CN113378465B - 基于人工智能的芯片设计冗余填充方法 - Google Patents
基于人工智能的芯片设计冗余填充方法 Download PDFInfo
- Publication number
- CN113378465B CN113378465B CN202110649416.6A CN202110649416A CN113378465B CN 113378465 B CN113378465 B CN 113378465B CN 202110649416 A CN202110649416 A CN 202110649416A CN 113378465 B CN113378465 B CN 113378465B
- Authority
- CN
- China
- Prior art keywords
- graph
- redundant
- filling
- grid
- weight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013461 design Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 74
- 239000002184 metal Substances 0.000 claims abstract description 69
- 229910052751 metal Inorganic materials 0.000 claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 31
- 238000005303 weighing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 14
- 230000007547 defect Effects 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 229920005591 polysilicon Polymers 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2115/00—Details relating to the type of the circuit
- G06F2115/06—Structured ASICs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明提供了一种基于人工智能的芯片设计冗余填充方法，该方法包括：利用训练好的神经网络对集成电路版图进行填充推理，得到冗余图形填充图；其中，对神经网络进行训练时损失的衡量方法为：根据获取的冗余图形填充模板图获取冗余图形的填充位置标签图像和倾斜角度标签图像；根据训练时神经网络推理得到的填充位置图与填充位置标签图像中每个像素的像素差值衡量第一子损失，根据训练时得到的冗余图形填充图与冗余图形填充模板图的金属密度差值和金属密度梯度差值衡量第二子损失，根据训练时神经网络推理得到的倾斜角度图与倾斜角度标签图像中冗余图形的倾斜角度差值衡量第三子损失，根据各子损失得到对神经网络进行训练时所采用的损失。
Description
技术领域
本发明涉及人工智能领域，具体为一种基于人工智能的芯片设计冗余填充方法。
背景技术
在CMP(化学机械抛光)时可能会引入缺陷，例如磨蚀缺陷(Erosion)、碟形缺陷(Dishing)。这些缺陷可能会导致关键线路上的电气特性发生变化并使电路的时序恶化。冗余填充有助于提高互连图形密度的一致性，是优化CMP过程的一种重要方法。
在芯片物理设计流程中，物理设计在完成时序和功能收敛后，进入DFM阶段，此时的版图，不论金属密度还是图形线宽都不均匀。通过以上的叙述，这样的晶圆表面平坦性是无法保证的，需要填充冗余金属来改善平坦性；目前芯片设计中的冗余金属填充通常采用基于规则的和基于窗格的冗余填充方法，都存在约束不足的情况，前者填充方法不考虑图形梯度，而图形梯度过大是CMP、刻蚀工艺热点产生的重要原因，后者导致金属填充存在冗余的不一致性，会降低刻蚀和CMP工艺的均匀性。
发明内容
为了解决上述问题，本发明提出一种基于人工智能的芯片设计冗余填充方法，该方法包括：
获取待填充的集成电路版图；利用训练好的神经网络对集成电路版图进行冗余图形填充推理获取冗余图形的填充位置图和倾斜角度图后，进行冗余图形填充，得到冗余图形填充图；
其中，对神经网络进行训练时损失的衡量方法为：
获取高良品率冗余图形填充模板图，冗余图形填充模板图对应的待填充集成电路版图为训练图像，根据冗余图形填充模板图获取冗余图形的填充位置标签图像和倾斜角度标签图像；
根据训练时神经网络推理得到的填充位置图与填充位置标签图像中每个像素的像素差值衡量第一子损失；
