CN111339724B - 用于生成数据处理模型和版图的方法、设备和存储介质 - Google Patents
用于生成数据处理模型和版图的方法、设备和存储介质 Download PDFInfo
- Publication number
- CN111339724B CN111339724B CN202010108722.4A CN202010108722A CN111339724B CN 111339724 B CN111339724 B CN 111339724B CN 202010108722 A CN202010108722 A CN 202010108722A CN 111339724 B CN111339724 B CN 111339724B
- Authority
- CN
- China
- Prior art keywords
- data
- processing model
- layout
- semiconductor process
- data processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
根据本公开的示例实施例,提供了用于生成数据处理模型和版图的方法、设备和计算机可读存储介质。用于生成数据处理模型的方法包括获取第一半导体工艺的第一数据集,第一数据集包括与所述第一半导体工艺相关的第一样本版图的图案信息。该方法还包括获取第二半导体工艺的第二数据集,第二数据集包括与第二半导体工艺相关的第二样本版图的图案信息,第一半导体工艺和第二半导体工艺具有至少一个取值相同的属性。该方法进一步包括通过将第一数据集作为原始数据,以及将第二数据集作为目标数据,确定用于生成预测版图的数据处理模型,预测版图与第二半导体工艺相关。以此方式,可以预测新工艺的版图,从而减小新工艺开发的时间和成本。
Description
技术领域
本公开的实施例主要涉及集成电路领域,并且更具体地,涉及用于生成数据处理模型和版图的方法、设备和计算机可读存储介质。
背景技术
基于半导体技术的集成电路的设计包括线路设计、工艺设计、版图设计等。首先根据线路指标,结合集成电路的特点设计出可行的电子线路,再将电子线路图转换为一张平面的集成电路工艺复合图,即版图。进而制作一套掩模板,以在确定的工艺条件下生产符合原设计指标的集成电路芯片。在版图设计中,特别是新工艺的早期开发期间,针对新工艺的版图设计工作需要花费大量的时间和人力成本。
发明内容
根据本公开的示例实施例,提供了一种用于生成数据处理模型和生成版图的方案。
在本公开的第一方面中,提供了一种生成数据处理模型的方法。该方法包括获取第一半导体工艺的第一数据集,第一数据集包括与第一半导体工艺相关的第一样本版图的图案信息。该方法还包括获取第二半导体工艺的第二数据集,第二数据集包括与第二半导体工艺相关的第二样本版图的图案信息,第一半导体工艺和第二半导体工艺具有至少一个取值相同的属性。该方法进一步包括通过将第一数据集作为原始数据,以及将第二数据集作为目标数据,确定用于生成预测版图的数据处理模型,预测版图与第二半导体工艺相关。
在本公开的第二方面中,提供了一种生成版图的方法。该方法包括获取第一半导体工艺的参考数据,参考数据包括与第一半导体工艺相关的参考版图的图案信息。该方法还包括获取针对第二半导体工艺的第一数据处理模型,第一半导体工艺和第二半导体工艺具有至少一个取值相同的属性,第一数据处理模型是通过根据本公开的第一方面的方法而确定的。该方法进一步包括基于参考数据和第一数据处理模型,生成与第二半导体工艺相关的预测版图。
在本公开的第三方面中,提供了一种电子设备。该电子设备包括处理器以及与处理器耦合的存储器,存储器具有存储于其中的指令,指令在被处理器执行时使设备执行动作。动作包括获取第一半导体工艺的第一数据集,第一数据集包括与第一半导体工艺相关的第一样本版图的图案信息。动作还包括获取第二半导体工艺的第二数据集,第二数据集包括与第二半导体工艺相关的第二样本版图的图案信息,第一半导体工艺和第二半导体工艺具有至少一个取值相同的属性。动作进一步包括通过将第一数据集作为原始数据,以及将第二数据集作为目标数据,确定用于生成预测版图的数据处理模型,预测版图与第二半导体工艺相关。
在本公开的第四方面中,提供了一种电子设备。该电子设备包括处理器以及与处理器耦合的存储器,存储器具有存储于其中的指令,指令在被处理器执行时使设备执行动作。动作包括获取第一半导体工艺的参考数据,参考数据包括与第一半导体工艺相关的参考版图的图案信息。动作还包括获取针对第二半导体工艺的第一数据处理模型,第一半导体工艺和第二半导体工艺具有至少一个取值相同的属性,第一数据处理模型是通过根据本公开的第一方面的方法而确定的。动作进一步包括基于参考数据和第一数据处理模型,生成与第二半导体工艺相关的预测版图。
在本公开的第五方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第一方面的方法。
在本公开的第六方面中,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第二方面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素,其中:
图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图;
图2A示出了根据本公开的一些实施例的生成数据处理模型的过程的流程图;
图2B示出了根据本公开的一些实施例的生成版图的过程的流程图;
图3示出了根据本公开的一些实施例的确定数据处理模型的示意图;
图4示出了根据本公开的一些实施例的确定数据处理模型的示意图;
图5示出了根据本公开的一些实施例的确定数据处理模型的示意图;
图6示出了根据本公开的一些实施例的基于多个模型生成版图的示意图;
