基于图文对比学习的集成电路版图验证方法、装置及设备与流程
本技术涉及集成电路,具体涉及一种基于图文对比学习的集成电路版图验证方法、装置及设备。
背景技术:
1、流片是芯片设计周期的终极节点,晶圆制造工厂在实际物理流片之前,物理验证是个关键环节,随着集成电路工艺节点向5nm及以下演进,设计规则检查(drc)的复杂性呈指数级上升。传统的drc物理验证主要存在以下问题:
2、(1)规则编写与维护成本高昂:每引入一个新的工艺节点或新的设计规则时,都必须依靠领域专家人工重新编写极度复杂的几何运算代码(如svrf、tcl语言);
3、(2)机器学习模型的局限性:近年来引入eda(electronic design automation,电子设计自动化)领域的基于卷积神经网络(cnn)或图神经网络(gnn)的热点检测模型属于判别式模型,高度依赖大量特定类型的标签数据,当设计团队迁移至全新制程节点时,必须重新收集大量数据并从头训练模型,导致基于ai的eda工具在工艺迁移时面临极高的适配成本。
4、由此可见,无论是基于专属验证语言的规则硬编码方案,还是基于cnn、gnn的判别式ai热点检测方案,均无法实现以自然语言形式的设计规则直接驱动集成电路版图验证。
技术实现思路
1、本技术提供一种基于图文对比学习的集成电路版图验证方法、装置及设备,能够实现集成电路版图的有效验证。
2、第一方面,本技术实施例提供一种基于图文对比学习的集成电路版图验证方法,所述基于图文对比学习的集成电路版图验证方法包括:
3、构建包含视觉塔和语言塔的双塔神经网络架构,并获取历史流片数据中的局部集成电路版图切片及对应的文字诊断报告以构成训练集对所述双塔神经网络架构训练;
4、输入设计规则自然语言描述至语言塔以转换得到文本特征向量,同时视觉塔通过滑动窗口对目标集成电路版图进行编码提取,得到每个窗口对应的目标集成电路版图特征向量及在目标集成电路版图上的坐标位置;
5、计算文本特征向量与各目标集成电路版图特征向量间的余弦相似度,并根据余弦相似度计算结果确定高风险区域,实现集成电路版图验证;
6、其中,所述视觉塔用于通过视觉transformer将切分的物理版图图像或多边形拓扑转换为高维版图特征向量,所述语言塔用于通过大语言模型将自然语言描述的设计规则意图转换为文本特征向量。
7、结合第一方面,在一种实施方式中,
8、所述视觉塔包括图像切分与线性投影模块、位置编码模块、多头自注意力编码层、分类标记聚合模块、视觉投影头;
9、所述图像切分与线性投影模块用于将输入的集成电路版图切分为固定尺寸的图像块并展平为向量序列,经线性投影映射为多维嵌入向量;
10、所述位置编码模块用于为每个图像块嵌入叠加位置信息;
11、所述多头自注意力编码层由多层transformer编码器堆叠而成,用于通过多头自注意力机制捕捉各图像块之间的全局依赖关系;
12、所述分类标记聚合模块用于在向量序列头部加入cls标记,且编码完成后以cls标记的输出作为整个集成电路版图切片的聚合表示;
13、所述视觉投影头由多层感知机mlp构成,用于将聚合表示映射至共享高维潜空间并经l2归一化,从而输出集成电路版图特征向量。
14、结合第一方面,在一种实施方式中,
15、所述语言塔包括分词器、词嵌入层、transformer编码层、句向量提取模块、文本投影头;
16、所述分词器用于将设计规则自然语言描述的文本切分为子词序列;
17、所述词嵌入层用于将子词映射为稠密向量并叠加位置编码;
18、所述transformer编码层用于基于大语言模型的多层自注意力结构,对设计规则自然语言描述的文本进行语义编码;
19、所述句向量提取模块用于提取cls标记位置的输出或对子词序列进行均值池化,得到句子级语义表示;
20、所述文本投影头由多层感知机mlp构成,用于将句子级语义表示映射至与视觉塔相同的共享高维潜空间并经l2归一化,从而输出文本特征向量。
21、结合第一方面,在一种实施方式中,
22、所述训练集为由历史流片数据中的局部集成电路版图切片及对应的文字诊断报告构成的正样本对;
23、所述文字诊断报告指通过物理验证工具对集成电路版图执行设计规则检查后输出的检查结果文件,包括违规规则编号、违规类型、违规位置的集成电路版图坐标、违规几何图形描述、修复建议。
24、结合第一方面,在一种实施方式中,
25、在对双塔神经网络架构的训练阶段,应用infonce对比损失函数;