根据训练时得到的冗余图形填充图与冗余图形填充模板图的金属密度差值和金属密度梯度差值衡量第二子损失；
根据训练时神经网络推理得到的倾斜角度图与倾斜角度标签图像中冗余图形的倾斜角度差值衡量第三子损失；
根据待填充集成电路版图中金属互连线与训练时得到的冗余图形填充图中冗余图形的重叠面积和训练时得到的冗余图形填充图中冗余图形间的重叠面积衡量第四子损失；
根据各子损失得到对神经网络进行训练时的损失。
进一步地，所述冗余图形为多边形，神经网络输出每种冗余图形的填充位置图和倾斜角度图。
进一步地，衡量第一子损失时为每个像素分配权值，根据所有像素的像素差值加权求和后的均值衡量第一子损失。
进一步地，所述权值的获取过程包括：
对训练图像进行阈值处理，获取金属互连线二值图；对金属互连线二值图和冗余图形填充模板图进行网格划分后获取网格金属密度；对于金属互连线二值图中的每个网格：
根据冗余图形填充模板图中与该网格位置相同的网格与该网格的网格金属密度计算初始密度差值；根据金属互连线二值图中该网格与邻域网格的网格金属密度获取第一邻域密度差值，同理，根据冗余图形填充模板图中处于相同位置的网格以及邻域网格获取第二邻域密度差值，根据该网格的所有邻域网格对应的第一邻域密度差值与第二邻域密度差值的差值计算邻域差值平均值；
初始密度差值和邻域差值平均值之和为该网格的网格权值，该网格权值与所有网格权值之和的比值为该网格中像素的第一权值；
训练时多张训练图像中处于同一位置的像素的第一权值的均值为所述为每个像素分配的权值。
进一步地，所述权值的获取过程包括：
获取训练图像中可填充区域的中心点，根据可填充区域中像素与中心点间的距离获取像素的第二权值，距离越小，第二权值越大，训练时多张训练图像中处于同一位置的像素的第二权值的均值为所述为每个像素分配的权值。
进一步地，根据第一权值和第二权值得到像素的第三权值；训练时多张训练图像中处于同一位置的像素的第三权值的均值为所述为每个像素分配的权值。
进一步地，所述第二子损失函数的构建过程具体为：
对训练时得到的冗余图形填充图与冗余图形填充模板图进行网格划分后获取网格金属密度，则第二子损失函数为：
Di,P、Di,T分别表示训练时得到的冗余图形填充图、冗余图形填充模板图中第i个网格的网格金属密度，Dj,p、Dj,T分别表示训练时得到的冗余图形填充图、冗余图形填充模板图中第i个网格的第j个邻域网格的网格金属密度，n为网格总个数，n0为邻域网格个数。
进一步地，所述填充位置图为关键点热力图，关键点表示冗余图形的中心点。
进一步地，获取GDS格式的待填充的集成电路版图。
本发明的有益效果在于：
1.本发明所提供的利用神经网络得到冗余图形填充图的方法能够实现自动化提供金属冗余填充的方案，且基于神经网络目标损失函数的约束，该方法可以提升冗余填充的合理性，进而提高集成电路的性能。
2.本发明神经网络的损失函数基于灵活的规则约束设计，可以提高网络推理芯片设计中冗余填充的多样性，并对网络收敛方向进行了约束，可以使得网络学习到冗余金属填充的规则，且可以动态地根据每一批训练图像进行像素加权，提高网络的收敛效率。
3.本发明可以进行多种冗余图形的填充，避免了受限于冗余金属图形本身形状的设定产生填充能力不足的情况。
具体实施方式
为了让本领域技术人员更好的理解本发明，下面结合实施例对本发明进行详细描述。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
本发明的目的为训练神经网络，并基于待填充的集成电路版图中的密度信息利用训练好的神经网络对待填充的集成电路版图进行冗余图形填充推理，得到冗余图形填充图。利用神经网络进行冗余金属图形填充，可以实现快速、自动化的生成填充方案，且可以添加足够的约束，进而提高冗余填充的合理性。
实施例一：
该实施例提供了一种基于人工智能的芯片设计冗余填充方法，具体地，该方法包括：
获取待填充的集成电路版图，所述集成电路版图真实集成电路物理情况的平面几何形状描述，是集成电路设计中最底层步骤物理设计的成果，所述物理设计是通过布局、布线技术将逻辑综合的成果转换成物理版图文件的成果，该文件包含了各硬件单元在芯片上的形状、面积和位置信息，具体地，所述待填充的集成电路版图包括至少一个金属结构层，每个金属结构层中包括电子元件和电子元件之间的金属互连线，待填充的集成电路版图可以为以电子设计自动化文件格式提供的版图，优选地，以GDS格式提供待填充的集成电路版图。
利用训练好的神经网络对集成电路版图进行冗余图形填充推理获取冗余图形的填充位置图和倾斜角度图后，进行冗余图形填充，得到冗余图形填充图；具体地：
所述神经网络为热力图回归网络，相应地，填充位置图为关键点热力图，热力图回归网络包括热力图回归编码器和热力图回归解码器，其中，热力图回归编码器对经过预处理的输入图像即待填充的集成电路版图进行特征提取，得到特征图(Feature map)，热力图回归解码器对特征图(Feature map)进行上采样输出冗余图形的填充位置图即关键点热力图和倾斜角度图；所述关键点热力图中的关键点表示填充的冗余图形的中心点。
