Dans la conception de circuits analogiques, nous utilisons souvent l’analyse des variations pour comprendre les causes des variations des performances. Nous utiliserons un outil comme la simulation Monte Carlo où plusieurs paramètres pour chaque transistor sont extraits d'une distribution et nous simulerons le circuit pour obtenir une distribution des mesures pertinentes. La distribution des mesures peut être comparée à une spécification cible et nous pouvons projeter la probabilité de défaillance.
Ce que je recherche, c'est un moyen de comprendre comment les variations des transistors individuels influencent le résultat mesuré. Étant donné que la simulation de ces circuits prend beaucoup de temps, il est difficile d'obtenir plus de quelques centaines à quelques milliers d'essais de Monte-Carlo. Et en raison du nombre de transistors, le nombre de variables indépendantes se compte également par centaines. Intuitivement, nous savons que le circuit sera plus sensible aux combinaisons de paramètres. Par exemple, le pire des cas peut être celui où les transistors A et B ont la plus grande différence de paramètre X, mais seulement si l'un des deux a un grand paramètre Y.
Je recherche des conseils sur la façon d'analyser mes résultats de Monte Carlo dans JMP afin de trouver les sensibilités sous-jacentes qui ont la plus grande influence sur les résultats mesurés.
