CN116187155A - 生成最佳输入数据的计算设备和方法 - Google Patents

Abstract

一种为设计模拟器生成最佳输入数据的方法，该设计模拟器响应于与输入参数有关的输入数据提供与输出参数有关的输出数据。该方法包括：生成包括样本输入数据和样本输出数据的训练数据；根据使用训练数据训练的估计模型从输入参数中选择影响多个输出参数的至少一个基本输入参数；并根据与至少一个基本输入参数对应的基本输入数据和样本输出数据生成最佳输入数据。

Description

生成最佳输入数据的计算设备和方法

对相关申请的交叉引用

本申请要求于2021年11月29日在韩国知识产权局提交的韩国专利申请第10-2021-0167726号的优先权，其主题通过引用整体并入本文。

技术领域

本发明构思总体上涉及生成最佳输入数据的设备和方法。更具体地，本发明构思涉及使用设计模拟器生成获得目标输出数据所需的最佳输入数据的设备和方法。

背景技术

设计模拟器、诸如技术计算机辅助设计(TCAD)模拟器可以在制造半导体器件之前、期间和/或之后被用于估计半导体器件(或多个)的一个或多个特性(此后称为“半导体特性”)。为了使用设计模拟器准确估计半导体特性，在改变与许多不同因素(例如半导体器件布局选项、离子注入选项、材料(或多个)属性和选择等)相关的输入数据时，需要观察代表半导体特性的输出数据并校准输出数据与目标输出数据的匹配。然而，当与半导体制造工艺(或多个)的定义相关的因素的数量随着半导体器件的复杂性增加而增加时，手动执行校准过程变得越来越困难和耗时。

发明内容

本发明构思的实施例提供了能够使用设计模拟器生成获得目标输出数据所需的最佳输入数据的设备和方法。

根据本发明构思的一个方面，一种计算设备可以包括：处理器和存储指令的存储器。处理器可以被配置为执行指令以生成训练数据，训练数据响应于与输入参数相关联的输入数据提供与输出参数相关联的输出数据，其中训练数据包括样本输入数据和样本输出数据，并且处理器还可以被配置为根据使用训练数据训练的估计模型从输入参数中选择基本输入参数，并生成与基本输入参数相关联的基本输入数据和样本输出数据有关的最佳输入数据。

根据本发明构思的一个方面，一种用于响应于与输入参数有关的输入数据提供与输出参数有关的输出数据的设计模拟器的生成最佳输入数据的方法可以包括：生成包括样本输入数据和样本输出数据的训练数据；根据使用训练数据训练的估计模型从输入参数中选择影响多个输出参数的至少一个基本输入参数；并根据与至少一个基本输入参数对应的基本输入数据和样本输出数据生成最佳输入数据。

根据本发明构思的一个方面，一种非暂时性存储介质，存储指令，在由至少一个处理器执行时，用于至少一个处理器执行生成用于设计模拟器的最佳输入数据的方法，该设计模拟器响应于与输入参数有关的输入数据而提供与输出参数有关的输出数据。该方法可以包括：生成包括样本输入数据和样本输出数据的训练数据；根据使用训练数据训练的估计模型从多个输入参数中选择影响多个输出参数的至少一个基本输入参数；并且使用与至少一个基本输入参数对应的基本输入数据和样本输出数据生成最佳输入数据。

附图说明

通过结合附图考虑以下详细描述，可以更清楚地理解本发明构思的优点、益处和/或特征以及本发明构思的制造和使用，其中：

图1是示出根据本发明构思的实施例的生成最佳输入数据的方法的流程图；

图2是示出根据本发明构思的实施例的在最佳输入数据生成器中使用的设计模拟器和估计模型之间的数据流的概念图；

图3是在一个示例中示出在图1的生成最佳输入数据的方法中生成训练数据的方法步骤的流程图；

图4是列出在本发明构思的实施例中可以使用的数据生成条件和对应数据类型的可能示例的表格；

图5是在一个示例中示出在图1的生成最佳输入数据的方法中选择至少一个基本输入参数的方法步骤的流程图；

图6和图7是示出可以在根据本发明构思的实施例的生成最佳输入数据的方法中使用的估计模型的概念图；

图8是示出根据本发明构思的实施例的在生成最佳输入数据的方法期间用于损失计算的变化量的概念图；

图9是示出根据本发明构思的实施例的在生成最佳输入数据的方法中基于基本输入数据生成最佳输入数据的方法的流程图；

图10和图11是示出根据本发明构思的实施例的在生成最佳输入数据的方法中顺序和递归地生成最佳输入数据的相应概念图；和

图12是示出根据本发明构思的实施例的计算系统的框图。

具体实施方式

在整个书面描述和附图中，相似的附图标记和标签用于表示相同或相似的元件、组件、特征和/或方法步骤。

图1是示出根据本发明构思的实施例的生成最佳输入数据的方法的流程图。在一些实施例中，图1中示出的生成最佳数据的方法可以由计算系统(参见例如图12的计算系统1000)内的最佳输入数据生成器执行。