图7示出了根据本公开的一些实施例的基于多个模型生成版图的示意图;以及
图8示出了能够实施本公开的多个实施例的计算设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
诸如深度学习的机器学习/人工智能技术已经应用于各个领域,例如图像处理领域中。这样的技术的示例可以包括但不限于深度生成式卷积神经网络、生成式对抗网络GAN、卷积神经网络CNN、循环神经网络RNN等。在图像处理领域,已经开发了图像风格迁移。所谓图像风格迁移,是指利用算法学习著名画作的风格,然后再将所学习到的风格应用到另一图像的技术。然而,图像风格迁移技术仅适用于处理图像。
如前文所提及的,基于半导体技术的集成电路设计包括版图设计。然而,特别是在新工艺的早期开发阶段,版图设计需要耗费大量的时间和人力成本。因此,需要一种能够准确进行版图设计同时减少成本的方案。
根据本公开的实施例,提出了一种生成数据处理模型和版图的方案。在一方面中,获取已有工艺的已有版图数据和与已有工艺相近的目标工艺的试样版图数据,然后基于已有版图数据和试样版图数据来确定数据处理模型,该数据处理模型用于生成与目标工艺相关的预测版图。在该数据处理模型的确定中,可以利用机器学习过程,并且还可以进一步利用针对版图元素的变换操作。在另一方面中,可以利用所确定的数据处理模型和目标工艺的参考数据,生成与目标工艺相关的预测版图。因此,利用本公开的方案能够针对开发中的工艺生成预测版图,从而可以对该工艺进行预先评估。以此方式,可以减小新工艺开发的时间和成本。
以下将参照附图来具体描述本公开的实施例。图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。在该示例环境100中,由计算设备102利用第一数据集110和第二数据集120来确定数据处理模型103。计算设备102还可以将数据处理模型103应用于参考数据130,从而生成新的版图107。如此生成的版图107在本文中又可以称为预测版图107。
计算设备102可以是任何具有计算能力的设备。作为非限制性示例,计算设备102可以是任意类型的固定计算设备、移动计算设备或便携式计算设备,包括但不限于台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、多媒体计算机、移动电话等;计算设备102的全部组件或一部分组件可以分布在云端。
在图1的示例中,计算设备102利用第一数据集110和第二数据集120,第一数据集110可以对应于第一半导体工艺,以及,第二数据集120可以对应于第二半导体工艺。
第一半导体工艺可以是存在较大量的已设计版图的现有工艺。因此,在本文中,第一半导体工艺有时又称为现有工艺。第二半导体工艺可以是仅存在少量的已设计版图或样本版图的开发中工艺或所期望实现的目标工艺。因此,在本文中,第二半导体工艺有时又称为目标工艺。
第一半导体工艺和第二半导体工艺可以是接近的工艺,例如具有至少一个取值相同的属性。第一半导体工艺和第二半导体工艺可以用于不同节点的相近或相同层,或者可以用于相同节点的不同层。作为一个示例,第一半导体工艺可以是用于20nm节点M1层的工艺,而第二半导体工艺可以是用于14nm节点M1层的工艺。作为另一示例,第一半导体工艺可以是用于20nm节点M1层的工艺,而第二半导体工艺可以是用于20nm节点M2层至M4层中的任一项的工艺。
第一数据集110包括与第一半导体工艺相关的样本版图(为了便于讨论,又可以称为第一样本版图)的图案信息。例如,第一数据集110可以包括第一样本版图中的样本图案(本文中,又可以称为第一样本图案)和/或第一样本图案的测量尺寸。在此描述的“与第一半导体工艺相关的样本版图”是指针对第一半导体工艺的已有版图;“测量尺寸”是指针对版图中的图案元素在一个或多个维度上进行测量的结果,例如可以包括图案元素的宽度。在下文中,第一数据集110又可以称为原始数据集110。
第二数据集120包括与第二半导体工艺相关的样本版图(为了便于讨论,又可以称为第二样本版图)的图案信息。例如,第二数据集120可以包括第二样本版图中的样本图案(本文中,又可以称为第二样本图案)。在一些实施例中,第二数据集120还可以包括第二样本图案的测量尺寸。在此描述的“与第二半导体工艺相关的样本版图”是指针对第二半导体工艺的已有版图。在第二半导体工艺属于开发中或未成熟的工艺的情况下,“与第二半导体工艺相关的样本版图”可以是第二半导体工艺的某些试验或试样版图。在下文中,第二数据集120又可以称为目标数据集120。
参考数据130可以包括与第一半导体工艺相关的参考版图的信息,例如,可以包括参考版图中的图案以及构成图案的图案元素的尺寸信息。在此描述的“参考版图”可以是指除用于生成数据处理模型103的第一样本版图之外的与第一半导体工艺相关的其他版图。通过将参考数据130应用于数据处理模型103可以生成与第二半导体工艺相关的预测版图107。
应当理解,图1中示出的环境100仅是示例性的,还可以使用多个计算设备来实现本公开的实施例。例如,数据处理模型103的确定和预测版图107的生成可以在不同的计算设备处实现。
为了更清楚地理解本公开的实施例所提供的生成版图的方案,将参照图2-图7来进一步描述本公开的实施例。图2A示出了根据本公开的实施例的生成数据处理模型的过程200的流程图。过程200可以由图1的计算设备102实现。为便于讨论,将结合图1来描述过程200。
在框210,计算设备102获取第一半导体工艺的第一数据集110。第一数据集110或原始数据集110可以包括与第一半导体工艺相关的第一样本版图的图案信息。在一些实施例中,第一数据集110可以包括第一样本版图中的第一样本图案和第一样本图案的第一组测量尺寸(本文中,又可以称为第一组测量尺寸)。例如,第一组测量尺寸可以包括构成第一样本图案的图案元素在某个维度上的尺寸。