26、所述infonce对比损失函数具体为:
27、
28、其中,表示总损失,表示视觉到语言方向的对比损失,表示语言到视觉方向的对比损失。
29、结合第一方面,在一种实施方式中,对于视觉到语言方向的对比损失,具体为:
30、
31、其中,表示单个训练批次中局部集成电路版图切片与文字诊断报告样本对的数量,表示第个局部集成电路版图切片的特征向量,表示与匹配的第个文字诊断报告的文本特征向量,表示第个文字诊断报告的文本特征向量,表示余弦相似度函数,表示调节系数。
32、结合第一方面,在一种实施方式中,所述输入设计规则自然语言描述至语言塔以转换得到文本特征向量,同时视觉塔通过滑动窗口对目标集成电路版图进行编码提取,得到每个窗口对应的目标集成电路版图特征向量及在目标集成电路版图上的坐标位置,具体包括:
33、在进行集成电路版图验证时,输入设计规则自然语言描述至语言塔,转换得到文本特征向量;
34、以固定尺寸的窗口按照设定步长在全芯片的目标集成电路版图上滑动遍历,对每个窗口截取局部集成电路版图图像并进行归一化处理后送入视觉塔;
35、对截取的每个局部集成电路版图图像依次进行图像块切分、位置编码叠加、多头自注意力编码和投影映射,得到每个窗口对应的目标集成电路版图特征向量,以及每个窗口在目标集成电路版图上的坐标位置。
36、结合第一方面,在一种实施方式中,所述计算文本特征向量与各目标集成电路版图特征向量间的余弦相似度,并根据余弦相似度计算结果确定高风险区域,实现集成电路版图验证,具体包括:
37、依次计算文本特征向量与各目标集成电路版图特征向量间的余弦相似度,具体为:
38、
39、其中,表示余弦相似度函数,表示与间的余弦相似度,表示文本特征向量,表示当前目标集成电路版图特征向量,表示向量点积运算,表示向量的l2范数;
40、将所有窗口对应的余弦相似度计算结果按目标集成电路版图坐标排列,生成相似度热力图;
41、根据相似度分布的统计特性确定动态阈值,筛选出余弦相似度计算结果超过动态阈值所对应的窗口;
42、基于筛选出的窗口在目标集成电路版图上的坐标位置,确定目标集成电路版图的高风险区域,实现集成电路版图验证。
43、第二方面,本技术实施例提供一种基于图文对比学习的集成电路版图验证装置,所述基于图文对比学习的集成电路版图验证装置包括:
44、构建模块,其用于构建包含视觉塔和语言塔的双塔神经网络架构,并获取历史流片数据中的局部集成电路版图切片及对应的文字诊断报告以构成训练集对所述双塔神经网络架构训练;
45、执行模块,其用于输入设计规则自然语言描述至语言塔以转换得到文本特征向量,同时视觉塔通过滑动窗口对目标集成电路版图进行编码提取,得到每个窗口对应的目标集成电路版图特征向量及在目标集成电路版图上的坐标位置;
46、验证模块,其用于计算文本特征向量与各目标集成电路版图特征向量间的余弦相似度,并根据余弦相似度计算结果确定高风险区域,实现集成电路版图验证;
47、其中,所述视觉塔用于通过视觉transformer将切分的物理版图图像或多边形拓扑转换为高维版图特征向量,所述语言塔用于通过大语言模型将自然语言描述的设计规则意图转换为文本特征向量。
48、第三方面,本技术实施例提供一种基于图文对比学习的集成电路版图验证设备,所述基于图文对比学习的集成电路版图验证设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于图文对比学习的集成电路版图验证程序,其中所述基于图文对比学习的集成电路版图验证程序被所述处理器执行时,实现上述所述的基于图文对比学习的集成电路版图验证方法的步骤。
49、本技术实施例提供的技术方案带来的有益效果包括:
50、(1)利用对比学习对齐视觉与语义特征,使得可使用自然语言寻找训练集中完全没有见过的版图拓扑和热点,极大地加速了从不同工艺迁移时的规则适配速度;
51、(2)通过自然语言提示词直接与版图进行交互,取代昂贵且易出错的专属验证语言硬编码,大幅降低验证成本与技术门槛;
52、(3)通过按违规坐标对齐裁剪版图切片与诊断文本的样本对构建方式,建立版图几何拓扑语义与设计规则语义之间的可学习映射,使得以自然语言规则驱动的零样本版图验证成为可能。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com