5 偏置扩展 ​

3.3 SPICE 模型（Model） ​

3.3.1 检查点 ​

3.4 仿真器（Simulator） ​

3.4.1 许可模式与单次仿真 ​

3.4.2 并行仿真 ​

3.5 优化参数（OptParam） ​

3.5.1 自动推荐变换 ​

3.5.2 参数空间探索 ​

3.6 优化算法 ​

3.6.1 贝叶斯优化 ​

3.6.2 机器学习加速 ​

数据存储与回放 ​

重跑策略提速 ​

反向搜索（Reverse Search） ​

第 3 章：SPICE 模型提取策略

3.1 数据库

3.1.1 层级结构与初始模型

3.1.2 元数据结构

3.1.3 加载与存储接口

3.2 目标数据（`SimData`）

3.2.1 多级数据结构（`combine`）

3.2.2 过滤与掩膜

3.2.3 关键参数（FoM）变换

3.2.4 PrimeSim HSPICE `.MEASURE` 命令

3.2.5 偏置扩展

3.3 SPICE 模型（`Model`）

3.3.1 检查点

3.4 仿真器（`Simulator`）

3.4.1 许可模式与单次仿真

3.4.2 并行仿真

3.5 优化参数（`OptParam`）

3.5.1 自动推荐变换

3.5.2 参数空间探索

3.6 优化算法

3.6.1 贝叶斯优化

3.6.2 机器学习加速

数据存储与回放

重跑策略提速

反向搜索（Reverse Search）