在框220,计算设备102获取第二半导体工艺的第二数据集120。第二数据集120或目标数据集120可以与第二半导体工艺相关的第二样本版图的图案信息。在一些实施例中,第二数据集120可以包括第二样本版图中的第二样本图案的测量尺寸(本文中,又可以称为第二组测量尺寸)。如前文所提及的,第一半导体工艺和第二半导体工艺是相近或相似的工艺,例如具有至少一个取值相同的属性。
为了更好地理解建立数据处理模型103所利用的第一数据集110和第二数据集120,下面将参考图3和图4进行说明。图3和图4分别示出了根据本公开的一些实施例的确定数据处理模型的示意图300和示意图400。应当理解,图3和图4中所示的图案、图案元素及其尺寸仅是示意性的,而无意任何限制。
首先参考图3,样本数据310可以认为是第一数据集110的一部分的示例,而样本数据320可以认为是第二数据集120的一部分的示例。可以看出,样本数据310和样本数据320分别包括由多个长方形构成的图案,以及这些图案元素(在此为长方形)在某个方向上的测量尺寸。在图3的示例中,由于第一半导体工艺和第二半导体工艺是相近的工艺,例如样本数据310来自20nm节点M1层而样本数据320来自20nm节点M4层,因此样本数据310和样本数据320中的图案相同,差别在于图案元素的尺寸。
进而参考图4,样本数据410可以认为是第一数据集110的一部分的示例,而样本数据420可以认为是第二数据集120的一部分的示例。图4以分解的方式示意性地示出样本数据410,其包括图案412和构成图案412的图案元素的测量尺寸411。与图3的示例相比,在图4的示例中,样本数据420仅包括图案元素的测量尺寸421。
继续参考图2A,在框230,计算设备102通过将第一数据集110作为原始数据,以及将第二数据集120作为目标数据,确定用于生成预测版图107的数据处理模型103,该预测版图107与第二半导体工艺相关。举例而言,在第一数据集110来自20nm节点M1层工艺而第二数据集120来自20nm节点M4层工艺的情况下,所确定的数据处理模型103可以用于生成针对20nm节点M4层的预测版图。计算设备102可以利用各种方式来确定或生成数据处理模型103,下面参考图3至图5来描述一些实现。
计算设备102可以利用人工智能、机器学习等来确定数据处理模型103。在一些实施例中,计算设备102可以通过将第一数据集110作为原始数据,以及将第二数据集120作为目标数据,来确定将第一组测量尺寸转换为第二组测量尺寸的映射因子,以及针对第一样本图案的卷积操作。然后,计算设备102可以基于映射因子、卷积操作和第一样本图案(或目标样本图案),生成数据处理模型103。
参考图3来描述这样的一个示例实现。机器学习引擎301可以部署在计算设备102处或者可以由计算设备102使用。机器学习引擎301可以是基于深度学习的引擎,包括但不限于,深度生成式卷积神经网络、生成式对抗网络GAN、卷积神经网络CNN、循环神经网络RNN等。在图3的示例中,机器学习引擎301可以将样本数据310作为原始数据,以及将样本数据320作为目标数据(即,学习的目标),从而训练所构建的神经网络并将经训练得到的神经网络作为数据处理模型103。换言之,在图3的示例中,确定数据处理模型103,即,构建或训练将第一半导体工艺(例如,20nm节点M1层)的样本数据310转换为第二半导体工艺(例如,20nm节点M4层)的样本数据320的模型。
为了便于讨论,将用A310表示样本数据310,用P310表示样本数据310所包含的图案,用D310表示样本数据310中的图案元素的测量尺寸;用A320表示样本数据320,用P320表示样本数据320所包含的图案,用D320表示样本数据320中的图案元素的测量尺寸;用S表示数据处理模型103。那么,确定数据处理模型103可以描述为求解式(1):
利用机器学习引擎301进行机器学习的过程可以等价于针对式(1)来求解S的过程。如式(1)所示,将数据处理模型S作用于第一半导体工艺的样本数据310可以获得第二半导体工艺的样本数据320。
在一些实施例中,可以利用光学卷积来求解S。在这种情况下,式(1)又可以被描述为如下的式(2):
其中,FAC表示映射因子或映射核因子,其将第一组测量尺寸转换为第二组测量尺寸,例如将D310转换为D320;OCF表示光学卷积函数;PAT表示目标图案。在本示例中,如上文所提及的,由于第一半导体工艺与第二半导体工艺相近,导致样本数据310的图案与样本数据320的图案相同。在这种情况下,目标图案可以是P310或P320中的任一项。
关于映射因子FAC,作为一个示例,如果D310可以表示为式(3)中的矩阵,并且D320可以表示为式(4)中的矩阵,即如图3所示的测量尺寸,则映射因子FAC可以表示为式(5)中的矩阵。
光学卷积操作或光学卷积函数OCF可以与目标图案PAT进行卷积,以获得D310和D320的尺寸的位置信息,例如在版图中的物理意义上的位置。由此,映射因子FAC可以将D310与D320相关联。光学卷积操作或光学卷积函数特别适合于本公开的实施例的用于生成版图的数据处理模型。
在一些实施例中,还可以利用针对图案或图案元素的变换操作来确定数据处理模型103。计算设备102可以获取用于对版图中的图案或图案元素进行变换的预定义操作。例如,计算设备102可以经由用户接口接收由用户定义的变换操作;计算设备102也可以从自身的存储装置或其他源(例如,托管于云端的数据库)检索预先定义的变换操作。然后,可以通过将第一数据集110作为原始数据以及将第二数据集120作为目标数据,进一步基于预定义操作来确定数据处理模型103。