在这方面，最佳输入数据生成器可以包括一个或多个处理器或处理核(或多个)(以下，单独或统称为“处理器”)以及存储能够由处理器执行的程序代码(例如，被编译为各种指令的代码)的非暂时性存储介质。也就是说，处理器可以被配置为运行(或执行)用于设计模拟器生成最佳输入数据的各种指令，其中设计模拟器响应于输入数据(例如，包括输入参数的数据或与输入参数有关的数据)提供输出数据(例如，包括输出参数的数据或与输出参数有关的数据)。

此外，在这方面，最佳输入数据生成器可以被实现为硬件、固件和/或软件资源(例如，一个或多个模块)的组合，使得处理器能够执行共同生成最佳输入数据的一个或多个操作(或方法步骤)。当全部或部分实现为软件模块时，相关功能可以作为指令(或多个)被存储在有形的非暂时性存储介质中。示例性软件模块(或多个)可以被包括在随机存取存储器(RAM)、闪存、只读存储器(ROM)、电可编程ROM(EPROM)、电可擦可编程ROM(EEPROM)、寄存器(或多个)、硬盘、移动磁盘、光盘(CD)ROM等中。

最佳输入数据可以被理解为输入(或应用)到设计模拟器以获得目标输出数据(例如，响应设计模拟器的操作而得到目标数据的数据)的数据。

在一些实施例中，设计模拟器可以包括被设计来模拟实际环境的一个或多个物理模型。也就是说，设计模拟器对输入数据执行模拟以提供输出数据(例如，模拟结果)。如本领域技术人员将理解的，设计模拟器可以响应于一个或多个数学公式、计算理论和/或物理原理而操作。例如，在一些实施例中，可以使用技术计算机辅助设计(TCAD)模拟器或电子计算机辅助设计(ECAD)模拟器。

与前述一致，在一些实施例中，设计模拟器可以响应于输入数据而执行模拟(或多个)，其中输入数据关于一个或多个变量(例如，布局变量、设计变量、处理变量等)。因此，输入数据可以包括与变量对应的多个输入参数。

由设计模拟器生成(或由其操作得到)的输出数据(例如，模拟结果)可以包括与例如半导体器件的电气、机械、结构和/或材料特性(以下单指或统称为“半导体特性”)有关的数据。因此，输出数据可以包括与半导体特性对应的多个输出参数。

为了获得半导体特性，半导体器件设计者可以使用设计模拟器定义(或设置)获得与半导体特性相关联的目标输出数据所需的最佳输入数据。在这点上，设计者可以调整(例如，操纵)应用到设计模拟器的输入数据并执行将结果输出数据与目标输出数据相匹配的各种校准过程。此外，在这方面，当设计者在校准过程中手动调整输入数据时，整个校准过程可能花费很长时间。当同时考虑大量因素时尤其如此。因此，可能会降低校准结果的准确性(或一致性)。

参考图1所示的生成最佳输入数据的方法，可以生成训练数据(S110)。这里，术语“训练数据”表示用于训练如下所述的估计模型的数据并且可以包括样本输入数据和/或样本输出数据，其中样本输入数据是输入数据的一个示例，并且样本输出数据是与样本输入数据对应的输出数据的一个示例。因此，当样本输入数据被应用到设计模拟器时，设计模拟器可以响应于样本输入数据而输出样本输出数据。

这里，术语“估计模型”表示通过模拟设计模拟器的操作而生成的一个或多个模型。当使用估计模型执行模拟时，可以在比使用设计模拟器执行相同模拟时更短的时间内获得模拟结果。然而，估计模型必须经过适当的训练(例如，使用训练数据)以提高其一致性。

在这方面，可以通过使用与训练数据生成条件相关的设计模拟器来生成训练数据，其中训练数据生成条件可以包括与样本输入数据和/或样本输出数据相关联的信息、对样本输入数据的约束、对样本输出数据的约束等。后面将关于图3来以额外的细节描述生成训练数据的示例性方法，且在图4中列出训练数据生成条件的一个示例。

一旦训练数据已经被生成，就可以选择基本输入参数(例如，至少一个基本输入参数)(S120)。这里，在一些实施例中，基本输入参数可以被理解为从影响两个或更多个输出参数的多个输入参数中选择的输入参数。

一旦使用训练数据通过机器学习进行训练，就可以使用估计模型从其他输入参数中选择基本输入参数。在一些实施例中，可以相对于指示受输入参数影响的多个输出参数的输入权重来选择基本输入参数。下文将结合图5、图6、图7和图8更详细描述使用估计模型来选择基本输入参数的示例性方法。

一旦已经选择了基本输入参数，就可以生成最佳输入数据(S130)。这里，术语“最佳输入数据”可以被理解为必须应用到设计模拟器以便使用设计模拟器获得目标输出数据的数据(例如，所需的输入数据)。

