Beim Entwurf analoger Schaltungen verwenden wir häufig Variationsanalysen, um zu verstehen, was Leistungsschwankungen verursacht. Wir verwenden ein Tool wie die Monte-Carlo-Simulation, bei der mehrere Parameter für jeden Transistor aus einer Verteilung entnommen werden, und simulieren die Schaltung, um eine Verteilung der relevanten Messungen zu erhalten. Die Messverteilung kann mit einer Zielspezifikation verglichen werden, und wir können die Ausfallwahrscheinlichkeit prognostizieren.
Ich suche nach einer Möglichkeit, zu verstehen, wie die Variationen der einzelnen Transistoren das Messergebnis beeinflussen. Da die Simulation dieser Schaltkreise sehr lange dauert, ist es schwierig, mehr als ein paar Hundert bis Tausend Monte-Carlo-Versuche durchzuführen. Und aufgrund der Anzahl der Transistoren liegt auch die Anzahl der unabhängigen Variablen im Hunderterbereich. Intuitiv wissen wir, dass der Schaltkreis am empfindlichsten auf Parameterkombinationen reagiert. Der schlimmste Fall kann beispielsweise eintreten, wenn Transistor A und B den größten Unterschied im Parameter X aufweisen, aber nur, wenn einer der beiden einen großen Parameter Y hat.
Ich suche nach einer Anleitung zur Analyse meiner Monte-Carlo-Ergebnisse in JMP, um die zugrunde liegenden Sensitivitäten zu finden, die den größten Einfluss auf die Messergebnisse haben.