编码器-解码器的设计有许多种，本发明建议热力图回归编码器、热力图回归解码器套用沙漏网络、HRNet等预训练模型来进行关键点特征的提取，同时这样也更利于网络的收敛。需要注意的是，由于热力图本身的特点，网络输出的热力图其像素值符合高斯分布，其值域在[0,1]之间。
实施例中冗余图形包括长方形、正方形、菱形、三角形四种形状，神经网络输出每种冗余图形的填充位置图和倾斜角度图，因此，热力图回归网络输出四张关键点热力图和四张倾斜角度图；对于每种形状的冗余图形，根据该种形状的冗余图形对应的关键点热力图和倾斜角度图获取要填充的冗余图形中心点的坐标信息和倾斜角度信息，以坐标点为中心点，进行相应角度方向上相应冗余图形的填充，得到每种形状的冗余图形对应的冗余填充预测图，对得到的四张冗余填充预测图求交集得到冗余图形填充图。
关键点热力图中关键点的坐标信息通过对关键点热力图进行后处理得到，具体的后处理方法有非极大值抑制、softargmax等方法。
冗余图形是一种对芯片逻辑功能无影响的版图图形结构，图形材料可以是用于浅沟槽隔离(STI)工艺的多晶硅或用于铜化学机械抛光工艺的铜；图形形状可以是简单的方块也可以是特别设计的图形。冗余填充分为两种，金属填充和电介质填充，金属填充适用于线宽较小的导线，这些导线是版图的主要部分，电介质填充主要用于优化宽互连线的平坦性。本发明关注的为冗余金属填充。
热力图回归网络的训练过程为：
获取训练图像和标签图像，所述训练图像为高良品率的冗余图形填充模板图对应的待填充集成电路版图。对于网络训练，通常需要大量的图像数据支撑，实施者可采用数据增强技术扩增训练数据集，以提高网络的收敛效果。根据大量的历史图像数据即冗余图形填充模板图获取冗余图形的填充位置标签图像和倾斜角度标签图像；填充位置标签图像的获取方法为：对每张冗余图形填充模板图中不同形状的冗余图形的中心点进行关键点标注，标注好后，对关键点进行高斯核卷积，生成四张关键点热力图；其中，进行关键点标注时可以对不同形状的冗余图形对应的关键点进行标号，每个标号表示一类冗余图形的关键点。标签中加入冗余图形倾斜角度信息的目的是为了降低冗余金属图形填充存在冗余的不一致性；倾斜角度标签图像中与冗余图形填充模板图中冗余图形处于相同位置像素的像素值为该冗余图形的倾斜角度值，其余位置像素值为0，倾斜角度可利用图像匹配方法获取，每种形状的冗余图形对应一张倾斜角度标签图像，则实施例最终得到四张倾斜角度标签图像，实施例中倾斜角度的单位为弧度。
利用插值或裁剪操作将训练图像转换为统一尺寸后进行预处理，预处理包括归一化操作或标准化操作。标签图像进行归一化处理。构建损失函数，并将处理后的训练图像和标签图像输入到热力图回归网络中，采用所构建的损失函数进行热力图回归网络的训练。
由于芯片设计只需符合设计规则，即可保证芯片的良品率，因此损失函数添加灵活的规则约束设计，可以提高网络推理芯片设计中冗余填充的多样性。损失函数包含两部分，一个是基础损失，保证网络收敛的有效性，另一个是规则约束设计，保证冗余填充的合理性，具体地，对神经网络进行训练时损失的衡量方法为：
1)一个实施方式中，根据训练时神经网络推理得到的填充位置图与填充位置标签图像中每个像素的像素差值衡量第一子损失，第一子损失为基础损失，保证网络回归的准确性及收敛的有效性。
Iz,A、Iz,A′分别为训练过程中热力图回归网络推理得到的填充位置图、填充位置标签图像中第z个像素值，m为图像的总像素个数。
另一个实施方式中，构建第一子损失函数时为每个像素分配权值，根据所有像素的像素差值加权求和后的均值衡量第一子损失。
Bwz为第z个像素的权值，具体地，Bwz的获取方法为：
对训练图像进行阈值处理提取金属互连线，实施例中阈值设置为127，得到初始互连线二值图，初始互连线二值图中金属互连线像素值为1，其他区域像素为0。对初始互连线二值图进行互连线区域外扩，得到金属互连线二值图，互连线区域外扩即将金属结构层进行外扩，以降低耦合电容，外扩大小为缓冲距离的最大限制值。
对金属互连线二值图和冗余图形填充模板图进行网格划分后获取网格金属密度；网格可以为矩形或正方形，典型的网格尺寸有10μm×10μm、20μm×20μm、40μm×40μm、50μm×50μm等，初始网格的划分会影响后续待填充区域的获取，并对成品率驱动的布局布线算法具有重要影响，优选地，实施例中所述网格为正方形，尺寸为20μm×20μm。一个网格中的金属面积除以该网格的面积为网格金属密度，其本质为该网格的金属平均量。
Bwz有以下a)、b)、c)三种获取方式，具体地，对于金属互连线二值图中的每个网格：
