基于预训练深度卷积神经网络的迁移学习光刻坏点检测方法

1.本发明涉及光刻坏点检测技术，特别涉及一种基于深度学习的集成电路设计版图的光刻坏点检测方法。


背景技术：

2.光刻技术是集成电路制造关键技术之一。随着对高集成度和更好性能的需求，半导体的设计尺寸不断缩小，光刻可制造性成为关键问题之一。集成电路版图中存在一些光刻结果与目标图形差异明显的区域，会引起光刻结果出现短路或开路现象，从而造成光刻坏点(lithography hotspot)。在集成电路版图设计阶段，坏点检测(hotspot detection)和版图修正需要轮流进行，从而避免光刻坏点的产生。坏点检测技术影响着集成电路设计和制造的周期和产率，是集成电路设计和制造的关键技术之一。
3.相比传统的基于光刻仿真的坏点检测方法和基于图形匹配的坏点检测方法，基于机器学习的坏点检测技术具有速度快和检测结果好的优点，是目前主流的坏点检测技术之一。特征提取和模型设计是基于机器学习的坏点检测方法的重要内容。特征提取从人为设计的特征提取方法发展到了利用卷积神经网络自动提取图形特征，模型设计也从浅层网络向深层网络发展。迁移学习可以将基于其他数据集训练得到的预训练模型在版图坏点图形数据集进行微调学习，从而获得适用于坏点检测的模型。现有的基于迁移学习的坏点检测方法(参见在先技术1,kaibo zhou,kaifeng zhang,jie liu,et al.an imbalance aware lithography hotspot detection method based on hdam and pre-trained googlenet[j].measurement science and technology,2021,32:125008.)的查准率和f1分数仍存在不足。