这样的预定义操作可以基于各种运算或数据方法,包括但不限于扰动算法、物理理论与数学评价方法、方程或数学函数、对象与数学评价方法、计算规则(例如,预先设置的逻辑运算)、索引或符号映射关系等。在一些实施例中,这样的预定义操作可以包括以下至少一项:对图案或图案元素的缩放操作(例如,放大),对图案或图案元素的旋转操作(例如,旋转某个角度),将第一类型的图案或图案元素转换为不同的、第二类型的图案或图案元素的映射操作(例如,将长方形转换为正方形),或对图案或图案元素的尺寸的运算操作。
计算设备102可以以多种方式利用预定义操作来确定数据处理模型103。在一些实施例中,计算设备102可以首先构建包括预定义操作的初始处理模型,然后通过将第一数据集110作为原始数据以及将第二数据集120作为目标数据,训练初始处理模型。如此,可以将经训练的初始处理模型确定为数据处理模型103。下面将参考图4描述这样的一个示例。
如前文所提及的,作为第一数据集110的一部分的示例,样本数据410包括图案412和图案元素的测量尺寸411;作为第二数据集120的一部分的示例,样本数据420包括测量尺寸421。计算设备102可以利用机器学习引擎401和所获取的预定义操作402,构建初始处理模型403,例如构建初始神经网络。
在此示例中,将预定义操作402示意性地示出为对图案元素的放大操作,但应当理解这仅为了说明而无意限制。接下来,计算设备102可以通过将包括样本数据410的第一数据集110作为原始数据,以及将包括样本数据420的第二数据集120作为目标数据,训练所构建的初始处理模型403。经训练的初始处理模型403被确定为数据处理模型103。
计算设备102还可以以其他方式来利用预定义操作。例如,计算设备102可以首先通过将第一数据集110作为原始数据以及将第二数据集120作为目标数据,训练用于数据处理模型103的中间处理模型。然后,计算设备102可以利用预定义操作来更新中间处理模型,作为所期望的数据处理模型103。下面将参考图5描述这样的一个示例。
图5示出了根据本公开的一些实施例的确定数据处理模型的示意图500。如图5所示,部署于计算设备102或可由计算设备102利用的机器学习引擎501将第一数据集110和第二数据集120作为训练的输入,将训练得到的模型作为中间处理模型503。接下来,计算设备102可以将所获取的预定义操作502应用到中间处理模型503。在一些实施例中,应用了预定义操作502的中间处理模型503可以作为所期望的数据处理模型103。
如图5所示,在一些实施例中,通过将预定义操作502应用到中间处理模型503可以获得进一步的中间处理模型504。计算设备102还可以将与预定义操作502不同的(多个)预定义操作505应用到中间处理处理模型504。由此方式,计算设备102可以确定所期望的数据处理模型103。
尽管在图5的示例中示出了两个预定义操作502和505,但是应当理解这仅是示意性的。在本公开的实施例中,可以根据需要利用任意数目的预定义操作。在一些实施例中,数据处理模型103可以是基于神经网络的模型,例如基于卷积神经网络CNN的模型。
在参考图4和图5所描述的实施例中,通过利用针对图案或图案元素的预定义操作,可以将集成电路或半导体工艺的原理或规则应用于模型的确定或生成过程。以此方式,所获得用于生成版图的数据处理模型将更加准确。另外,还可以减少训练模型所花费的时间。
上文描述了生成与第二半导工艺相关的数据处理模型103的示例实施例。如前文所提及的,还可以利用数据处理模型103来生成与第二半导体工艺有关的预测版图107。图2B示出了根据本公开的一些实施例的生成版图的过程205的流程图。过程205可以由图1的计算设备102实现。为便于讨论,将结合图1来描述过程205,但是应当理解,过程205也可以由不同于计算设备102的其他设备实现。
在框240,计算设备102获取第一半导体工艺的参考数据130。参考数据130包括与第一半导体工艺相关的参考版图的图案信息。例如,参考数据130可以至少包括参考版图中的参考图案和构成参考图案的图案元素的测量尺寸。参考数据130如前文参考图1所描述。例如,在第一数据集110来自20nm节点M1层的情况下,参考数据130同样来自20nm节点M1层。
在一些实施例中,参考数据130可以是第一半导体工艺的已有版图,例如被存储在数据库中或由用户输入。在一些实施例中,还可以利用版图生成器来生成参考数据130,从而实现新版图的自动生成。可以通过被配置为生成与第一半导体工艺相关的版图的生成器,生成参考数据130。例如,在第一半导体工艺是成熟工艺的情况下,可能存在针对该工艺的版图生成器,计算设备102可以利用这样的生成器来生成多组参考数据130,从而可以基于该多组参考数据130来自动地生成多个预测版图107。换言之,在这样的实施例中,通过版图生成器与数据处理模型103的组合可以实现大量预测版图的自动生成。以此方式,可以以更高的效率生成针对第二半导体工艺的大量版图,从而进一步节省工艺开发成本。
在框245,计算设备102获取针对第二半导体工艺的第一数据处理模型,例如数据处理模型103(在下文中,为了便于讨论又可以称为第一数据处理模型103)。第一数据处理模型103可以通过参考图2A描述的过程而生成的。在一些实施例中,已生成的第一数据处理模型103可以被存储在计算设备102的存储装置中,或者被存储在与计算设备102通信的其他存储装置中。计算设备102可以从存储装置中加载第一数据处理模型103。在一些实施例中,计算设备102可以通过参考图2A描述的过程来生成第一数据处理模型103。
在框250,计算设备102基于参考数据130和第一数据处理模型103,生成与第二半导体工艺相关的预测版图107。例如,在第二数据集120来自14nm节点M1层的情况下,所生成的预测版图107可以用于14nm节点M1层。
