یکی از شاخص های اصلی در ارزیابی تراشه های دیجیتال، سرعت پردازش آن ها می باشد. بنابراین، ارائه روش تحلیلی دقیق و کارا جهت تقریب تأخیر مدار ها، یکی از ضروریات مرحله طراحی مدارهای مجتمع محسوب می شود. در روش تحلیل زمانی ایستا (STA)، برای هرکدام از گیت ها براساس مقدار نامی پارامترهای موثر (طول ترانزیستور، ضخامت اکسید گیت و ...) مقدار تاخیر محاسبه شده و تاخیر طولانی ترین مسیر به عنوان معیار سرعت مدار گزارش می گردد. از سوی دیگر، با ورود تکنولوژی ساخت ترانزیستورها به ابعاد نانومتر، به دلیل عدم امکان کنترل دقیق فرآیند ساخت، مقدار پارامترهای ترانزیستورها دچار تغییرات تصادفی می شوند. تحلیل زمانی ایستا با رویکرد آماری (SSTA) به عنوان راهکاری جایگزین جهت وارد نمودن تغییرات پارامتر ها در تحلیل زمانی ارائه شده است. در SSTA چالش های فراوانی از جمله همبستگی های میان پارامترها، توزیع های غیر نرمال و چولیدگی عملگر ماکزیمم، وجود دارد. در میان این چالش ها چولیدگی ناشی از عملگر ماکزیمم به عنوان مهم ترین چالش تحلیل زمانی محسوب می شود. ماکزیمم دو توزیع احتمالاتی به صورت یک تابع غیرخطی پیچیده بیان می شود و اعمال چند باره این عملگر منجر به ایجاد توزیع احتمالاتی غیرمتعارف می گردد. در این پژوهش براساس شبکه عصبی (ابزاری بسیار قدرتمند در مدل سازی توابع غیر خطی) مدلی کارا جهت انجام عملگر ماکزیمم در SSTA ارائه گردیده است. شبکه عصبی ارائه شده توانایی پاسخگویی به چالش های ذکر شده در مورد توزیع های غیر نرمال و چولیدگی های ایجاد شده در اثر اعمال عملگر ماکزیمم را دارد. همچنین جهت مدل سازی همبستگی میان پارامترها، مدلی دقیقی مبتنی بر مدل مشبک ارائه شده است. در مدل مشبک پیشنهادی، همبستگی ها و تغییرات ناشی از آن ها بر اساس محل جایگیری یال های گراف معادل مدار محاسبه می شود. شبیه سازی های کامپیوتری روش تحلیل زمانی ارائه شده برروی مدارهای معیار ISCAS 85 نشان می دهد که خطای میانگین تاخیر، در مقایسه با مونت کارلو کمتر از 65/0 % و خطای انحراف استاندارد (در توزیع احتمالاتی طولانی ترین مسیر مدار) کمتر از 19/2 % می باشد. همچنین توزیع به دست آمده، در مقایسه با روش های برمبنای SSTA قبلی بسیار نزدیک تر به توزیع حاصل از شبیه سازی مونت کارلو می باشد. علاوه بر آن، زمان اجرای الگوریتم در مقایسه با روش مونت کارلو به میزان 153 برابر کمتر می باشد.