a)根据冗余图形填充模板图中与该网格位置相同的网格与该网格的网格金属密度计算初始密度差值；根据金属互连线二值图中该网格与邻域网格的网格金属密度获取第一邻域密度差值，根据冗余图形填充模板图中处于相同位置的网格获取第二邻域密度差值，根据该网格的所有邻域网格对应的第一邻域密度差值与第二邻域密度差值的差值计算邻域差值平均值；初始密度差值和邻域差值平均值之和为该网格的网格权值，该网格权值与所有网格权值之和的比值为该网格中像素的第一权值。具体地：
DNTi表示第i个网格的网格权值，Di,N、Di,T分别表示金属互连线二值图、冗余图形填充模板图中第i个网格的网格金属密度，Dj,N、Dj,T分别表示金属互连线二值图、冗余图形填充模板图中第i个网格的第j个邻域网格的网格金属密度，n0为第i个网格的的邻域网格的个数，n0最大值为8。
n为划分的网格总个数；τ为缩放因子，经验值为100；W1i为第i个网格中每个像素的第一权值，W1i越大，表示该网格的图形密度差值大，且与邻域网格的密度梯度差值大，该网格越需要填充冗余图形；
至此，可基于网格权值得到每个像素的第一权值，训练时多张训练图像中处于同一位置的像素的第一权值的均值为所述为每个像素分配的权值Bw。
b)获取训练图像中可填充区域的中心点，所述可填充区域为金属互连线二值图网格中像素为非互连线及互连线外扩区域的像素，根据可填充区域中像素与中心点间的距离获取像素的第二权值，距离越小，第二权值越大；具体地，第二权值的获取方法为：
根据可填充区域长和宽中的较大值获取填充窗口边长，若较大值为奇数，则填充窗口边长为该较大值，否则，填充窗口边长为该较大值加1；对可填充区域进行连通域分析获取可填充区域的中心点，所述连通域的中心点即为可填充区域的中心点，可通过OpenCV等库直接得到，属于连通域的属性，所述连通域分析优选的采用四连通方式，可填充区域的中心点为填充窗口的中心点，根据填充窗口的中心点和填充窗口边长建立填充窗口，一个可填充区域对应一个填充窗口；基于高斯核函数对填充窗口的像素进行权值赋值，高斯核函数如下：
实施例中σ值取1.5，以每个填充窗口的中心点为原点建立坐标系，根据填充窗口中各像素的坐标(x,y)可得到填充窗口中各像素的第二权值w2。
需要说明，若利用上述方法获取的填充窗口覆盖的区域超出可填充区域，则将超出的区域舍去，只获取可填充区域中各像素的第二权值，且图像中不可填充区域的像素的第二权值为0。
至此，得到每个像素的第二权值，训练时多张训练图像中处于同一位置的像素的第二权值的均值为所述为每个像素分配的权值Bw。
c)根据第一权值和第二权值得到像素的第三权值w3，具体地，w3＝1+w1+w2，训练时多张训练图像中处于同一位置的像素的第三权值的均值为所述为每个像素分配的权值Bw。
优选地，实施例中根据第三权值w3获取所述为每个像素分配的权值：
Bwz为第z个像素的权值；w3z,k为第k张训练图像中第z个像素的第三权值；BS为网络训练的Batch Size，该变量受设备的限制，简称为BS，为网络每一次更新梯度的样本数量。
至此，即可通过上述方法动态地根据每一批的训练样本图像进行像素的动态加权，进而提高网络的收敛效率。
2)根据训练时得到的冗余图形填充图与冗余图形填充模板图的金属密度差值和金属密度梯度差值衡量第二子损失，第二子损失可以保证晶圆表面的平坦性；具体地：
对训练时得到的冗余图形填充图与冗余图形填充模板图进行网格划分后获取网格金属密度，则第二子损失为：
Di,P、Di,T分别表示训练时得到的冗余图形填充图、冗余图形填充模板图中第i个网格的网格金属密度，Dj,p、Dj,T分别表示训练时得到的冗余图形填充图、冗余图形填充模板图中第i个网格的第j个邻域网格的网格金属密度，n为网格总个数，实施例中划分得到50*50个网格，n0为邻域网格个数。
3)根据训练时神经网络推理得到的倾斜角度图与倾斜角度标签图像中冗余图形的倾斜角度差值衡量第三子损失，第三子损失可以尽可能避免填充的不一致性；在设计版图的特定位置，会有根据实际版图的需要而90度转置标准单元，现有的冗余图形填充方法在转置前后标准单元内冗余图形的填充方案不同，进而与填充结果相关的产品良品率不同，因此对于该种情况，本发明中添加倾斜角度损失，避免填充方案的不一致。具体地：
Radθz,B、Radθz,B′分别为训练过程中热力图回归网络推理得到的倾斜角度图、倾斜角度标签图像中第z个像素值。
4)根据待填充集成电路版图中金属互连线与训练时得到的冗余图形填充图中冗余图形的重叠面积和训练时得到的冗余图形填充图中冗余图形间的重叠面积衡量第四子损失，第四子损失可以避免不同形状冗余图形的重合、冗余图形与金属互连线的重合；具体地：
TIu、TIv表示第u、v张冗余填充预测图，
为数学上的组合数公式，Loss41表征对任意两张冗余填充预测图中的冗余图形求交集，计算冗余图形的重叠面积；TI0表示金属互连线二值图。
Loss4＝Loss41+Loss42
5)根据各子损失得到对神经网络进行训练时的损失：
Loss＝Loss1+Loss2+Loss3+Loss4
至此，得到对神经网络进行训练时采用的目标函数。