在一些实施例中,计算设备102可以直接将参数数据130作为第一数据处理模型103的输入,将所得到的输出作为第二半导体工艺的预测版图107。在一些实施例中,还可以进一步利用除第一数据处理模型103之外的(多个)另外的数据处理模型(为了便于讨论,也可以称为第二数据处理模型)。计算设备102可以获取用于第二半导体工艺的第二数据处理模型,进而可以基于参考数据130、第一数据处理模型103和第二数据处理模型,生成预测版图107。第二数据处理模型用于生成与第二半导体工艺相关的版图。第二数据处理模型可以是利用根据本公开的生成数据处理模型的方法而生成的,也可以是利用其他方法生成的。
可以以多种方式(例如,并行、串行)结合第一数据处理模型103和第二数据处理模型来生成预测版图107。在一些实施例中,计算设备102可以通过将第一数据处理模型103和第二数据处理模型分别应用于参考数据130,生成与第二半导体工艺有关的第一中间版图和第二中间版图。进而可以将第一中间版图和第二中间版图组合成预测版图107。下面参考图6来描述这样的一个示例。
图6示出了根据本公开的一些实施例的基于多个模型生成版图的示意图600。在图6的示例中,除了数据处理模型103以外,还示出了用于第二半导体工艺的数据处理模型601和602。数据处理模型601和/或602可以是利用上文所描述的用于确定数据处理模型103的实施例中的一个或多个实施例而确定的。备选地或附加地,数据处理模型601和/或602也可以是用其他方式确定的模型。
通过将数据处理模型103、604和602分别应用于参数数据130,可以生成对应的中间版图611、612和613。然后,可以组合中间版图611、612和613来生成预测版图107。可以通过多种方式组合这些中间版图。例如,预测版图107可以是中间版图611、612和613的加权平均,包括数值上(对应于尺寸)的平均。又如,预测版图107可以是中间版图611、612和613的拼接等。
尽管在图6的示例中示出了两个另外的数据处理模型601和602,但是应当理解这仅是示意性的。在本公开的实施例中,可以根据需要利用任意合适数目的数据处理模型。
以上参考图6描述的示例可以视为以并行的方式利用多个数据处理模型生成版图。在一些实施例中,还可以以串行方式利用多个数据处理模型来生成版图。例如,计算设备102可以通过将第一数据处理模型103应用于参考数据130,生成与第二半导体工艺相关的中间版图。然后,计算设备102可以通过将第二数据处理模型应用于该中间版图,生成预测版图107。下面参考图7来描述这样的一个示例。
图7示出了根据本公开的一些实施例的基于多个模型生成版图的示意图700。在图7的示例中,除了数据处理模型103以外,还示出了用于第二半导体工艺的数据处理模型702和704。数据处理模型702和/或704可以是利用上文所描述的用于确定数据处理模型103的实施例中的一个或多个实施例而确定的。备选地或附加地,数据处理模型702和/或704也可以是用其他方式确定的模型。
如图7所示,通过将参考数据130作为在框230确定的数据处理模型103的输入,生成与第二半导体工艺相关的中间版图701。接下来,将中间版图701(具体而言,中间版图701的数据)作为下一数据处理模型702的输入。在一些实施例中,可以将由此获得的版图作为预测版图107。在另一实施例中,如图7所示,可以将由此获得的版图作为另一中间版图703,并将该中间版图703作为另一数据处理模型704的输入,从而生成与第二半导体工艺有关的预测版图107。
尽管在图7的示例中示出了两个另外的数据处理模型702和704,但是应当理解这仅是示意性的。在本公开的实施例中,可以根据需要利用任意合适数目的数据处理模型。
图8示出了可以用来实施本公开的实施例的示例设备800的示意性框图。设备800可以用于实现图1的计算设备102。如图所示,设备800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的计算机程序指令或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序指令,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元801执行上文所描述的各个方法和处理,例如过程200、205。例如,在一些实施例中,过程200、205可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由CPU 801执行时,可以执行上文描述的过程200、205中的任一过程的一个或多个步骤。备选地,在其他实施例中,CPU 801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行过程200、205中的任一过程。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (24)
1.一种生成数据处理模型的方法,包括:
获取第一半导体工艺的第一数据集,所述第一数据集包括与所述第一半导体工艺相关的第一样本版图的图案信息;
获取第二半导体工艺的第二数据集,所述第二数据集包括与所述第二半导体工艺相关的第二样本版图的图案信息,所述第一半导体工艺和所述第二半导体工艺具有至少一个取值相同的属性;以及
通过将所述第一数据集作为原始数据,以及将所述第二数据集作为目标数据,确定用于生成预测版图的数据处理模型,所述预测版图与所述第二半导体工艺相关;
其中确定用于生成所述预测版图的所述数据处理模型包括:
获取用于对版图中的图案或图案元素进行变换的预定义操作;以及
通过将所述第一数据集作为所述原始数据,以及将所述第二数据集作为所述目标数据,进一步基于所述预定义操作来确定所述数据处理模型。
2.根据权利要求1所述的方法,其中进一步基于所述预定义操作来确定所述数据处理模型包括:
构建包括所述预定义操作的初始处理模型;
通过将所述第一数据集作为所述原始数据,以及将所述第二数据集作为所述目标数据,训练所述初始处理模型;以及
将经训练的所述初始处理模型确定为所述数据处理模型。