技术实现要素：

[0004]
本发明的目的在于提供一种基于迁移学习的用于集成电路版图坏点图形的检测方法。本发明采用预训练的vgg卷积神经网络作为模型，将下采样的版图图形数据作为模型输入，采用交叉熵损失作为模型训练的损失函数，从而训练得到适用于光刻坏点检测的模型。本发明可以有效提升检测坏点检测结果的查准率和f1分数，在查全率、查准率和f1分数获得良好的综合表现。
[0005]
本发明的技术解决方案如下：
[0006]
一种集成电路版图坏点图形的检测方法，包括如下步骤：
[0007]
步骤1.准备预训练图形数据集a和数据格式为gds或oas的集成电路版图数据集b，其中版图数据集b包含坏点版图数据和非坏点版图数据；
[0008]
步骤2.将版图数据集b转换为图形数据集c，并进行预处理；
[0009]
步骤3.选择范围为vgg11、vgg13或vgg19网络作为模型m0；
[0010]
步骤4.使用图形数据集a对模型m0进行训练，通过bp神经网络算法优化模型参数，得到预训练模型m；
[0011]
步骤5.基于预训练模型m，将模型输出维度调整为2，并固定全部或者部分卷积层的权重，获得模型m1；
[0012]
步骤6.基于图形数据集c，对模型m1进行训练，训练收敛后获得模型m2；
[0013]
步骤7.采用训练好的模型m2进行坏点检测。
[0014]
进一步的，步骤2中预处理包含以下步骤：
[0015]
步骤2.1对图形数据集进行图像下采样；
[0016]
步骤2.2将图形数据集打包为[x,y]，其中x为图形数据，y＝[y1,y2]表示图形的对应标签，第i项图形数据x(i)对应的标签y(i)＝[y1(i),y2(i)]，x(i)属于坏点数据则标签为y(i)＝[1,0]，属于非坏点数据则为y(i)＝[0,1]。
[0017]
进一步的，步骤4中对模型进行训练的步骤为：
[0018]
步骤4.1将图形数据集a划分为小批次数据；
[0019]
步骤4.2逐个将小批次数据作为模型m0的输入，通过bp神经网络算法优化模型权重；
[0020]
步骤4.3判断模型m是否达到收敛条件，是则执行4.4，否则执行4.2；
[0021]
步骤4.4获得训练好的模型m1。
[0022]
进一步的，步骤6中模型m1进行训练包含以下内容：
[0023]
步骤6.1将图形数据集c划分为小批次数据；
[0024]
步骤6.2采用交叉熵损失作为模型的损失函数，其中n为图形数据集c分类总数，pi为样本在分类i的实际概率，qi为样本在分类i的模型输出概率。由于坏点检测属于二分问题，交叉熵损失具体为loss
binary
＝-[p1log(q1) (1-p1)log(1-q1)]；
[0025]
步骤6.3逐个将小批次数据作为模型m1的输入，计算每个批次的交叉熵损失其中m为每个批次中数据的数量。采用梯度下降法更新模型m1的权重，其中wi为第i次迭代的模型m1的权重，αi为第i次迭代的学习率，学习率在训练过程中动态调整，每经过j次迭代后调整为上一次的1/n，即当rem(i,j)＝0时，其中j和n为正整数；
[0026]
步骤6.4判断模型m1是否达到收敛条件，是则执行6.5，否则执行6.3；
[0027]
步骤6.5获得训练好的模型m2。
[0028]
进一步的，步骤7中坏点检测步骤如下：
[0029]
步骤7.1准备待测的版图数据；
[0030]
步骤7.2将待测的版图数据转换为图形数据，通过下采样后分辨率转化为240
×
240；
[0031]
步骤7.3采用模型m2对图形数据进行坏点检测，，将图形数据输入模型m2，模型m2输出结果为其分类结果[q1,q2]，如果q1》q2,则为坏点数据，如果q1≤q2,则为非坏点数据。；
[0032]
与在先技术1相比，本发明采用预训练的vgg卷积神经网络作为模型，将下采样的版图图形数据作为模型输入，采用交叉熵损失作为模型训练的损失函数，从而训练得到适用于光刻坏点检测的模型。本发明可以有效提升检测坏点检测结果的查准率和f1分数，在
查全率、查准率和f1分数获得良好的综合表现。坏点检测结果的查准率和f1分数的提升可以更准确得找到版图中的潜在坏点图形，降低坏点检测误报率，从而可以降低对版图数据进一步检测和修正的工作量，直接缩短芯片版图设计和光刻掩模制造的设计与制造时间，提高光刻产率。
附图说明
[0033]
图1本发明总体流程图
具体实施方式
[0034]
下面结合实施例和附图对本发明作进一步说明，但不应以此实施实例限制本发明的保护范围
[0035]
本发明实施例采用基于预训练的googlenet迁移学习的坏点检测技术(即在先技术1)和samsung公司的基于深度卷积神经网络的坏点检测技术(即在先技术2:moojoon shin,jee-hyong lee.accurate lithography hotspot detection using deep convolutional neural networks[j].j.micro/nanolith.mems moems,2016,15(4):043507.)，作为对比对象。本发明实施例模型选择为vgg13网络，模型预训练所用的图形数据集a为imagnet数据集。模型训练的集成电路版图数据集b为iccad2012数据集中的训练数据集，经过训练数据预处理后获得版图图形数据集c。基于imagnet数据集对模型进行预训练，训练好的模型再进行调整后，使用iccad 2012数据集中的训练数据集进行模型训练。最后使用iccad 2012数据集中的测试数据集进行模型测试，分析其在查全率、查准率和f1分数获得的表现。
[0036]
本发明实施例流程图如图1所示。
[0037]
步骤1.将imagnet数据集作为预训练图形数据集a，将iccad 2012数据集中的训练数据集作为版图数据集b；
[0038]
步骤2.将版图数据集b转换为图形数据集c，并进行如下预处理：
[0039]
步骤2.1对图形数据集c进行图像下采样，下采样后图形分辨率为240
×
240；
[0040]
步骤2.2将图形数据集c打包为[x,y]，其中x为图形数据，y＝[y1,y2]表示图形的对应标签，第i项图形数据x(i)对应的标签y(i)＝[y1(i),y2(i)]，x(i)属于坏点图形则标签为y(i)＝[1,0]，属于非坏点图形则为y(i)＝[0,1]。
[0041]
步骤3.选择vgg13网络作为模型m0。
[0042]
步骤4.使用图形数据集a对模型m0进行训练，通过bp神经网络算法优化模型参数，得到预训练模型m：
[0043]
步骤4.1将图形数据集a划分为小批次数据；
[0044]
步骤4.2逐个将小批次数据作为模型m0的输入，通过bp神经网络算法优化模型权重；
[0045]
步骤4.3判断模型m0是否达到收敛条件，是则执行4.4，否则执行4.2；
[0046]
步骤4.4获得训练好的模型m。
[0047]
步骤5.基于预训练模型m，将模型输出维度调整为2，固定全部卷积层的权重，获得模型m1；
[0048]
步骤6.基于图形数据集c，对模型m1进行训练，训练收敛后获得模型m2；
[0049]
步骤6.1将图形数据集c划分为小批次数据，每个批次数量为100；
[0050]
步骤6.2采用交叉熵损失作为模型的损失函数，其中n为图形数据集c分类总数，pi为样本在分类i的实际概率，qi为样本在分类i的模型输出概率。由于坏点检测属于二分问题，交叉熵损失具体为loss
binary
＝-[p1log(q1) (1-p1)log(1-q1)]；
[0051]
步骤6.3逐个将小批次数据作为模型m1的输入，计算每个批次的交叉熵损失采用梯度下降法更新模型m1的权重，其中wi为第i次迭代的模型m1的权重，αi为第i次迭代的学习率，学习率在训练过程中动态调整，设置其每3次迭代后调整为上一次的1/10，即当rem(i,3)＝0时，
[0052]
步骤6.4判断模型m1是否达到收敛条件，是则执行6.5，否则执行6.3；
[0053]
步骤6.5经过10次迭代后，模型m1收敛，获得训练好的模型m2。
[0054]
步骤7.采用训练好的模型m2进行坏点检测：
[0055]
步骤7.1将iccad 2012数据集中的测试数据集作为测试数据集；
[0056]
步骤7.2将测试数据集转换为图形测试数据集d，通过下采样后分辨率转化为240
×
240，对数据和标签打包整理为[x
test
,y
test
]；
[0057]
步骤7.3采用模型m2对数据集d进行坏点检测，将数据集d输入模型m2，模型m2输出结果为其分类结果[q1,q2]，如果q1》q2,则为坏点数据，如果q1≤q2,则为非坏点数据，判别其中每个数据是否为坏点数据；
[0058]
步骤7.4根据模型m2输出结果也实际的标签y
test
进行比较，统计测试结果，计算出测试结果的查全率、查准率和f1分数如表1所示。
[0059]
在先技术1、在先技术2和本发明，均基于iccad 2012数据集的训练集完成模型训练，并再iccad 2012数据集的测试集完成测试。对比了测试结果，三种方法获得的准确率、查全率、查准率和f1分数如下表所示。结果显示，本发明有效提升检测坏点检测结果的查准率和f1分数，在查全率、查准率和f1分数获得良好的综合表现。坏点检测结果的查准率和f1分数的提升可以更准确得找到版图中的潜在坏点图形，降低坏点检测误报率，从而可以降低对版图数据进一步检测和修正的工作量，直接缩短芯片版图设计和光刻掩模制造的设计与制造时间，提高光刻产率。
[0060]
表1在先技术1、在先技术2和本发明基于iccad 2012数据集获得的结果对比
[0061]