对冗余图形填充图进行冗余图形去除处理，所述冗余图形去除处理的作用为消除因网络误检导致的不符合设计规则的冗余图形，以提高冗余图形填充的准确性；最终，将经过冗余去除处理的冗余图形填充图集成到工艺设计包中，对芯片设计的版图进行修正，以提高芯片内微电子器件布局设计的合理性，进而提高芯片的性能。
以上所述旨在让本领域技术人员更好的理解本发明，并不用于限制本发明，凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范围内。
Claims (9)
1.一种基于人工智能的芯片设计冗余填充方法，其特征在于，该方法包括：
获取待填充的集成电路版图；利用训练好的神经网络对集成电路版图进行冗余图形填充推理获取冗余图形的填充位置图和倾斜角度图后，进行冗余图形填充，得到冗余图形填充图；
其中，对神经网络进行训练时损失的衡量方法为：
获取高良品率冗余图形填充模板图，冗余图形填充模板图对应的待填充集成电路版图为训练图像，根据冗余图形填充模板图获取冗余图形的填充位置标签图像和倾斜角度标签图像；
根据训练时神经网络推理得到的填充位置图与填充位置标签图像中每个像素的像素差值衡量第一子损失；
根据训练时得到的冗余图形填充图与冗余图形填充模板图的金属密度差值和金属密度梯度差值衡量第二子损失；
根据训练时神经网络推理得到的倾斜角度图与倾斜角度标签图像中冗余图形的倾斜角度差值衡量第三子损失；
根据待填充集成电路版图中金属互连线与训练时得到的冗余图形填充图中冗余图形的重叠面积和训练时得到的冗余图形填充图中冗余图形间的重叠面积衡量第四子损失；
根据各子损失得到对神经网络进行训练时的损失。
2.如权利要求1所述的方法，其特征在于，所述冗余图形为多边形，神经网络输出每种冗余图形的填充位置图和倾斜角度图。
3.如权利要求1所述的方法，其特征在于，衡量第一子损失时为每个像素分配权值，根据所有像素的像素差值加权求和后的均值衡量第一子损失。
4.如权利要求3所述的方法，其特征在于，所述权值的获取过程包括：
对训练图像进行阈值处理，获取金属互连线二值图；对金属互连线二值图和冗余图形填充模板图进行网格划分后获取网格金属密度；对于金属互连线二值图中的每个网格：
根据冗余图形填充模板图中与该网格位置相同的网格与该网格的网格金属密度计算初始密度差值；根据金属互连线二值图中该网格与邻域网格的网格金属密度获取第一邻域密度差值，同理，根据冗余图形填充模板图中处于相同位置的网格以及邻域网格获取第二邻域密度差值，根据该网格的所有邻域网格对应的第一邻域密度差值与第二邻域密度差值的差值计算邻域差值平均值；
初始密度差值和邻域差值平均值之和为该网格的网格权值，该网格权值与所有网格权值之和的比值为该网格中像素的第一权值；
训练时多张训练图像中处于同一位置的像素的第一权值的均值为所述为每个像素分配的权值。
5.如权利要求3或4所述的方法，其特征在于，所述权值的获取过程包括：
获取训练图像中可填充区域的中心点，根据可填充区域中像素与中心点间的距离获取像素的第二权值，距离越小，第二权值越大，训练时多张训练图像中处于同一位置的像素的第二权值的均值为所述为每个像素分配的权值。
6.如权利要求5所述的方法，其特征在于，根据第一权值和第二权值得到像素的第三权值；训练时多张训练图像中处于同一位置的像素的第三权值的均值为所述为每个像素分配的权值。
7.如权利要求1所述的方法，其特征在于，所述第二子损失函数的构建过程具体为：
对训练时得到的冗余图形填充图与冗余图形填充模板图进行网格划分后获取网格金属密度，则第二子损失函数为：
Di,P、Di,T分别表示训练时得到的冗余图形填充图、冗余图形填充模板图中第u个网格的网格金属密度，Dj,p、Dj,T分别表示训练时得到的冗余图形填充图、冗余图形填充模板图中第i个网格的第j个邻域网格的网格金属密度，n为网格总个数，n0为邻域网格个数。
8.如权利要求2所述的方法，其特征在于，所述图形填充位置图为关键点热力图，关键点表示冗余图形的中心点。
9.如权利要求6所述的方法，其特征在于，获取GDS格式的待填充的集成电路版图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110649416.6A CN113378465B (zh) | 2021-06-10 | 2021-06-10 | 基于人工智能的芯片设计冗余填充方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110649416.6A CN113378465B (zh) | 2021-06-10 | 2021-06-10 | 基于人工智能的芯片设计冗余填充方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378465A CN113378465A (zh) | 2021-09-10 |
