GAN 模型是一种流行的架构,常用于图像、文本和音频生成器,需要与真实样本非常相似的合成样本。它们由 2 个深度神经网络组成:生成器和鉴别器(generator and discriminator)。生成器从随机噪声中创建假样本。这些假样本与真实样本一起输入到鉴别器,鉴别器试图辨别真假。本质上,生成器试图欺骗鉴别器,因此是生成对抗网络的对抗部分。
通过训练,生成器输出样本的质量将接近甚至与真实的没有区别。然而,GAN 模型很容易出现模式崩溃(mode collapse)。这意味着它们的输出无法复制输入分布函数的整个空间;简单来说,这意味着输出往往看起来相似。虽然这对于许多流行的消费应用(例如图像生成)来说不是问题,但对于芯片设计和工艺建模来说并不可行。
关键的区别在于,在此模型设置中,过程良率是由分布的长尾定义的,因此未能复制这些意味着模型无法正确预测良率。
最后是内存阵列本身,其中关键的拐点是 3D DRAM 的插入。这里需要一些背景知识:传统上,DRAM 内存阵列由垂直电容器组成。与晶体管和逻辑一样,存储器缩放很大程度上是通过简单地使设备变得更小来实现的。DRAM 电容器通常是又高又窄的圆柱体。减小它们的直径可以使它们以更高的密度封装在一起,但这意味着它们必须更高才能保持足够的电容——换句话说,它们的纵横比必须增加。
当今的 DRAM 阵列具有极高的纵横比,制造起来非常具有挑战性,就像水平缩放达到逻辑的物理极限一样。生产这些主要是在水平缩小和纵横比持续增长时保持均匀性的问题。
在未来的某个时候,扩展将需要 3D DRAM。这个概念很简单:如果电容器不能做得更小/更高,请将它们水平放置,并将大量电容器堆叠在一起。