在一些实施例中，可以关于基本输入数据和样本输出数据重新训练估计模型。替代地或附加地，可以根据重新训练的估计模型关于获取函数的值来生成推荐输入数据。在一些实施例中，可以根据确定是否满足某些终止条件来运行设计模拟器(例如，可以执行设计模拟)。在一些实施例中，可以根据推荐输入数据生成最佳输入数据。下文将结合图9以一些额外的细节描述生成最佳输入数据的示例性方法。

图2是示出与本发明构思的实施例一致的在最佳输入数据生成器的操作期间在设计模拟器100和估计模型200之间的示例性数据流的概念图。

参考图2，设计模拟器100可以响应于样本输入数据101而输出样本输出数据102。即，样本输出数据102可以由设计模拟器100基于(或根据)样本输入数据101生成。因此，在一些实施例中，样本输入数据101和样本输出数据102可以被包括在训练数据106中。

替代地或附加地，设计模拟器100可以响应于推荐输入数据103而输出推荐输出数据104。也就是说，在一些实施例中，推荐输出数据104可以由设计模拟器100基于推荐输入数据103生成。因此，在一些实施例中，推荐输入数据103和推荐输出数据104可以被包括在推荐数据105中。

因此，训练数据106和推荐数据105——如由设计模拟器100生成的——可以被输入到估计模型200，并且可以根据训练数据106和推荐数据105训练估计模型200。

图3是进一步示出在图1中的生成最佳输入数据的方法中生成训练数据的步骤(S110)的流程图。

参考图3，可以对是否存在预先生成的训练数据进行阈值确定(S310)。在这方面，当存在使用现有训练数据生成最佳输入数据的历史时，可能存在预先生成的训练数据。

如果存在预先生成的训练数据(S310＝是)，则不需要生成训练数据，并且可以将预先生成的训练数据设置为训练数据(S320)。然而，如果不存在预先生成的训练数据(S310＝否)，则将根据训练数据生成条件生成训练数据(S330)。例如，可以通过执行与训练数据生成条件相关的设计模拟来生成训练数据。

图4是根据本发明构思的实施例的通过示例的方式列出在生成最佳输入数据期间使可以用的可能训练数据生成条件和对应的数据类型的表格。

参考图4，训练数据生成条件可以包括例如以下至少一种：设计模拟器地址数据、名称数据、范围数据、调整数据、条件数据、权重数据、转换数据和/或采样数据。

设计模拟器地址数据可以包括指示用于使设计模拟器在生成训练数据时执行的地址的信息。设计模拟器地址数据可以具有List(列表)或String(串)的数据类型。

名称数据可以包括指示输入参数和输出参数的名称的信息，输入参数和输出参数可以分别被包括在输入数据和输出数据中。名称数据可以具有List或String的数据类型。

范围数据可以包括指示输入参数的值的范围的信息，并且可以与输入参数的名称数据对应。例如，范围数据可以包括指示第一输入参数需要为大约0.1到大约1的信息。这里，范围数据可以具有List、String或Array(数组)的数据类型。

调整数据可以包括指示用于在执行用于生成训练数据的设计模拟器时调整输入参数的值的参考的信息，并且可以与输入参数的名称数据对应。例如，调整数据可以包括指示第一输入参数可以被调整大约0.1的信息。这里，调整数据可以具有List或String的数据类型。

条件数据可以包括指示输入参数之间要满足的条件的信息。例如，条件数据可以包括指示第一输入参数需要具有大于第二输入参数的值的信息。条件数据可以具有Array或Function(函数)的数据类型。

权重数据可以包括指示输出参数的相对优先级的信息。例如，权重数据可以包括指示第一输出参数比第二输出参数具有更高优先级的信息。权重数据可以具有List、String或Array的数据类型。

转换数据可以包括指示用于根据输入参数和/或输出参数的值之间的大小差来减少学习误差的转换方法的信息。转换数据可以具有List或String的数据类型。

采样数据可以包括指示在生成训练数据时应该使用哪种采样技术(或方法)来执行采样的信息。例如，采样数据可以包括指示随机采样、拉丁超立方采样、约束采样等的信息。这里，采样数据可以具有List或String的数据类型。

参考图3，可以通过根据如图4中所述的训练数据生成条件执行设计模拟(例如，运行设计模拟器)来生成训练数据(S330)。在一些实施例中，可以根据名称数据、范围数据、调整数据、条件数据和/或采样数据生成来样本输入数据，并且可以通过基于设计模拟器地址数据、使用设计模拟器来生成与样本输入数据对应的样本输出数据来生成训练数据。

图5是在图1的生成最佳输入数据的方法中选择至少一个基本输入参数的步骤(S120)的流程图。

参考图5，可以基于反映样本输入数据和权重数据的初始输出数据来训练估计模型(S510)。然后，在给定非零输入权重的情况下，可以选择一个或多个输入参数作为对应的基本输入参数(或多个)(S520)。根据该方法训练的估计模型的一个示例将在下文中关于图6和图7更详细地描述。

