基于深度学习的集成电路版图热点检测方法
本发明涉及集成电路运维,具体而言,涉及基于深度学习的集成电路版图热点检测方法。
背景技术:
1、随着集成电路工艺节点技术的发展,集成电路版图的版图热点检测已成为影响集成电路运维的重要流程,然而传统的版图热点检测方法仍存在一定的局限性。
2、一方面,传统方法的特征表征维度较为单一,大多依赖图像类卷积特征,往往缺乏对版图特有的间距、线宽等几何显式特征的考量,从而导致对微小尺寸偏差的表征能力不足,易出现漏检;另一方面,跨工艺节点迁移能力弱,每一新工艺节点均需大量标注样本重新训练模型,而样本采集与标注成本极高,以至于少样本场景下模型精度难以保障。
技术实现思路
1、鉴于上述提及的问题,结合本发明的第一方面,本发明实施例提供基于深度学习的集成电路版图热点检测方法,所述方法包括:
2、s1:采集现有工艺正常版图块并注入随机扰动生成增强正样本集,基于混合特征提取网络提取正常特征集、待测特征集,并保存多尺度中间特征图,同步对正常特征集执行特征质量预检;
3、s2:将正常特征集划分为源特征集与目标特征集,对源特征集进行邻域主成分扰动生成扰动源特征集,同步结合目标特征集,获取最优输运映射网络,并结合预设机制生成输运代价阈值;
4、s3:对正常特征集进行聚类生成压缩参考集,基于最优输运映射网络进行待测特征的输运代价量化与一级初筛,并结合预设规则检查引擎执行二级校验,生成第一热点检测结果;
5、s4:基于混合特征提取网络提取新工艺正常版图的新工艺特征集,并对最优输运映射网络进行跨工艺迁移适配,生成新工艺适配网络,基于新工艺适配网络执行热点检测,生成第二热点检测结果;
6、s5:获取第一、二热点检测结果对应的最近邻正常特征,基于最优输运映射网络与新工艺适配网络进行差分反向传播,生成特征归因权重,并结合多尺度中间特征图融合生成热点位置图。
7、与现有技术相比,本发明具有如下有益效果:
8、步骤s1通过采用混合特征提取网络融合了深层卷积语义特征与版图几何间距特征,弥补了单一图像特征对几何尺寸偏差表征能力不足的缺陷,从而显著提升了版图特征的区分度与表征精度;
9、步骤s2基于最优输运理论构建正常特征空间的映射分布模型,并结合邻域主成分扰动,实现对正常版图特征流形的高精度拟合;
10、步骤s3通过构建压缩参考集大幅提升初筛效率,同步结合预设规则检查引擎排除规则明确的违例,并保留存疑样本进入人工复核,实现检测效率与精度的平衡;
11、步骤s4通过对最优输运映射网络进行跨工艺迁移适配,生成新工艺适配网络,实现了对新工艺节点的快速迭代适配;
12、步骤s5则通过将特征层面的热点检测结果反向映射至输入版图的像素空间,实现像素级的热点区域精准定位,为后续版图修正与优化提供直接的位置指引,最终实现对集成电路版图热点的高效、精准检测。
1.基于深度学习的集成电路版图热点检测方法,其特征在于,包括有以下步骤:
2.根据权利要求1所述的基于深度学习的集成电路版图热点检测方法,其特征在于,步骤s1,包括:
3.根据权利要求2所述的基于深度学习的集成电路版图热点检测方法,其特征在于,混合特征提取网络,包括:
4.根据权利要求2所述的基于深度学习的集成电路版图热点检测方法,其特征在于,基于预设质检规则对所述正常特征集进行特征质量检测与校正,包括:
5.根据权利要求1所述的基于深度学习的集成电路版图热点检测方法,其特征在于,步骤s2,包括:
6.根据权利要求5所述的基于深度学习的集成电路版图热点检测方法,其特征在于,所述方法还包括:
7.根据权利要求1所述的基于深度学习的集成电路版图热点检测方法,其特征在于,步骤s3,包括:
8.根据权利要求1所述的基于深度学习的集成电路版图热点检测方法,其特征在于,步骤s4,包括:
9.根据权利要求1所述的基于深度学习的集成电路版图热点检测方法,其特征在于,步骤s5,包括:
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