3.根据权利要求1所述的方法,其中进一步基于所述预定义操作来确定所述数据处理模型包括:
通过将所述第一数据集作为原始数据,以及将所述第二数据集作为目标数据,训练用于所述数据处理模型的中间处理模型;以及
利用所述预定义操作来更新所述中间处理模型,作为所述数据处理模型。
4.根据权利要求1所述的方法,其中所述预定义操作包括以下至少一项:
对图案或图案元素的缩放操作,
对图案或图案元素的旋转操作,
将第一类型的图案或图案元素转换为第二类型的图案或图案元素的映射操作,所述第一类型不同于所述第二类型,或
对图案或图案元素的尺寸的运算操作。
5.根据权利要求1所述的方法,其中所述数据处理模型是基于神经网络的模型。
6.一种生成数据处理模型的方法,包括:
获取第一半导体工艺的第一数据集,所述第一数据集包括与所述第一半导体工艺相关的第一样本版图的图案信息;
获取第二半导体工艺的第二数据集,所述第二数据集包括与所述第二半导体工艺相关的第二样本版图的图案信息,所述第一半导体工艺和所述第二半导体工艺具有至少一个取值相同的属性;以及
通过将所述第一数据集作为原始数据,以及将所述第二数据集作为目标数据,确定用于生成预测版图的数据处理模型,所述预测版图与所述第二半导体工艺相关;
其中所述第一数据集包括所述第一样本版图中的第一样本图案和所述第一样本图案的第一组测量尺寸,所述第二数据集包括所述第二样本版图中的第二样本图案的第二组测量尺寸,并且确定用于生成所述预测版图的所述数据处理模型包括:
通过将所述第一数据集作为原始数据,以及将所述第二数据集作为目标数据,确定将所述第一组测量尺寸转换为所述第二组测量尺寸的映射因子以及针对所述第一样本图案的卷积操作;以及
基于所述映射因子、所述卷积操作和所述第一样本图案,生成所述数据处理模型。
7.一种生成版图的方法,包括:
获取第一半导体工艺的参考数据,所述参考数据包括与所述第一半导体工艺相关的参考版图的图案信息;
获取针对第二半导体工艺的第一数据处理模型,所述第一半导体工艺和所述第二半导体工艺具有至少一个取值相同的属性,所述第一数据处理模型是通过根据权利要求1-6中的任一项所述的方法而确定的;以及
基于所述参考数据和所述第一数据处理模型,生成与所述第二半导体工艺相关的预测版图。
8.根据权利要求7所述的方法,其中生成与所述第二半导体工艺相关的所述预测版图包括:
获取针对所述第二半导体工艺的第二数据处理模型,所述第二数据处理模型用于生成与所述第二半导体工艺相关的版图;以及
基于所述参考数据、所述第一数据处理模型和所述第二数据处理模型,生成所述预测版图。
9.根据权利要求8所述的方法,其中基于所述参考数据、所述第一数据处理模型和所述第二数据处理模型生成所述预测版图包括:
通过将所述第一数据处理模型和所述第二数据处理模型分别应用于所述参考数据,生成与所述第二半导体工艺有关的第一中间版图和第二中间版图;以及
将所述第一中间版图和所述第二中间版图组合成所述预测版图。
10.根据权利要求8所述的方法,其中基于所述参考数据、所述第一数据处理模型和所述第二数据处理模型生成所述预测版图包括:
通过将所述第一数据处理模型应用于所述参考数据,生成与所述第二半导体工艺相关的中间版图;以及
将所述第二数据处理模型应用于所述中间版图,以更新所述中间版图作为所述预测版图。
11.根据权利要求7所述的方法,其中获取所述第二半导体工艺的所述参考数据包括:
通过被配置为生成与所述第一半导体工艺相关的版图的生成器,生成所述参考数据。
12.一种电子设备,包括:
处理器;以及
与所述处理器耦合的存储器,所述存储器具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:
获取第一半导体工艺的第一数据集,所述第一数据集包括与所述第一半导体工艺相关的第一样本版图的图案信息;
获取第二半导体工艺的第二数据集,所述第二数据集包括与所述第二半导体工艺相关的第二样本版图的图案信息,所述第一半导体工艺和所述第二半导体工艺具有至少一个取值相同的属性;以及
通过将所述第一数据集作为原始数据,以及将所述第二数据集作为目标数据,确定用于生成预测版图的数据处理模型,所述预测版图与所述第二半导体工艺相关;
其中确定用于生成所述预测版图的所述数据处理模型包括:
获取用于对版图中的图案或图案元素进行变换的预定义操作;以及
通过将所述第一数据集作为所述原始数据,以及将所述第二数据集作为所述目标数据,进一步基于所述预定义操作来确定所述数据处理模型。
13.根据权利要求12所述的设备,其中进一步基于所述预定义操作来确定所述数据处理模型包括:
构建包括所述预定义操作的初始处理模型;
通过将所述第一数据集作为所述原始数据,以及将所述第二数据集作为所述目标数据,训练所述初始处理模型;以及
将经训练的所述初始处理模型确定为所述数据处理模型。
14.根据权利要求12所述的设备,其中进一步基于所述预定义操作来确定所述数据处理模型包括:
通过将所述第一数据集作为原始数据,以及将所述第二数据集作为目标数据,训练用于所述数据处理模型的中间处理模型;以及
利用所述预定义操作来更新所述中间处理模型,作为所述数据处理模型。
15.根据权利要求12所述的设备,其中所述预定义操作包括以下至少一项:
对图案或图案元素的缩放操作,
对图案或图案元素的旋转操作,
将第一类型的图案或图案元素转换为第二类型的图案或图案元素的映射操作,所述第一类型不同于所述第二类型,或
对图案或图案元素的尺寸的运算操作。
16.根据权利要求12所述的设备,其中所述数据处理模型是基于神经网络的模型。
17.一种电子设备,包括:
处理器;以及
与所述处理器耦合的存储器,所述存储器具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:
获取第一半导体工艺的第一数据集,所述第一数据集包括与所述第一半导体工艺相关的第一样本版图的图案信息;