图6是在一个示例中进一步示出图2的估计模型200的框图。

参考图6，估计模型200可以包括第一到第n估计块210_1至210_n。

第一至第n估计块210_1至210_n中的每一个可以响应于输入参数IN_1至IN_m中的一个或多个而输出第一至第n输出参数OUT_1至OUT_n中的一个或多个。即，第一至第n估计块210_1至210_n中的每一个可以通过基于输入参数IN_1至IN_m中的一个或多个来执行计算而输出第一至第n输出参数OUT_1至OUT_n中的一个或多个。

例如，第一估计块210_1可以响应于输入参数IN_1到IN_m输出第一输出参数OUT_1。第二估计块210_2可以响应于输入参数IN_1至IN_m输出第二输出参数OUT_2。第n估计块210_n可以响应于输入参数IN_1至IN_m输出第n输出参数OUT_n。

在一些实施例中，第一到第n估计块210_1到210_n中的每一个可以具有神经网络结构。例如，第一到第n估计块210_1到210_n中的每一个可以具有对应于深度神经网络(DNN)、卷积神经网络(CNN)、递归神经网络(RNN)等中的任何一个的结构。在图7中以一些额外的细节示出可以在图6的实施例中使用的估计块的示例。

图7是示出根据本发明构思的实施例的可以在生成最佳输入数据的方法中使用的估计块的概念图。

参考图7，估计块可以包括输入层、中间层、隐藏层和输出层。

输入层可以接收包括输入参数的输入数据。也就是说，输入层可以包括的节点的数量与输入参数的数量相对应。

例如，假设输入参数的总数为三个，则输入层可以包括第一输入节点x₁、第二输入节点x₂和第三输入节点x₃。在这种情况下，第一输入参数可以被输入到第一输入节点x₁，第二输入参数可以被输入到第二输入节点x₂，并且第三输入参数可以被输入到第三输入节点x₃。

输入层可以向接收的数据应用第一、第二和第三输入权重w₁、w₂和w₃，并将相应的结果输出到中间层。也就是说，输入层可以分别将第一、第二和第三权重w₁、w₂和w₃应用(例如，相乘)到每个接收到的输入参数，以生成相应的结果并将其输出到中间层。在图7所示的例子中，第一输入节点x₁可以将第一输入权重w₁乘以第一输入参数并输出其结果，第二输入节点x₂可以将第二输入权重w₂乘以第二输入参数并输出其结果，并且第三输入节点x₃可以将第三输入权重w₃乘以第三输入参数并输出其结果。

中间层可以接收通过将第一、第二和第三输入权重w₁、w₂和w₃与来自输入层的输入参数相乘而获得的值。在这种情况下，中间层可以包括与输入层相同数量的节点，并且包括在中间层中的节点可以被一对一地连接到包括在输入层中的节点。

在图7所示的示例中，中间层可以包括第一中间节点m₁、第二中间节点m₂和第三中间节点m₃。在这种情况下，第一中间节点m₁可以连接到第一输入节点x₁，第二中间节点m₂可以连接到第二输入节点x₂，并且第三中间节点m₃可以连接到第三输入节点x₃。

中间层可以对从输入层接收的值应用各种权重，并将其结果输出到隐藏层。

隐藏层可以包括多个层，并且可以连接到中间层。在图7所示的例子中，隐藏层可以包括“k”层，并且在k个层中，包括在第一隐藏层中的节点h₁₁、h₁₂、h₁₃、h₁₄和h₁₅可以连接到包括在中间层中的第一、第二和第三节点m₁、m₂和m₃。包括在第一隐藏层中的节点h₁₁、h₁₂、h₁₃、h₁₄和h₁₅中的每一个可以连接到包括在中间层中的第一至第三节点m₁、m₂和m₃中的每一个。在这种情况下，在中间层中包括的第一、第二和第三节点m₁、m₂和m₃中的每一个可以对从输入层接收的值应用彼此不同的权重，并将其结果输出到节点h₁₁、h₁₂、h₁₃、h₁₄和h₁₅中的每一个。

包括在第一隐藏层中的每个节点h₁₁、h₁₂、h₁₃、h₁₄和h₁₅可以将彼此不同的权重应用于通过对从中间层接收的值求和而获得的值，并将其结果输出到包含在第二隐藏层中的节点。另外，在第二隐藏层中包括的每个节点可以对从第一隐藏层接收的值求和而得到的值应用不同的权重，并将其结果输出到在第三隐藏层中包括的节点。通过使用这样的过程，最终，包括在第k隐藏层中的节点可以从包括在第k-1隐藏层中的节点接收值。

输出层可以连接到隐藏层。在图7所示的例子中，输出层可以连接到包括在第m隐藏层中的节点h_m1、h_m2和h_m3。在这种情况下，输出层可以包括单个节点。输出层可以从包括在第m隐藏层中的节点h_m1、h_m2和h_m3接收值，并且通过对所有接收的值求和，可以计算估计块的输出值。此外，估计模型的输出值可以包括输出参数中的任意一个值。