| CN113378465B true CN113378465B (zh) | 2022-06-21 |
Family
ID=77573722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110649416.6A Active CN113378465B (zh) | 2021-06-10 | 2021-06-10 | 基于人工智能的芯片设计冗余填充方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378465B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101231667A (zh) * | 2007-01-22 | 2008-07-30 | 台湾积体电路制造股份有限公司 | 半导体制造工艺的冗余填充方法以及半导体装置 |
| CN101419643A (zh) * | 2008-10-17 | 2009-04-29 | 西安电子科技大学 | 基于数学形态学的集成电路版图优化方法 |
| CN107153719A (zh) * | 2016-03-02 | 2017-09-12 | 中国科学院微电子研究所 | 一种冗余金属填充方法的方法及系统 |
| WO2019150158A1 (en) * | 2018-02-05 | 2019-08-08 | Intel Corporation | Automated selection of priors for training of detection convolutional neural networks |
| CN110929805A (zh) * | 2019-12-05 | 2020-03-27 | 上海肇观电子科技有限公司 | 神经网络的训练方法、目标检测方法及设备、电路和介质 |
-
2021
- 2021-06-10 CN CN202110649416.6A patent/CN113378465B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101231667A (zh) * | 2007-01-22 | 2008-07-30 | 台湾积体电路制造股份有限公司 | 半导体制造工艺的冗余填充方法以及半导体装置 |
| CN101419643A (zh) * | 2008-10-17 | 2009-04-29 | 西安电子科技大学 | 基于数学形态学的集成电路版图优化方法 |
| CN107153719A (zh) * | 2016-03-02 | 2017-09-12 | 中国科学院微电子研究所 | 一种冗余金属填充方法的方法及系统 |
| WO2019150158A1 (en) * | 2018-02-05 | 2019-08-08 | Intel Corporation | Automated selection of priors for training of detection convolutional neural networks |
| CN110929805A (zh) * | 2019-12-05 | 2020-03-27 | 上海肇观电子科技有限公司 | 神经网络的训练方法、目标检测方法及设备、电路和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113378465A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110633661A (zh) | 一种融合语义分割的遥感图像目标检测方法 | |
| JP2019028657A (ja) | 建物領域抽出用の学習済みモデル | |
| US10083266B2 (en) | Simulation method of CMP process | |
| CN111583381B (zh) | 游戏资源图的渲染方法、装置及电子设备 | |
| US8345955B2 (en) | Characterizing thermomechanical properties of an organic substrate using finite element analysis | |
| WO2022082692A1 (zh) | 一种光刻热点检测方法、装置、存储介质及设备 | |
| CN113378465B (zh) | 基于人工智能的芯片设计冗余填充方法 | |
| CN112818632B (zh) | 芯片的图形密度的分析方法、装置及电子设备 | |
| CN107885939B (zh) | 一种提高监控图形监控精度的方法 | |
| KR20010107581A (ko) | 반도체 집적회로의 설계, 제조방법 및 검사방법 및 반도체집적회로 | |