获取第二半导体工艺的第二数据集,所述第二数据集包括与所述第二半导体工艺相关的第二样本版图的图案信息,所述第一半导体工艺和所述第二半导体工艺具有至少一个取值相同的属性;以及
通过将所述第一数据集作为原始数据,以及将所述第二数据集作为目标数据,确定用于生成预测版图的数据处理模型,所述预测版图与所述第二半导体工艺相关;
其中所述第一数据集包括所述第一样本版图中的第一样本图案和所述第一样本图案的第一组测量尺寸,所述第二数据集包括所述第二样本版图中的第二样本图案的第二组测量尺寸,并且确定用于生成所述预测版图的所述数据处理模型包括:
通过将所述第一数据集作为原始数据,以及将所述第二数据集作为目标数据,确定将所述第一组测量尺寸转换为所述第二组测量尺寸的映射因子以及针对所述第一样本图案的卷积操作;以及
基于所述映射因子、所述卷积操作和所述第一样本图案,生成所述数据处理模型。
18.一种电子设备,包括:
处理器;以及
与所述处理器耦合的存储器,所述存储器具有存储于其中的指令,所述指令在被处理器执行时使所述设备执行动作,所述动作包括:
获取第一半导体工艺的参考数据,所述参考数据包括与所述第一半导体工艺相关的参考版图的图案信息;
获取针对第二半导体工艺的第一数据处理模型,所述第一半导体工艺和所述第二半导体工艺具有至少一个取值相同的属性,所述第一数据处理模型是由根据权利要求1-6中的任一项所述的方法而确定的;以及
基于所述参考数据和所述第一数据处理模型,生成与所述第二半导体工艺相关的预测版图。
19.根据权利要求18所述的设备,其中生成与所述第二半导体工艺相关的所述预测版图包括:
获取针对所述第二半导体工艺的第二数据处理模型,所述第二数据处理模型用于生成与所述第二半导体工艺相关的版图;以及
基于所述参考数据、所述第一数据处理模型和所述第二数据处理模型,生成所述预测版图。
20.根据权利要求19所述的设备,其中基于所述参考数据、所述第一数据处理模型和所述第二数据处理模型生成所述预测版图包括:
通过将所述第一数据处理模型和所述第二数据处理模型分别应用于所述参考数据,生成与所述第二半导体工艺有关的第一中间版图和第二中间版图;以及
将所述第一中间版图和所述第二中间版图组合成所述预测版图。
21.根据权利要求19所述的设备,其中基于所述参考数据、所述第一数据处理模型和所述第二数据处理模型生成所述预测版图包括:
通过将所述第一数据处理模型应用于所述参考数据,生成与所述第二半导体工艺相关的中间版图;以及
将所述第二数据处理模型应用于所述中间版图,以更新所述中间版图作为所述预测版图。
22.根据权利要求18所述的设备,其中获取所述第二半导体工艺的所述参考数据包括:
通过被配置为生成与所述第一半导体工艺相关的版图的生成器,生成所述参考数据。
23.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
24.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求7-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108722.4A CN111339724B (zh) | 2020-02-21 | 2020-02-21 | 用于生成数据处理模型和版图的方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010108722.4A CN111339724B (zh) | 2020-02-21 | 2020-02-21 | 用于生成数据处理模型和版图的方法、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339724A CN111339724A (zh) | 2020-06-26 |
CN111339724B true CN111339724B (zh) | 2023-09-05 |
Family
ID=71181833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010108722.4A Active CN111339724B (zh) | 2020-02-21 | 2020-02-21 | 用于生成数据处理模型和版图的方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339724B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016676B (zh) * | 2020-08-18 | 2021-07-02 | 武汉大学 | 一种神经网络模型预测的半导体薄膜工艺参数优化系统 |
CN112580296A (zh) * | 2020-12-16 | 2021-03-30 | 全芯智造技术有限公司 | 用于处理电路版图的方法、设备和存储介质 |
CN113627121B (zh) * | 2021-06-28 | 2023-01-20 | 展讯通信(上海)有限公司 | 芯片设计数据的处理方法、电子设备和计算机可读介质 |
CN113420525B (zh) * | 2021-08-23 | 2021-11-19 | 苏州贝克微电子有限公司 | 一种在eda软件中建立芯片三维扩散模型的建模方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446486A (zh) * | 2018-03-16 | 2018-08-24 | 珠海市睿晶聚源科技有限公司 | 集成电路版图热点检测网络训练及热点检测方法 |