参考图5，可以训练上面关于图6和图7描述的类型的估计模型(S510)，并且可以训练多个估计块中的每一个以输出响应于在样本输入数据中包含的输入参数而已经反映权重数据的输出参数中的任何中的一个。

可以响应于样本输入数据来训练估计模型200，从而可以减少由估计模型生成的样本估计输出数据和样本输出数据之间的损失。

该损失可以被计算为样本估计输出数据和样本输出数据之间的差以及在样本估计输出数据中包含的输出参数的变化与在样本输出数据中包含的输出参数的变化之间的差。

样本估计输出数据和样本输出数据之间的差可以被计算为在样本估计输出数据中包含的输出参数和在样本输出数据中包含的输出参数之间的差。例如，样本估计输出数据和样本输出数据之间的差可以包括样本估计输出数据的第一输出参数和样本输出数据的第一输出参数之间的差到样本估计输出数据的第m输出参数和样本输出数据的第m输出参数之间的差。

一种用于确定在样本估计输出数据中包含的输出参数的变化和在样本输出数据中包含的输出参数的变化之间的差的方法可以在下文中关于图8被更详细地描述。

图8是示出根据本发明构思的实施例的与生成最佳输入数据的方法相关的损失计算中使用的“变化量”的概念图。

参考图8，假设样本估计输出数据和样本输出数据的六(6)个示例。即，样本估计输出数据和样本输出数据各自包括第一、第二、第三、第四、第五和第六输出参数Out_1至Out_6。

在这些假设下，在样本估计输出数据中包含的输出参数的变化量可以包括：第一估计变化量D_e1，其是第一输出参数Out_1与第四输出参数Out_4之间的差；第二估计变化量D_e2，其是第二输出参数Out_2与第五输出参数Out_5之间的差；以及第三估计变化量D_e3，其是第三输出参数Out_3与第六输出参数Out_6之间的差。

另外，在样本输出数据中包含的输出参数的变化量可以包括：第一样本变化量D_s1，其是第一输出参数Out_1与第四输出参数Out_4之间的差；第二样本变化量D_s2，其是第二输出参数Out_2与第五输出参数Out_5之间的差；以及第三样本变化量D_s3，其是第三输出参数Out_3与第六输出参数Out_6之间的差。

在样本估计输出数据中包含的输出参数的变化量与在样本输出数据中包含的输出参数的变化量之间的差可以包括第一估计变化量D_e1和第一样本变化量D_s1之间的差、第二估计变化量D_e2和第二样本变化量D_s2之间的差以及第三估计变化量D_e3和第三样本变化量D_s3之间的差。

本领域的技术人员将认识到，图8所示的示例仅仅是示例，但是本发明构思的范围不限于此。

参考图5，可以根据上述计算出的差来计算损失。此外，在这方面，可以使用诸如平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)等的方法来计算损失。

可以训练估计模型，使得可以减少上述类型的损失。即，估计模型可以响应于样本输入数据来生成样本估计输出数据、可以被训练使得减小使用样本估计输出数据和样本输出数据计算的损失。

在已经训练了估计模型之后，可以选择具有非零输入权重的输入参数作为基本输入参数。即，当输入参数从估计块的输入层被输出到中间层时所应用的输入权重不是大约为0时，可以选择该输入参数作为基本输入参数。

图9是在一个示例中进一步示出在图1的生成最佳输入数据的方法中生成最佳输入数据的步骤(S130)的流程图。

参考图9，可以根据基本输入数据和样本输出数据重新训练估计模型(S910)。

在一些实施例中，除了方法步骤(S910)的估计模型重新训练是相对于基本输入数据而不是样本输入数据执行的以外，估计模型的重新训练(S910)可以基本上类似于S510的估计模型训练。即，在S910的方法步骤期间，将不针对未被选择为基本输入参数的输入参数重新训练估计模型。

在已经重新训练了估计模型之后，可以生成推荐输入数据(S920)。

推荐输入数据可以分别是使用重新训练的估计模型获得目标输出数据所需的最佳输入数据的候选。在一些实施例中，可以根据重新训练的估计模型基于获取函数的值来生成推荐输入数据。这里，获取函数可以包括随机指示需要将哪种类型的输入数据输入到估计模型以输出最相似的输出数据作为目标输出数据的函数，并且可以使用改进概率(PI)函数、预期改进(EI)函数等中的任何一个。

因为最终必须生成与目标输出数据相关联的最佳输入数据，所以可以生成根据估计模型最大化获取函数的值的预设输入数据作为推荐输入数据。

在已经生成了推荐输入数据之后，可以确定是否已经满足了某些终止条件(S930)。

这里，终止条件可以包括作为参考的条件，用于确定是否可以在不进一步重新训练估计模型的情况下生成最佳输入数据。终止条件可以包括至少一个条件，诸如重新训练操作的次数是否超过预设的参考次数、在估计模型的重新训练过程期间计算的损失是否小于预设的参考值等。响应于确定是否满足终止条件，可以运行设计模拟或基于推荐输入数据生成最佳输入数据。

