Keysight Technologies在最新器件建模软件套件中发布机器学习工具包，将半导体器件模型开发周期从数周压缩至数小时。该方案通过集成神经网络架构与优化算法，实现参数提取流程的自动化重构，使工艺设计套件(PDK)交付效率提升90%以上，为设计技术协同优化(DTCO)提供关键支撑。

面对环栅晶体管(GAA)、氮化镓(GaN)等新材料架构带来的半导体建模复杂性，传统半导体物理建模方法需工程师手动调整数百个关联参数，耗时且精度受限。Keysight的ML Toolkit创新性地引入混合建模框架，将参数提取步骤从200余个精简至5-6个自动化环节。测试数据显示，该工具可同时优化80余个参数，捕捉温度漂移等次要效应，使直流、射频及大信号模型的预测精度提升40%。

"人工智能正在重塑半导体建模的底层逻辑。"Keysight EDA总经理Nilesh Kamdar指出："新工具包使客户能以天为单位完成PDK开发，较传统方法提速10倍以上。"该方案支持Python脚本定制，可无缝适配FinFET、GAA、SiC等多种技术节点，确保建模流程在跨工艺迁移时的可复用性。

配套升级的Device Modeling MQA 2026新增OMI老化模型验证规则，WaferPro 2025实现远程低频噪声测试控制，A-LFNA 2026则集成压力测试与噪声测量的无缝切换功能。这些增强特性共同构建起覆盖半导体材料表征、器件建模到电路验证的全链条AI赋能体系。