| CN116167965A (zh) | 基于隐私保护的类不平衡晶圆缺陷模式识别方法及装置 | |
| Ji et al. | A fine-grained, end-to-end feature-scale cmp modeling paradigm based on fully convolutional neural networks | |
| US11704472B2 (en) | Standard cells and variations thereof within a standard cell library | |
| JP2004117474A (ja) | マスクデータ加工装置 | |
| US20220171913A1 (en) | Methods and devices of correcting layout for semiconductor processes using machine learning | |
| CN116227405A (zh) | 布局设计的拓扑模拟 | |
| US20040121613A1 (en) | Estimation of remaining film thickness distribution, correction of patterning and insulation film removing masks with remaining film thickness distribution, and production of semiconductor device with corrected patterning and insulation film removing masks | |
| CN115035317A (zh) | 卷积运算方法、装置、矩阵展开装置和图形处理器 | |
| CN113486626A (zh) | 一种确定cmp工艺蝶形缺陷位置的方法及装置 | |
| CN108804811B (zh) | 大规模集成电路设计中多层绕障直角布线方法 | |
| JP2010140276A (ja) | 研磨予測評価装置、研磨予測評価方法、研磨予測評価プログラム | |
| EP4254064A1 (en) | Process proximity correction method and computing device for the same | |
| CN113157820B (zh) | 适用于蜿蜒河流的缓冲带自动化分段与分类方法和装置 | |
| US11373899B2 (en) | Pattern generation device, pattern generation method, and method of manufacturing semiconductor device | |
| CN108036736A (zh) | 沟槽弯曲度测量方法及装置、缺陷数量预测方法及装置 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: No. 168, Wenhai Middle Road, Jimo District, Qingdao City, Shandong Province 266200 Patentee after: Qingdao Marine Science and Technology Center Address before: No. 168, Wenhai Middle Road, Jimo District, Qingdao City, Shandong Province 266200 Patentee before: QINGDAO NATIONAL LABORATORY FOR MARINE SCIENCE AND TECHNOLOGY DEVELOPMENT CENTER |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210910 Assignee: Weihai Dechuang Shipbuilding Technology Co.,Ltd. Assignor: Qingdao Marine Science and Technology Center Contract record no.: X2023980044536 Denomination of invention: A Redundancy Filling Method for Chip Design Based on Artificial Intelligence Granted publication date: 20220621 License type: Common License Record date: 20231025 |