即，如果已经满足终止条件(S930＝是)，则可以从推荐输入数据中生成其中获取函数具有最大值的推荐输入数据作为最佳输入数据(S940)。这里，因为获取函数随机地指示是否要输出与目标输出数据最相似的输出数据，所以在推荐输入数据中获取函数的值具有最大值的推荐输入数据可以包括最适合获得目标输出数据的输入数据。因此，可以选择(或设置)推荐输入数据中对于获取函数产生最大值的推荐输入数据作为最佳输入数据。

替代地，如果尚未满足终止条件(S930＝否)，则可以使用推荐输入数据运行设计模拟，以便生成推荐输出数据(S950)。

这里，推荐输出数据可以包括响应于推荐输入数据由设计模拟器输出的数据。因此，当推荐输入数据被输入到设计模拟器时，设计模拟器可以输出分别对应于推荐输入数据的推荐输出数据。因此，可以生成推荐数据，该推荐数据包括推荐输入数据和分别对应于推荐输入数据的推荐输出数据。

一旦生成推荐输出数据，则可以根据推荐数据重新训练估计模型(S960)。

在一些实施例中，重新训练估计模型的方法步骤(S960)可以基本上类似于训练估计模型的方法步骤(S910)。然而，可以关于推荐输入数据和推荐输出数据而不是基本输入数据和样本输出数据来执行估计模型的重新训练。即，可以使用已经由设计模拟器新生成的数据来重新训练估计模型。

在使用推荐数据重新训练了估计模型之后，可以再次执行方法步骤S920和S930。也就是说，在已经使用推荐数据重新训练了估计模型之后，可以根据重新训练的估计模型基于获取函数的值来生成推荐输入数据(S920)。此外，可以再次确定是否满足了终止条件(S930)，并且根据该确定，可以使用设计模拟器运行设计模拟，或者可以基于推荐输入数据生成最佳输入数据。

对于包括至少一个基本输入参数的多个输入参数组中的每一个，可以顺序或递归地执行关于图9所描述的生成最佳输入数据的过程。

输入参数组可以包括例如输入参数中具有相同物理特性的输入参数。例如，在一些实施例中，第一输入参数组可以包括与在制造半导体器件期间使用的掩模有关的输入参数，并且第二输入参数组可以包括与在制造半导体器件期间使用的模具有关的输入参数。

可以根据输入参数组中的一个对每个输入参数进行分类，并且可以根据输出参数组中的一个对每个输出参数进行分类。这里，在一些实施例中，输出参数组可以分别对应于输入参数组。此外，每个估计块可以根据数个估计块组中的一个被分类，并且估计块组可以分别对应于输出参数组。

因此，可以根据输入参数组之间是否存在相关性来顺序地或递归地执行生成最佳输入数据的方法。在这点上，相关性可以被表示为指示由每个输入参数组指示的物理特性是否相互影响的指标。替代地或附加地，设计者可以预设输入参数组之间的一个或多个相关性。

在其中输入参数组之间不存在相关性的一些实施例中，可以顺序地执行生成最佳输入数据的方法。或者，当输入参数组之间存在一个或多个相关性时，可以递归地执行生成最佳输入数据的方法。

将相对于图10至图11来比较地描述为每个输入参数组顺序地或递归地生成最佳输入数据的方法。

图10是示出根据本发明构思的实施例的顺序生成最佳输入数据的方法的框图。

参考图10，包括输入参数的输入数据20可以被分类为包括：第一输入数据21，包括在第一输入参数组中包含的一个或多个输入参数；以及第二输入数据31，包括在第二输入参数组中包含的一个或多个输入参数。此外，输出数据30可以包括：第一输出数据22，对应于在第一输出参数组中包含的一个或多个输出参数；以及第二输出数据32，对应于在第二输出参数组中包含的一个或多个输出参数。

这里，第一输入数据21和第一输出数据22可以被输入到第一处理器300。然后，第一处理器300可以基于第一输入数据21和第一输出数据22重新训练与第一输入参数组和第一输出参数组对应的第一估计块组，并基于重新训练的第一估计块组来生成对应于最佳输入数据的第一最佳输入数据40。

接下来，由第一处理器300输出的第一最佳输入数据40、第二输入数据31和第二输出数据32可以被输入到第二处理器400。然后，第二处理器400可以基于第一处理器300输出的第一最佳输入数据40、第二输入数据31和第二输出数据32来重新训练对应于第二输入参数组和第二输出参数组的第二估计块，并且可以基于第二估计块组生成对应于第二最佳输入数据41的样本输入数据。

以这种方式，可以顺序进行第一输入参数组的最佳输入数据的生成和第二输入参数组的最佳输入数据的生成。

图11是示出根据本发明构思的实施例的递归地生成最佳输入数据的方法的框图。

参考图11，除了在生成第二最佳输入数据41之后，第二最佳输入数据41、第一输入数据21和第一输出数据22可以被应用于第一处理器300之外，递归生成最佳输入数据的方法与图10的顺序生成最佳输入数据的方法基本相似。然后，第一处理器300可以基于第一输入数据21、第一输出数据22和第二最佳输入数据41来重新训练第一估计块组以生成第一最佳输入数据40。

即，由于第一输入参数组和第二输入参数组之间存在相关性，因此在生成与最佳输入数据对应的样本输入数据之后，可以对第一估计块组执行重新训练。因此，可以重新生成对应于最佳输入数据的第一输入数据。类似地，在重新生成与最佳输入数据对应的第一输入数据后，可以对第二估计块组执行重新训练，重新生成最佳输入数据对应的第二输入数据。通过递归地执行这些方法步骤，可以生成最佳输入数据。

在一些实施例中，关于图10和图11第一处理器300和第二处理器400被分开设置。或者，第一处理器300和第二处理器400使用单个处理器来实现。

图12是示出根据本发明构思的实施例的计算系统1000的框图。在一些实施例中，可以使用图12的计算系统1000来执行生成最佳输入数据的方法，如前所述的那些。这里，计算系统1000可以被实现为诸如台式计算机、工作站和服务器的固定计算系统或者诸如膝上型计算机之类的便携式计算系统。

参考图12，计算系统1000可以包括至少一个处理器1100、输入/输出(I/O)接口1200、网络接口1300、存储器子系统1400和存储器1500，并且至少一个处理器1100、I/O接口1200、网络接口1300、存储器子系统1400和存储器1500可以经由总线1600相互通信。

至少一个处理器1100可以被称为处理单元，并且像微处理器、应用处理器(AP)、数字信号处理器(DSP)和图形处理单元(GPU)一样，可以执行任意指令集(例如，IntelArchitecture-32(IA-32)、64位扩展IA-32、x86-64、PowerPC、可扩展处理器架构(SPARC)、无互锁流水线阶段的微处理器(MIPS)以及Acorn精简指令集计算机(RISC)机器(ARM)、Intel Architecture-62(IA-64)等)。例如，至少一个处理器1100可以经由总线1600访问存储器子系统1400，并执行存储在存储器子系统1400中的指令。在一些实施例中，当有数个处理器1100时，可以使用处理器1100为数个估计块并行执行选择至少一个基本输入参数的方法步骤。

I/O接口1200可以包括输入设备(例如键盘和指向设备)和/或输出设备(例如显示设备和打印机)，或者可以提供对输入设备和/或输出设备的访问。用户可以触发程序1510的执行和/或数据1520的加载，也可以输入图4中的训练数据生成条件，还可以识别生成的最佳输入数据。

网络接口1300可以提供对计算系统1000外部的网络的访问。例如，网络可以包括多个计算系统和通信链路，并且通信链路可以包括有线链路、光链路、无线链路、或任何其他类型的链接。

存储器子系统1400可以存储程序1510，该程序用于上述参考附图描述的损失建模方法或其至少一部分，并且至少一个处理器1100可以执行包括通过执行存储在存储器子系统1400中的程序(或指令)来生成最佳输入数据的方法。存储器子系统1400可以包括ROM、RAM等。

存储器1500可以包括非暂时性存储介质，并且即使在向计算系统1000供应的电力被切断时也不会丢失存储在其中的数据。例如，存储器1500还可以包括非易失性存储设备，还可以包括诸如磁带、光盘和磁盘的存储介质。此外，存储器1500也可以从计算系统1000分离。如图12所示，可以存储程序1510和数据1520。在由至少一个处理器1100执行之前，程序1510的至少一部分可以被加载到存储器子系统1400中。在一些实施例中，存储器1500可以存储以编程语言编码的文件，并且由编译器从文件生成的程序1510或其至少一部分可以被加载到存储器子系统1400中。数据1520可以包括训练数据、推荐数据、最佳输入数据等。

根据上述生成最佳输入数据的方法和相关系统(或多个)，可以基于由机器学习训练的估计模型与至少一个基本输入参数相关地自动(即，非手动)生成最佳输入数据。此外，与手动执行的校准技术相比，可以以更高的一致性执行校准同时消耗更少的时间。

虽然已经参考其实施例具体示出和描述了本发明构思，但是应当理解，在不背离所附权利要求的精神和范围的情况下，可以对其中的形式和细节进行各种改变。

Claims (20)

1.一种计算设备，包括：

处理器；和

存储器，存储指令，

其中，处理器被配置为执行指令以生成训练数据，训练数据响应于与输入参数相关联的输入数据而提供与输出参数相关联的输出数据，

训练数据包括样本输入数据和样本输出数据，并且

处理器还被配置为根据使用训练数据训练的估计模型从输入参数中选择基本输入参数，并生成与基本输入参数相关联的基本输入数据和样本输出数据有关的最佳输入数据。

2.根据权利要求1所述的计算设备，其中，处理器还被配置为确定是否存在预先生成的训练数据，以及

如果存在预先生成的训练数据，则将预先生成的训练数据设置为训练数据，否则生成与训练数据生成条件有关的训练数据。

3.根据权利要求2所述的计算设备，其中，处理器还被配置为通过使用与训练数据生成条件有关的设计模拟器而执行设计模拟来生成训练数据。

4.根据权利要求2所述的计算设备，其中，训练数据生成条件包括设计模拟器地址数据、名称数据、范围数据、调整数据、条件数据、权重数据、转换数据和采样数据中的至少一项。

5.根据权利要求4所述的计算设备，其中，基本输入参数具有对应的非零输入权重。

6.根据权利要求1所述的计算设备，其中，处理器还被配置为：使用样本输入数据和反映权重数据的样本输出数据来训练估计模型，并且选择基本输入参数。

7.根据权利要求6所述的计算设备，其中，处理器还被配置为：基于由估计模型响应于样本输入数据而生成的样本估计输出数据以及样本输出数据之间的损失来训练估计模型。

8.根据权利要求7所述的计算设备，其中，处理器还被配置为：基于样本估计输出数据和样本输出数据之间的差以及与样本估计输出数据相关联的输出参数的变化量和与样本输出数据相关联的输出参数的变化量之间的差来计算所述损失。

9.根据权利要求6所述的计算设备，其中，估计模型包括估计块，其中所述估计块中的每个估计块响应于输入参数而提供来自输出参数中的输出参数。

10.根据权利要求9所述的计算设备，其中，处理器还被配置为训练估计块，使得估计块中的每个估计块响应于与样本输入数据对应的输入参数而提供来自输出参数中的输出参数。

11.根据权利要求9所述的计算设备，其中，处理器包括多个处理器，并且多个基本输入参数使用与估计块有关的所述多个处理器被并行地选择。

12.根据权利要求9所述的计算设备，其中，每个输入参数被分类到多个输入参数组中的一个输入参数组，

每个输出参数被分类到分别与输入参数组对应的多个输出参数组中的输出参数组，并且

每个估计块被分类到分别与多个输出参数组对应的多个估计块组中的估计块组。

13.根据权利要求12所述的计算设备，其中，处理器还被配置为：如果在输入参数组之间不存在相关性，则顺序地生成最佳输入数据；否则如果在输入参数组之间存在相关性，则处理器还被配置为递归地生成最佳输入数据。

14.根据权利要求1所述的计算设备，其中，处理器还被配置为：根据基本输入数据和样本输出数据来重新训练估计模型，并且在重新训练估计模型之后使用所述估计模型根据获取函数来生成推荐输入数据。

15.根据权利要求14所述的计算设备，其中，处理器还被配置为确定是否已经满足终止条件，并且

如果满足终止条件，则将产生获取函数的最大值的推荐数据设置为最佳输入数据，否则如果不满足终止条件，则从推荐输入数据生成推荐输出数据，并使用包含推荐输入数据和推荐输出数据二者的推荐数据来重新训练估计模型。

16.根据权利要求15所述的计算设备，其中，处理器还被配置为在使用推荐数据重新训练估计模型之后生成推荐输入数据，并且再次确定是否已经满足终止条件。

17.一种为设计模拟器生成最佳输入数据的方法，所述设计模拟器响应与输入参数有关的输入数据来提供与输出参数有关的输出数据，所述方法包括：

生成包括样本输入数据和样本输出数据的训练数据；

根据使用训练数据训练的估计模型，从输入参数中选择影响多个输出参数的至少一个基本输入参数；和

根据与至少一个基本输入参数对应的基本输入数据和样本输出数据生成最佳输入数据。

18.根据权利要求17所述的方法，其中，至少一个基本输入参数具有非零输入权重，并且

选择至少一个基本输入参数包括使用样本输入数据和反映权重数据的样本输出数据来训练估计模型，并选择基本输入参数。

19.根据权利要求18所述的方法，其中，生成最佳输入数据的包括：

使用基本输入数据和样本输出数据来重新训练估计模型；

确定是否满足终止条件；以及

如果已经满足终止条件，则在使用包含推荐输入数据和从推荐输入数据生成的推荐输出数据的推荐数据对估计模型进行重新训练之后，根据估计模型来生成对于获取函数产生最大值的推荐输入数据。

20.非暂时性存储介质，存储指令，当由至少一个处理器执行时，用于至少一个处理器执行为设计模拟器生成最佳输入数据的方法，所述设计模拟器响应于与输入参数有关的输入数据而提供与输出参数有关的输出数据，

其中，所述方法包括：

生成包括样本输入数据和样本输出数据的训练数据；

根据使用训练数据训练的估计模型，从多个输入参数中选择影响多个输出参数的至少一个基本输入参数；和

使用与至少一个基本输入参数对应的基本输入数据和样本输出数据生成最佳输入数据。

Images