4. Monte Carlo采样方法

在 Virtuoso 中做 Monte Carlo 良率分析时，真正决定“跑多少次、跑多久、结果可不可信”的，往往不是仿真器本身，而是采样策略。采样策略决定了工艺参数空间中哪些点被抽到、以什么概率被抽到、点与点之间如何分布。同一组器件模型、同一套 testbench，换一种采样方法，达到相同良率估计精度所需的仿真次数可能相差数倍。本节围绕标准 Monte Carlo（标准 MC）、拉丁超立方采样（LHS）和重要性采样（IS）三类策略，说明它们在 Virtuoso ADE 中的设置方式、适用场景，以及如何评估采样效率与收敛性。

三类采样策略的本质差异

标准 MC 是最直观的方法：对每一个失配/工艺变量，按模型给定的分布（通常是高斯分布）独立随机抽样，每个样本点都是“独立同分布”的一次掷骰子。它的优点是实现简单、无偏，缺点是样本在参数空间中可能成簇出现，也可能留下大片空白，因此收敛速度较慢，通常需要 N 在数百到数千量级。

拉丁超立方采样（LHS）是一种分层抽样。它把每个变量的累积分布函数（CDF）区间等分成 N 层，保证每一层恰好被抽中一次，再在各层内随机取值，最后把不同变量的分层随机配对。这样每个变量的边缘分布仍被完整覆盖，但样本在参数空间中的“铺开”程度远好于标准 MC，因此均值、方差等统计量的收敛更快。

重要性采样（IS）则换了一个思路：它不追求样本在原始分布下均匀，而是主动把采样重心移向失效区域。做法是引入一个偏置分布 g(x)，从 g(x) 中抽样，再对每个样本乘以权重 w(x)=f(x)/g(x)（f 为原始分布），用加权统计得到无偏估计。对于良率很高（失效概率极低）的电路，标准 MC 可能跑上万次都碰不到几个失效点，而 IS 能用几百次就给出失效概率估计。

在 Virtuoso ADE 中的设置方式

在 ADE XL / ADE Assembler 中，采样方法通过 Monte Carlo Sampling 选项控制。标准 MC 对应 Random 或 Standard；LHS 对应 Latin Hypercube；重要性采样通常需要配合 Advanced 或自定义采样脚本，并指定偏置分布与权重计算方式。设置时需注意以下几点：

• 样本数 N：标准 MC 建议先跑 200 次做趋势观察，再逐步加到 1000 次以上；LHS 在同样 N 下统计量更稳，通常 200～500 次即可获得较平滑的分布。
• 随机种子：固定种子可复现，但评估收敛性时应换 3～5 组种子，观察良率估计的波动范围。
• 变量相关性：若工艺变量之间存在相关性，需在模型或采样设置中显式给出相关系数矩阵，否则 LHS 的分层优势会被破坏。
• IS 的偏置分布：偏置分布不能离原始分布太远，否则权重方差爆炸，估计反而更不稳定。一般让偏置分布的中心落在失效边界附近。

采样效率与收敛性评估

评估采样效率，核心看“达到目标精度需要多少次仿真”。常用做法是绘制收敛曲线：横轴为样本数 N，纵轴为良率估计值或失效概率估计值，观察曲线何时进入稳定带。标准 MC 的收敛速度约为 1/√N，即精度提高一倍需要四倍样本；LHS 在低维问题中通常能把方差降低一个数量级；IS 在极低失效概率场景下，效率提升可达几十到上百倍。

判断收敛是否可信，可以看三个信号：一是良率估计随 N 增加的波动幅度是否小于目标精度（例如 ±0.5%）；二是失效样本数是否足够（一般建议失效样本不少于 10～20 个，否则统计置信区间过宽）；三是换种子后估计值是否落在同一置信区间内。若三者都满足，可认为采样已收敛。

三类策略的适用场景对照

实际项目中，推荐采用“两阶段”流程：第一阶段用 LHS 跑 200～300 次，快速判断良率量级和主要失效变量；第二阶段根据第一阶段结果，若良率偏低则继续用 LHS 加密，若良率极高则改用 IS 聚焦失效区。这样既避免标准 MC 的盲目耗时，也避免 IS 在偏置分布未校准时的估计偏差。采样策略的选择，本质上是在“计算成本”和“估计精度”之间做权衡，理解三类方法的数学特性，才能在 Virtuoso 中做出合理配置。