CN109216348A (zh) * | 2017-06-30 | 2019-01-15 | 三星电子株式会社 | 改进光学邻近修正模型的方法和制造半导体装置的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9972491B2 (en) * | 2014-06-27 | 2018-05-15 | Toshiba Memory Corporation | Mask data generation method, mask data generation system, and recording medium |
-
2020
- 2020-02-21 CN CN202010108722.4A patent/CN111339724B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109216348A (zh) * | 2017-06-30 | 2019-01-15 | 三星电子株式会社 | 改进光学邻近修正模型的方法和制造半导体装置的方法 |
CN108446486A (zh) * | 2018-03-16 | 2018-08-24 | 珠海市睿晶聚源科技有限公司 | 集成电路版图热点检测网络训练及热点检测方法 |
Non-Patent Citations (1)
Title |
---|
刘博 ; 张雷鸣 ; 张金灿 ; 王金婵 ; 王勇 ; .多指版图结构对纳米MOSFET阈值特性的影响分析.固体电子学研究与进展.2015,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111339724A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339724B (zh) | 用于生成数据处理模型和版图的方法、设备和存储介质 | |
US11574097B2 (en) | Deep learning based identification of difficult to test nodes | |
US11675940B2 (en) | Generating integrated circuit floorplans using neural networks | |
CN108701250B (zh) | 数据定点化方法和装置 | |
EP4036803A1 (en) | Neural network model processing method and apparatus, computer device, and storage medium | |
EP4123515A1 (en) | Data processing method and data processing device | |
US20200151288A1 (en) | Deep Learning Testability Analysis with Graph Convolutional Networks | |
CN111126668A (zh) | 基于图卷积网络的Spark作业时间预测方法和装置 | |
CN112800237B (zh) | 基于知识图谱嵌入表示的预测方法、装置和计算机设备 | |
US20200209832A1 (en) | Method and system for hierarchical multi-scale part design with the aid of a digital computer | |
CN111428457A (zh) | 数据表的自动格式化 | |
WO2023202511A1 (zh) | 一种数据的处理方法、神经网络的训练方法以及相关设备 | |
CN113095129A (zh) | 姿态估计模型训练方法、姿态估计方法、装置和电子设备 | |
EP4318313A1 (en) | Data processing method, training method for neural network model, and apparatus | |
CN113449859A (zh) | 一种数据处理方法及其装置 | |
CN115270705B (zh) | 一种设计规则违例预测方法、装置、设备及存储介质 | |
Lichtenstein et al. | Deep eikonal solvers | |
Chakraborty et al. | Feature map reduction in CNN for handwritten digit recognition | |
KR20230173649A (ko) | 포토리소그래피 마스크 생성 모델의 훈련 방법, 장치,기기 및 저장 매체 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
CN112559181B (zh) | 用于电路版图的热点检测方法、设备和存储介质 | |
CN115859016B (zh) | 基于处理器的运算方法、装置、计算机设备及存储介质 | |
WO2020093996A1 (zh) | 一种深度神经网络运算方法及装置 | |
Zhang et al. | Litho-NeuralODE 2.0: Improving hotspot detection accuracy with advanced data augmentation, DCT-based features, and neural ordinary differential equations | |
Chang et al. | Predict elastic properties of fiber composites by an artificial neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |