CN116679527A - 版图拆分方法、版图拆分系统及存储介质 - Google Patents

版图拆分方法、版图拆分系统及存储介质 Download PDF

Info

Publication number
CN116679527A
CN116679527A CN202310613382.4A CN202310613382A CN116679527A CN 116679527 A CN116679527 A CN 116679527A CN 202310613382 A CN202310613382 A CN 202310613382A CN 116679527 A CN116679527 A CN 116679527A
Authority
CN
China
Prior art keywords
layout
splitting
particle
iteration
initial
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.)
Pending
Application number
CN202310613382.4A
Other languages
English (en)
Inventor
阮文胜
丁明
王焕明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Jingyuan Information Technology Co Ltd
Original Assignee
Shenzhen Jingyuan Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Jingyuan Information Technology Co Ltd filed Critical Shenzhen Jingyuan Information Technology Co Ltd
Priority to CN202310613382.4A priority Critical patent/CN116679527A/zh
Publication of CN116679527A publication Critical patent/CN116679527A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G03PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03FPHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/70Adapting basic layout or design of masks to lithographic process requirements, e.g., second iteration correction of mask patterns for imaging
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/30Circuit design
    • G06F30/39Circuit design at the physical level
    • G06F30/392Floor-planning or layout, e.g. partitioning or placement
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及光刻技术领域,特别涉及一种版图拆分方法、版图拆分系统及存储介质,本发明的版图拆分方法包括以下步骤:提供包括多组图形的初始版图,及获取初始版图中图形间的位置关系;获取任意一组图形的位置关系,作为优化依据;基于获取的图形间位置关系及优化依据用预设方式拆分初始版图中的图形,获取至少两种拆分结果,分别作为迭代初始值;运用离散粒子群优化算法对迭代初始值进行迭代,获取最符合预设适应度值的迭代结果作为最终拆分版图。采用离散粒子群优化算法对版图进行局部最优解的运算,降低了运算时间,节省了内存占用,同时保证版图的拆分效果。

Description

版图拆分方法、版图拆分系统及存储介质
【技术领域】
本发明涉及光刻技术领域,特别涉及一种版图拆分方法、版图拆分系统及存储介质。
【背景技术】
近年来,随着大规模集成电路的特征尺寸逐步逼近物理极限,其制造对光刻机等硬件设备要求逐渐提高,芯片的特征尺寸与光刻机光源之间的巨大鸿沟已经成为了限制提高集成电路集成度的重要因素。为了突破该限制,行业内提出了一种解决方案:多重曝光技术。通过提前将需要曝光的版图上的图形拆分到两张或以上的子版图中,每张子版图分别进行曝光。
在现有的版图拆分算法中,在运行时间、内存占用以及拆分效果上存在矛盾。目前诸多算法无法直接用于全芯片规模的版图拆分,而启发式算法的解法为局部最优解,难以保证其拆分效果,因此对启发式算法中的部分算法进行改进优化,从而平衡拆分效果已成为阶段性目标。
【发明内容】
为改善运行时间以及拆分效果的平衡问题,本发明提供了一种版图拆分方法、版图拆分系统及存储介质。
本发明解决技术问题的方案是提供一种版图拆分方法,包括以下步骤:提供包括多组图形的初始版图,及获取初始版图中图形间的位置关系;获取任意一组图形的位置关系,作为优化依据;基于获取的图形间位置关系及优化依据用预设方式拆分初始版图中的图形,获取至少两种拆分结果,分别作为迭代初始值;运用离散粒子群优化算法对迭代初始值进行迭代,获取最符合预设适应度值的迭代结果作为最终拆分版图。
优选地,所述初始版图中图形间位置关系包括距离关系及密度关系。
优选地,用预设方式拆分初始版图中的图形之前包括基于优化依据获取拆分优先级的步骤,所述距离关系的图形的拆分优先级随距离靠近递增,所述密度关系的图形的拆分优先级随距离靠近和/或重叠面积增多而递增。
优选地,用预设方式拆分初始版图中的图形包括基于获取的图形间位置关系与获取的拆分优先级对图形进行拆分,具体包括如下步骤:判断相邻图形间距离与预设阈值大小关系,若相邻图形间距离小于预设阈值,则定义为具有冲突关系的图形,若相邻图形间距离大于等于预设阈值,则定义为具有非冲突关系的图形;依据距离关系或密度关系的拆分优先级顺序将具有冲突关系的图形分别拆分至新版图上;依据距离关系和/或密度关系的拆分优先级顺序将具有非冲突关系的图形拆分至两张所述新版图上。
优选地,运用离散粒子群优化算法对迭代初始值进行迭代拆分具体包括以下步骤:运用离散粒子群优化算法对迭代初始值进行迭代具体包括以下步骤:定义一个迭代初始值为单一粒子,所有单一粒子的集合为群体粒子,并赋予每个粒子初始位置和预设速度;分别获取每个粒子及群体粒子的初始位置,及所述预设适应度值;以预设速度调整群体粒子中每个粒子的运动状态,并获取调整过程中的每个粒子的对应位置;在预设迭代次数范围内,实时获取每个粒子对应位置,判断每个粒子运动过程中是否存在任一粒子的对应位置满足预设适应度值,若满足,则退出迭代,并将群体粒子中该粒子最后的对应位置作为迭代结果输出;若不满足预设适应度值时,对每个粒子进行控速处理,并重新计算适应度值后重新让每个粒子以控制速度运动,判断是否存在任一粒子的对应位置满足重算后的适应度值;若不满足,则循环获取群体粒子的对应位置、对每个粒子控速处理并重算适应度值和让每个粒子以控制速度运动的步骤,持续判断运动过程中每个粒子对应位置是否满足重算后的适应度值,若在迭代次数范围内群体粒子中产生满足预设适应度值的单一粒子,则退出迭代,并将群体粒子中的该粒子的最后对应位置作为迭代结果输出;若迭代次数达到上限后仍然无法满足持续重算的适应度值,则选取群体粒子中最符合重算后适应度值的粒子的对应位置,作为迭代结果输出。
优选地,对粒子的控速处理具体包括以下步骤:调整粒子速度,并实时更新粒子的速度及位置;当粒子速度超出预设速度范围时,控制粒子速度在预设速度范围内。
优选地,获取任意一组图形的位置关系时,还包括获取初始版图的初始适应度值,所述迭代次数为60-100次,所述预设适应度值为所述初始适应度值的0.01%-0.1%。
优选地,所述单一粒子的数量为初始版图中图形的3-5倍。
本发明解决技术问题的方案还提供一种版图拆分系统,运用如上所述的版图拆分方法进行版图优化,包括识别模块、运算模块及操作模块,所述识别模块用于获取初始版图、识别初始版图内的图形;所述运算模块与所述识别模块共同获取初始版图中图形间的位置关系,并以任意一组图形的位置关系作为优化依据;所述操作模块用于基于获取的图形间位置关系及优化依据用预设方式拆分初始版图中的图形作为迭代初始值,并运用离散粒子群优化算法对迭代初始值进行迭代,获取最符合预设适应度值的迭代结果作为最终拆分版图。
本发明解决技术问题的方案还提供一种存储介质,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的版图拆分方法。
与现有技术相比,本发明的一种版图拆分方法、版图拆分系统及存储介质具有以下优点:
1、本发明的版图拆分方法,包括以下步骤:提供包括多组图形的初始版图,及获取初始版图中图形间的位置关系;获取任意一组图形的位置关系,作为优化依据;基于获取的图形间位置关系及优化依据用预设方式拆分初始版图中的图形,获取至少两种拆分结果,分别作为迭代初始值;运用离散粒子群优化算法对迭代初始值进行迭代,获取最符合预设适应度值的迭代结果作为最终拆分版图。采用离散粒子群优化算法对版图进行局部最优解的运算,降低了运算时间,节省了内存占用,同时保证版图的拆分效果。
2、本发明的版图拆分方法,初始版图中图形间位置关系包括距离关系及密度关系。采用距离关系及密度关系可以根据设置的图形间位置关系将必要的图形按优先级进行拆分。
3、本发明的版图拆分方法,用预设方式拆分初始版图中的图形之前包括基于优化依据获取拆分优先级的步骤,距离关系的图形的拆分优先级随距离靠近递增,密度关系的图形的拆分优先级随距离靠近和/或重叠面积增多而递增。距离关系及密度关系分别对应不同的图形分布情况,进而便于后续进行针对性拆分,距离关系及密度关系可以分别满足使用者的具体拆分需求,提高版图的拆分效果。
4、本发明的版图拆分方法,用预设方式拆分初始版图中的图形包括基于获取的图形间位置关系与获取的拆分优先级对图形进行拆分,包括如下步骤:判断相邻图形间距离与预设阈值大小关系,若相邻图形间距离小于预设阈值,则定义为具有冲突关系的图形,若相邻图形间距离大于等于预设阈值,则定义为具有非冲突关系的图形;依据距离关系或密度关系的拆分优先级顺序将具有冲突关系的图形分别拆分至新版图上;依据距离关系和/或密度关系的拆分优先级顺序将具有非冲突关系的图形拆分至两张所述新版图上。通过区分具有冲突关系的图形和具有非冲突关系的图形,进而对应拆分,使得版图优化更全面,进一步将图形间关系及拆分方式细化,进而便于后续进行针对性拆分,进一步提高版图的拆分效果。
5、本发明的版图拆分方法,运用离散粒子群优化算法对迭代初始值进行迭代具体包括以下步骤:定义一个迭代初始值为单一粒子,所有单一粒子的集合为群体粒子,并赋予每个粒子初始位置和预设速度;分别获取每个粒子及群体粒子的初始位置,及预设适应度值;以预设速度调整群体粒子中每个粒子的运动状态,并获取调整过程中的每个粒子的对应位置;在预设迭代次数范围内,实时获取每个粒子对应位置,判断每个粒子运动过程中是否存在任一粒子的对应位置满足预设适应度值,若满足,则退出迭代,并将群体粒子中该粒子最后的对应位置作为迭代结果输出;若不满足预设适应度值时,对每个粒子进行控速处理,并重新计算适应度值后重新让每个粒子以控制速度运动,判断是否存在任一粒子的对应位置满足重算后的适应度值;若不满足,则循环获取群体粒子的对应位置、对每个粒子控速处理并重算适应度值和让每个粒子以控制速度运动的步骤,持续判断运动过程中每个粒子对应位置是否满足重算后的适应度值,若在迭代次数范围内群体粒子中产生满足预设适应度值的单一粒子,则退出迭代,并将群体粒子中的该粒子的最后对应位置作为迭代结果输出;若迭代次数达到上限后仍然无法满足持续重算的适应度值,则选取群体粒子中最符合重算后适应度值的粒子的对应位置,作为迭代结果输出。通过对每一次拆分结果进行粒子化,并在不断迭代过程中也即群体粒子中找到最优位置,并使后续迭代拆分结果向最优位置靠齐,从而得到最优结果也即优化后版图。
6、本发明的版图拆分方法,对粒子的控速处理具体包括以下步骤:调整粒子速度,并实时更新粒子的速度及位置;当粒子速度超出预设速度范围时,控制粒子速度在预设速度范围内。在对初始版图进行迭代拆分过程中,可搜索的区域大,通过减少速度中的惯性分量,可使粒子群体在较大区域中进行搜索;后期为向最优位置靠齐拆分方式逐渐变少,可增大速度中的惯性分量,粒子群体在较小区域中做精细搜索。而如果粒子的速度过快或过慢超过速度范围,会导致整个粒子群体会脱离搜索区域,从而导致结果失去精确性,因此需要将速度限制在一定范围内。
7、本发明的版图拆分方法,获取任意一组图形的位置关系时,还包括获取初始版图的初始适应度值,迭代次数为60-100次,预设适应度值为所述初始适应度值的0.01%-0.1%。对迭代次数及适应度值进行限定,能提高运行效率,防止无意义的迭代。
8、本发明的版图拆分方法,单一粒子的数量为初始版图中图形的3-5倍。通过预先获取至少两种拆分结果,也即迭代初始值再进行迭代找最优位置,能提升运算效率,通过此方法能对图形数量及迭代初始值进行双方的限定,从而保证运算的高效性。
9、本发明还提供一种版图拆分系统,运用如上所述的版图拆分方法进行版图优化,包括识别模块、运算模块及操作模块,识别模块用于获取初始版图、识别初始版图内的图形;运算模块与识别模块共同获取初始版图中图形间的位置关系,并以任意一组图形的位置关系作为优化依据;操作模块用于基于获取的图形间位置关系及优化依据用预设方式拆分初始版图中的图形作为迭代初始值,并运用离散粒子群优化算法对迭代初始值进行迭代,获取最符合预设适应度值的迭代结果作为最终拆分版图。具有与上述版图拆分方法相同的有益效果,在此不做赘述。
10、本发明还提供一种存储介质,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现如上所述的版图拆分方法,具有与上述版图拆分方法相同的有益效果,在此不做赘述。
【附图说明】
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的一种版图拆分方法的步骤流程图。
图2是本发明第一实施例提供的一种版图拆分方法之迭代拆分的步骤流程图。
图3是本发明第一实施例提供的一种版图拆分方法中步骤S 4的步骤流程图。
图4是本发明第一实施例提供的一种版图拆分方法之初始版图的拆分示意图。
图5是本发明第一实施例提供的一种版图拆分方法之具有冲突关系与非冲突关系图形拆分示意图。
图6是本发明第一实施例提供的一种版图拆分方法之控速处理的步骤流程图。
图7是本发明第一实施例提供的一种版图拆分方法之适应度值与迭代次数的关系图。
图8是本发明第一实施例提供的一种版图拆分方法之粒子群优化算法相关参数表。
图9是本发明第二实施例提供的一种版图拆分系统的示意图。
图10是本发明第三实施例提供的一种存储介质的示意图。
附图标识说明:
1、版图拆分系统;2、存储介质;
11、识别模块;12、运算模块;13、操作模块;21、存储器;22、处理器;23、计算机介质。
【具体实施方式】
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施实例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,本发明第一实施例提供一种版图拆分方法,包括以下步骤:
S 1:提供包括多组图形的初始版图,及获取初始版图中图形间的位置关系;
S 2:获取任意一组图形的位置关系,作为优化依据;
S 3:基于获取的图形间位置关系及优化依据用预设方式拆分初始版图中的图形,获取至少两种拆分结果,分别作为迭代初始值;
S 4:运用离散粒子群优化算法对迭代初始值进行迭代,获取最符合预设适应度值的迭代结果作为最终拆分版图;
需要说明的是,版图拆分可分为剪切缝合以及非剪切缝合的两种模式,其中剪切缝合模式是允许用户对版图中的部分图形进行裁剪使以使得该区域中的图形间距满足曝光条件,该方法放宽了对版图设计的要求,但曝光时版图的对准精度要求更为严格,而非剪切缝合的模式曝光时对准精度的要求可以稍微降低。两种模式在实现原理上有共同的基础,为方便阐述,本发明的主要针对非剪切缝合的模式。
本发明引入粒子群优化算法(particle swarm optimization,PSO)来解决技术问题,PSO属于启发式算法中的一种,能保证版图局部的最优解,常用于决策问题的求解及优化,该算法基本思想是模拟鸟群飞行搜索食物的行为,通过种群间的信息交流和协作来搜索最优解。其中一只飞鸟被抽象为一个粒子,鸟群抽象为多个粒子的集合,即粒子群。每个粒子带有速度、位置和适应度值三种属性:粒子位置表示的是其在待优化的参数空间下的取值,位置决定了粒子的适应度值,适应度值反映了该组参数的好坏,是算法优化的目标,而速度表示粒子在参数空间下的移动速度。
假定在该参数空间下存在对应最优解,也即最佳适应度值的位置,粒子群算法即通过粒子群中各个粒子间信息的交流协作,通过迭代来更新自身的位置和速度,从而在参数空间上向最优解所在位置逼近。
具体的,通常待优化的参数在数值上是连续的,若待优化的参数在数值上是离散时,称对应的算法为离散粒子群优化算法(discrete particle sw arm optimi z ati on,DP S O)。D P S O算法可以通过控制算法中的特定参数来达到迭代收敛的效果以及时间,对于版图拆分问题,可以根据版图规模进行自动调整,可以有效平衡运行时间跟拆分效果的问题。
进一步的,请参阅图2,运用离散粒子群优化算法对迭代初始值进行迭代拆分具体包括以下步骤:
S 41:定义一个迭代初始值为单一粒子,所有单一粒子的集合为群体粒子,并赋予每个粒子初始位置和预设速度;
S 42:分别获取每个粒子及群体粒子的初始位置,及预设适应度值;
S 43:以预设速度调整群体粒子中每个粒子的运动状态,并获取调整过程中的每个粒子的对应位置;
S 44a:在预设迭代次数范围内,实时获取每个粒子对应位置,判断每个粒子运动过程中是否存在任一粒子的对应位置满足预设适应度值,若满足,则退出迭代,并将群体粒子中该粒子最后的对应位置作为迭代结果输出;
S 44b:若不满足预设适应度值时,对每个粒子进行控速处理,并重新计算适应度值后重新让每个粒子以控制速度运动,判断是否存在任一粒子的对应位置满足重算后的适应度值;
S 45a:若不满足,则循环获取群体粒子的对应位置、对每个粒子控速处理并重算适应度值和让每个粒子以控制速度运动的步骤,持续判断运动过程中每个粒子对应位置是否满足重算后的适应度值,若在迭代次数范围内群体粒子中产生满足预设适应度值的单一粒子,则退出迭代,并将群体粒子中的该粒子的最后对应位置作为迭代结果输出;
S 45b:若迭代次数达到上限后仍然无法满足持续重算的适应度值,则选取群体粒子中最符合重算后适应度值的粒子的对应位置,作为迭代结果输出。
需要说明的是,当群体粒子中存在一个单一粒子满足适应度值时,整个群体一起退出迭代过程,若达到迭代次数上限后仍无法满足重算适应度值时,选取最接近适应度值的单一粒子也即迭代中的最优粒子作为迭代结果输出,当出现多个粒子满足适应度值时,代表有多重拆分结果。且对粒子进行控速处理后,粒子不完全是向重新计算的适应度值靠近,速度中还包括原有速度的分量,以增加搜索其他区域的可能性。
可以理解地,通过对每一次拆分结果进行粒子化,并在不断迭代过程中也即群体粒子中找到最优位置,并使后续迭代拆分结果向最优位置靠齐,从而得到最优结果也即优化后版图。
此外,群体粒子间通过互相学习及粒子自身经验,能更高效地催生出满足适应度值的粒子。
具体的,如粒子a在位置b,向第一方向移动一定距离,不能满足适应度,那么其他粒子在位置b时就会避开这个搜索方向,进行向其他方向和/或距离的搜索移动。
可以理解地,群体粒子也即为扩大粒子基数,并互相学习,互通数据从而进行快速迭代,提高运算效率。
请参阅图8,关于离散粒子群算法简述为:假定有一群没有质量的飞鸟(也即粒子群),在一个N维的空间上飞行,搜索N维空间的各个区域。N维空间中的每一维都代表着其中一个待优化的参数。最优解对应的一组N维参数即为该N维区域中的最优位置。假定粒子群中的粒子数目为M,每个粒子均具有N维空间上的速度v及位置x,在位置x上可以根据实际问题计算其适应度值f。适应度值反映的是这组N维参数的好坏,当适应度超过设定的最优化阈值时,该粒子所在位置x即为所期望的参数取值。粒子的位置更新由速度v决定。速度v影响下一个时刻t+1的位置x,而粒子的速度受到三个因素的影响:当前时刻t自身速度、粒子自身历史最佳位置p(粒子自身历史最佳适应度值对应位置)、粒子群历史最佳位置g(粒子群历史最佳适应度值对应位置)。其中自身原有速度反映了粒子自身的惯性,粒子自身历史最佳位置反映了粒子自我经验,而粒子群历史最佳位置反映了整个粒子群的社会经验对个体影响。每部分的作用体现在如下公式上:(为了简化显示,这里省略了变量v,p,x,g的N维下标)
vi(t+1)=w·vi(t)+c1r1(t)pi(t)-xi(t)+c2r2(t)g(t)-xi(t)
其中w表示粒子自身的惯性大小,c 1和c 2反应粒子自身从过去以及群体的学习能力,r 1和r2为0到1区间的随机数,以增加粒子飞行的随机性。
下一时刻的粒子位置更新为:
xi(t+1)=xi(t)+v1(t+1)
对于D P S O,N维空间上的参数取值是离散的,即粒子位置x的N个参数均为离散数值。对于取值只有0和1两种情况,其位置的更新公式为:
此外,本发明通过定义图形间的关系,使用统一的模型来描述具有冲突关系的图形以及具有非冲突图形的拆分行为,可通过单次的DP S O算法获得版图的拆分结果。
可以理解地,采用离散粒子群优化算法对版图进行局部最优解的运算,降低了运算时间,节省了内存占用,同时保证版图的拆分效果。
需要说明的是,图8中的数据只针对本发明中使用的数据范围,这里不做限制,以实际情况为准。
进一步的,初始版图中图形间位置关系包括距离关系及密度关系。
更进一步的,请参阅图3,用预设方式拆分初始版图中的图形之前包括如下步骤:
S 31:基于优化依据获取拆分优先级;
用预设方式拆分初始版图中的图形基于拆分优先级进行,距离关系是指单纯以图形间距离作为拆分优先级的标准,距离关系的图形的拆分优先级随距离靠近递增;密度关系是指在考虑图形间距离的同时考虑图形间的重叠部分面积(c o s t值),以综合考虑拆分后的版图密度,密度关系的图形的拆分优先级随距离靠近和/或重叠面积增多而递增。
需要说明的是,优化依据决定了拆分优先级,拆分优先级决定了拆分的行为,拆分行为决定了拆分的结果。
可以理解地,距离关系及密度关系分别对应不同的图形分布情况,进而便于后续进行针对性拆分,采用距离关系及密度关系可以分别满足使用者的具体拆分需求,提高版图的拆分效果。
进一步的,用预设方式拆分初始版图中的图形包括基于获取的图形间位置关系与获取的拆分优先级对图形进行拆分,具体包括如下步骤:
S 32a:判断相邻图形间距离与预设阈值大小关系若相邻图形间距离小于预设阈值,则定义为具有冲突关系的图形;
S 32b:若相邻图形间距离大于等于预设阈值,则定义为具有非冲突关系的图形;
S 331:依据距离关系或密度关系的拆分优先级顺序将具有冲突关系的图形分别拆分至新版图上;
S 332:依据距离关系和/或密度关系的拆分优先级顺序将具有非冲突关系的图形拆分至新版图上。
具体的,当两个图形间的距离小于设定的阈值时,两者间的关系称之为冲突关系,在版图拆分中,具有冲突关系的图形要确保优先拆分到不同版图上。其次,对于具有非冲突关系的图形,可以考虑按距离或者重叠面积进行拆分。
此外,请参阅图4,对于本发明而言,这两种类型的关系在使用D P S O算法进行拆分时,其实现原理完全相同。
以距离关系的拆分要求为例,图形间关系与两者间的距离直接相关。
首先,对输入的版图进行处理,计算两两图形间的距离,当该距离小于设定的阈值距离S时,将该距离记为冲突距离。其中,将所有距离中的最大值记为m ax S。
由于需要确保具有冲突关系的图形的优先拆分,因此其冲突距离对应的拆分优先级应设置最高。给定图形间关系w与距离d的关系公式:
可以看到,当距离d大于设定阈值S时,即两图形之间具有非冲突关系,我们按照max S与d之差获得对应的关系值w,相当于根据距离大小进行倒序排序;当距离小于S时为冲突关系,为了保证其优先拆分的同时体现不同冲突关系的远近作用,按照2*m ax S与d之差获得关系值w。冲突关系值与非冲突关系值的区别在于冲突关系w增加了惩罚项maxS,当具有冲突关系的图形在优化过程中被拆分到相同的子版图上时,整个系统的总权重会明显增大,粒子群一旦搜索到该区域会响应系统权重的变化进行规避。
根据公式计算,可获得给定版图的一组图形关系wij,其中i,j为输入版图中的图形编号。这组关系将作为后续DP S O进行迭代优化过程中,计算目标函数的依据。
更具体的,用预设方式的版图拆分算法基于DP S O算法进行,假定初始版图的图形数量为N,输入的距离阈值为S,拆分的目标是将初始版图中的所有图形拆分到两张子版图上。当图形被拆分到第一张子版图时,其状态标记为1;当被拆分到第二张子版图时,其状态标记为0。因此版图拆分的问题可以转换为对N个图形状态(0或1)的优化,以使得所有具有冲突关系的图形之间的状态相反,同时具有非冲突关系的图形按拆分优先级进行拆分。
这里的N个状态即为待优化参数,即粒子的位置x,本发明中的粒子适应度f的定义如下:
其中0<i,j<N,表示图形编号。
可以看到,当两个存在关系的图形状态相同(均为0或者均为1)时,其关系值参与适应度值的计算;而当两者状态不同时,其关系值不参与适应度值的计算。而拆分优先级越高的两个图形其关系越大,这意味着要获得较好的拆分效果,应该使得适应度f的数值最小化。
更具体的,这里选取的拆分版图如图5所示,设定的距离阈值为0.006(即60nm),图中所示距离为0.0375(即375nm)的图形之间存在冲突,而距离大于0.06的图形关系为非冲突关系,可以看到冲突关系的图形均被拆分到不同的版图上,而非冲突关系的图形按距离远近进行拆分。
可以理解地,通过区分具有冲突关系的图形和具有非冲突关系的图形,进而对应拆分,使得版图优化更全面,进一步将图形间关系及拆分方式细化,进而便于后续进行针对性拆分,进一步提高版图的拆分效果。
进一步的,请参阅图6,对粒子的控速处理具体包括以下步骤:
S 44b 1:调整粒子速度,并实时更新粒子的速度及位置;
S 44b 2:当粒子速度超出预设速度范围时,控制粒子速度在预设速度范围内。
需要说明的是,在对初始版图进行迭代拆分过程中,前期迭代需进行大范围搜索,后期在给定的搜索范围内做精细搜索。
可以理解地,如果粒子的速度过快或过慢超过速度范围,会导致整个粒子群体会脱离搜索区域,从而导致结果失去精确性,因此需要将速度限制在一定范围内。
进一步的,请结合图7及图8,获取任意一组图形的位置关系时,还包括获取初始版图的初始适应度值,迭代次数为60-100次,预设适应度值为初始适应度值的0.01%-0.1%。
需要说明的是,速度的惯性权重反映粒子能保持前一时刻运动状态的能力,为了控制收敛速度,在每次迭代的过程中,速度公式中的惯性权重采用先小后大的策略。前期惯性权重小,全局搜索的能力强,结果不容易陷入局部最优解中;后期惯性权重大,可在给定区域范围内做精细搜索。这里采取递增策略更新惯性权重,如下公式所示,t表示当前已经迭代的次数
w=(wmax-wmon)·t/T
为了防止速度过大过小而导致整个粒子群脱离搜索区域,这里加入了最大最小速度限制,当速度超过了速度的上下限时,需进行控速处理,将速度重新限制在上下限范围内。
当粒子数目较多时可以适当减少迭代次数,这里不做限制,随着迭代次数的增多,粒子群的最佳适应度值逐渐收敛直至满足结束条件并退出程序,百分比越小,表示收敛得越好但所需时间越长。
可以理解地,对迭代次数及适应度值进行限定,能提高运行效率,防止无意义的迭代。
进一步的,单一粒子的数量为初始版图中图形的3-5倍。
可以理解地,通过预先获取至少两种拆分结果,也即迭代初始值再进行迭代找最优位置,能提升运算效率,通过此方法能对图形数量及迭代初始值进行双方的限定,从而保证运算的高效性。
请参阅图9,本发明第二实施例是提供一种版图拆分系统1,运用如上所述的版图拆分方法进行版图优化,包括识别模块11、运算模块12及操作模块13,识别模块11用于获取初始版图、识别初始版图内的图形;运算模块12与识别模块11共同获取初始版图中图形间的位置关系,并以任意一组图形的位置关系作为优化依据;操作模块13用于基于获取的图形间位置关系及优化依据用预设方式拆分初始版图中的图形作为迭代初始值,并运用离散粒子群优化算法对迭代初始值进行迭代,获取最符合预设适应度值的迭代结果作为最终拆分版图。
版图拆分系统1具有与上述版图拆分方法相同的有益效果,在此不做赘述。
请参阅图10,本发明第三实施例是提供一种存储介质2,包括存储器21、处理器22及存储在存储器21上并可在处理器22上运行的计算机程序23,处理器22执行计算机程序23时,实现如上所述的版图拆分方法,具有与上述版图拆分方法相同的有益效果,在此不做赘述。
可以理解地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(C P U)执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RA M)、只读存储器(RO M)、可擦式可编程只读存储器(E PR O M或闪存)、光纤、便携式紧凑磁盘只读存储器(C D-R O M)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的实施例中,应理解,“与A对应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在本发明的各种实施例中,应理解,上述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在本发明的附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方案中,方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,在此基于涉及的功能而确定。需要特别注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
与现有技术相比,本发明的一种版图拆分方法、版图拆分系统及存储介质具有以下优点:
1、本发明的版图拆分方法,包括以下步骤:提供包括多组图形的初始版图,及获取初始版图中图形间的位置关系;获取任意一组图形的位置关系,作为优化依据;基于获取的图形间位置关系及优化依据用预设方式拆分初始版图中的图形,获取至少两种拆分结果,分别作为迭代初始值;运用离散粒子群优化算法对迭代初始值进行迭代,获取最符合预设适应度值的迭代结果作为最终拆分版图。采用离散粒子群优化算法对版图进行局部最优解的运算,降低了运算时间,节省了内存占用,同时保证版图的拆分效果。
2、本发明的版图拆分方法,初始版图中图形间位置关系包括距离关系及密度关系。使用距离关系及密度关系可以根据设置的图形间位置关系将必要的图形按优先级进行拆分。
3、本发明的版图拆分方法,用预设方式拆分初始版图中的图形之前包括基于优化依据获取拆分优先级的步骤,距离关系的图形的拆分优先级随距离靠近递增,密度关系的图形的拆分优先级随距离靠近和/或重叠面积增多而递增。距离关系及密度关系分别对应不同的图形分布情况,进而便于后续进行针对性拆分,距离关系及密度关系可以分别满足使用者的具体拆分需求,提高版图的拆分效果。
4、本发明的版图拆分方法,用预设方式拆分初始版图中的图形包括基于获取的图形间位置关系与获取的拆分优先级对图形进行拆分,包括如下步骤:判断相邻图形间距离与预设阈值大小关系,若相邻图形间距离小于预设阈值,则定义为具有冲突关系的图形,若相邻图形间距离大于等于预设阈值,则定义为具有非冲突关系的图形;依据距离关系或密度关系的拆分优先级顺序将具有冲突关系的图形分别拆分至新版图上;依据距离关系和/或密度关系的拆分优先级顺序将具有非冲突关系的图形拆分至两张所述新版图上。通过区分具有冲突关系的图形和具有非冲突关系的图形,进而对应拆分,使得版图优化更全面,进一步将图形间关系及拆分方式细化,进而便于后续进行针对性拆分,进一步提高版图的拆分效果。
5、本发明的版图拆分方法,运用离散粒子群优化算法对迭代初始值进行迭代具体包括以下步骤:定义一个迭代初始值为单一粒子,所有单一粒子的集合为群体粒子,并赋予每个粒子初始位置和预设速度;分别获取每个粒子及群体粒子的初始位置,及预设适应度值;以预设速度调整群体粒子中每个粒子的运动状态,并获取调整过程中的每个粒子的对应位置;在预设迭代次数范围内,实时获取每个粒子对应位置,判断每个粒子运动过程中是否存在任一粒子的对应位置满足预设适应度值,若满足,则退出迭代,并将群体粒子中该粒子最后的对应位置作为迭代结果输出;若不满足预设适应度值时,对每个粒子进行控速处理,并重新计算适应度值后重新让每个粒子以控制速度运动,判断是否存在任一粒子的对应位置满足重算后的适应度值;若不满足,则循环获取群体粒子的对应位置、对每个粒子控速处理并重算适应度值和让每个粒子以控制速度运动的步骤,持续判断运动过程中每个粒子对应位置是否满足重算后的适应度值,若在迭代次数范围内群体粒子中产生满足预设适应度值的单一粒子,则退出迭代,并将群体粒子中的该粒子的最后对应位置作为迭代结果输出;若迭代次数达到上限后仍然无法满足持续重算的适应度值,则选取群体粒子中最符合重算后适应度值的粒子的对应位置,作为迭代结果输出。通过对每一次拆分结果进行粒子化,并在不断迭代过程中也即群体粒子中找到最优位置,并使后续迭代拆分结果向最优位置靠齐,从而得到最优结果也即优化后版图。
6、本发明的版图拆分方法,对粒子的控速处理具体包括以下步骤:调整粒子速度,并实时更新粒子的速度及位置;当粒子速度超出预设速度范围时,控制粒子速度在预设速度范围内。在对初始版图进行迭代拆分过程中,可搜索的区域大,通过减少速度中的惯性分量,可使粒子群体在较大区域中进行搜索;后期为向最优位置靠齐拆分方式逐渐变少,可增大速度中的惯性分量,粒子群体在较小区域中做精细搜索。而如果粒子的速度过快或过慢超过速度范围,会导致整个粒子群体会脱离搜索区域,从而导致结果失去精确性,因此需要将速度限制在一定范围内。
7、本发明的版图拆分方法,获取任意一组图形的位置关系时,还包括获取初始版图的初始适应度值,迭代次数为60-100次,预设适应度值为所述初始适应度值的0.01%-0.1%。对迭代次数及适应度值进行限定,能提高运行效率,防止无意义的迭代。
8、本发明的版图拆分方法,单一粒子的数量为初始版图中图形的3-5倍。通过预先获取至少两种拆分结果,也即迭代初始值再进行迭代找最优位置,能提升运算效率,通过此方法能对图形数量及迭代初始值进行双方的限定,从而保证运算的高效性。
9、本发明还提供一种版图拆分系统,运用如上所述的版图拆分方法进行版图优化,包括识别模块、运算模块及操作模块,识别模块用于获取初始版图、识别初始版图内的图形;运算模块与识别模块共同获取初始版图中图形间的位置关系,并以任意一组图形的位置关系作为优化依据;操作模块用于基于获取的图形间位置关系及优化依据用预设方式拆分初始版图中的图形作为迭代初始值,并运用离散粒子群优化算法对迭代初始值进行迭代,获取最符合预设适应度值的迭代结果作为最终拆分版图。具有与上述版图拆分方法相同的有益效果,在此不做赘述。
10、本发明还提供一种存储介质,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现如上所述的版图拆分方法,具有与上述版图拆分方法相同的有益效果,在此不做赘述。
以上对本发明实施例公开的一种版图拆分方法、版图拆分系统及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制,凡在本发明的原则之内所作的任何修改,等同替换和改进等均应包含本发明的保护范围之内。

Claims (10)

1.一种版图拆分方法,其特征在于:包括以下步骤:
提供包括多组图形的初始版图,及获取初始版图中图形间的位置关系;
获取任意一组图形的位置关系,作为优化依据;
基于获取的图形间位置关系及优化依据用预设方式拆分初始版图中的图形,获取至少两种拆分结果,分别作为迭代初始值;
运用离散粒子群优化算法对迭代初始值进行迭代,获取最符合预设适应度值的迭代结果作为最终拆分版图。
2.如权利要求1所述的版图拆分方法,其特征在于:所述初始版图中图形间位置关系包括距离关系及密度关系。
3.如权利要求2所述的版图拆分方法,其特征在于:用预设方式拆分初始版图中的图形之前包括基于优化依据获取拆分优先级的步骤,所述距离关系的图形的拆分优先级随距离靠近递增,所述密度关系的图形的拆分优先级随距离靠近和/或重叠面积增多而递增。
4.如权利要求3所述的版图拆分方法,其特征在于:用预设方式拆分初始版图中的图形包括基于获取的图形间位置关系与获取的拆分优先级对图形进行拆分,具体包括如下步骤:
判断相邻图形间距离与预设阈值大小关系,若相邻图形间距离小于预设阈值,则定义为具有冲突关系的图形;
若相邻图形间距离大于等于预设阈值,则定义为具有非冲突关系的图形;
依据距离关系或密度关系的拆分优先级顺序将具有冲突关系的图形分别拆分至新版图上;
依据距离关系和/或密度关系的拆分优先级顺序将具有非冲突关系的图形拆分至所述新版图上。
5.如权利要求1所述的版图拆分方法,其特征在于:运用离散粒子群优化算法对迭代初始值进行迭代具体包括以下步骤:
定义一个迭代初始值为单一粒子,所有单一粒子的集合为群体粒子,并赋予每个粒子初始位置和预设速度;
分别获取每个粒子及群体粒子的初始位置,及所述预设适应度值;
以预设速度调整群体粒子中每个粒子的运动状态,并获取调整过程中的每个粒子的对应位置;
在预设迭代次数范围内,实时获取每个粒子对应位置,判断每个粒子运动过程中是否存在任一粒子的对应位置满足预设适应度值,若满足,则退出迭代,并将群体粒子中该粒子最后的对应位置作为迭代结果输出;
若不满足预设适应度值时,对每个粒子进行控速处理,并重新计算适应度值后重新让每个粒子以控制速度运动,判断是否存在任一粒子的对应位置满足重算后的适应度值;
若不满足,则循环获取群体粒子的对应位置、对每个粒子控速处理并重算适应度值和让每个粒子以控制速度运动的步骤,持续判断运动过程中每个粒子对应位置是否满足重算后的适应度值,若在迭代次数范围内群体粒子中产生满足预设适应度值的单一粒子,则退出迭代,并将群体粒子中的该粒子的最后对应位置作为迭代结果输出;
若迭代次数达到上限后仍然无法满足持续重算的适应度值,则选取群体粒子中最符合重算后适应度值的粒子的对应位置,作为迭代结果输出。
6.如权利要求5所述的版图拆分方法,其特征在于:对粒子的控速处理具体包括以下步骤:
调整粒子速度,并实时更新粒子的速度及位置;
当粒子速度超出预设速度范围时,控制粒子速度在预设速度范围内。
7.如权利要求5所述的版图拆分方法,其特征在于:获取任意一组图形的位置关系时,还包括获取初始版图的初始适应度值,所述迭代次数为60-100次,所述预设适应度值为所述初始适应度值的0.01%-0.1%。
8.如权利要求5所述的版图拆分方法,其特征在于:所述单一粒子的数量为初始版图中图形的3-5倍。
9.一种版图拆分系统,运用如权利要求1-8中任一项所述的版图拆分方法进行版图优化,其特征在于:包括识别模块、运算模块及操作模块,所述识别模块用于获取初始版图、识别初始版图内的图形;
所述运算模块与所述识别模块共同获取初始版图中图形间的位置关系,并以任意一组图形的位置关系作为优化依据;
所述操作模块用于基于获取的图形间位置关系及优化依据用预设方式拆分初始版图中的图形作为迭代初始值,并运用离散粒子群优化算法对迭代初始值进行迭代,获取最符合预设适应度值的迭代结果作为最终拆分版图。
10.一种存储介质,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-8中任一项所述的版图拆分方法。
CN202310613382.4A 2023-05-26 2023-05-26 版图拆分方法、版图拆分系统及存储介质 Pending CN116679527A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310613382.4A CN116679527A (zh) 2023-05-26 2023-05-26 版图拆分方法、版图拆分系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310613382.4A CN116679527A (zh) 2023-05-26 2023-05-26 版图拆分方法、版图拆分系统及存储介质

Publications (1)

Publication Number Publication Date
CN116679527A true CN116679527A (zh) 2023-09-01

Family

ID=87778438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310613382.4A Pending CN116679527A (zh) 2023-05-26 2023-05-26 版图拆分方法、版图拆分系统及存储介质

Country Status (1)

Country Link
CN (1) CN116679527A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371387A (zh) * 2023-12-08 2024-01-09 浙江集迈科微电子有限公司 集成电路器件版图参数化构建方法装置、存储介质和终端

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371387A (zh) * 2023-12-08 2024-01-09 浙江集迈科微电子有限公司 集成电路器件版图参数化构建方法装置、存储介质和终端
CN117371387B (zh) * 2023-12-08 2024-02-13 浙江集迈科微电子有限公司 集成电路器件版图参数化构建方法装置、存储介质和终端

Similar Documents

Publication Publication Date Title
US10902347B2 (en) Rule creation using MDP and inverse reinforcement learning
CN109344959A (zh) 神经网络训练方法、神经网络系统和计算机系统
CN115066694A (zh) 计算图优化
CN116679527A (zh) 版图拆分方法、版图拆分系统及存储介质
CN113420804A (zh) 数据处理方法、装置、网络设备及存储介质
US20160077860A1 (en) Virtual machine placement determination device, virtual machine placement determination method, and virtual machine placement determination program
US11687824B2 (en) Intelligent data partitioning for distributed machine learning systems
US10789400B2 (en) Scheduling simultaneous optimization of multiple very-large-scale-integration designs
CN117271101B (zh) 一种算子融合方法、装置、电子设备及存储介质
CN116166405A (zh) 异构场景下的神经网络任务调度策略确定方法及装置
CN114548297A (zh) 基于领域自适应的数据分类方法、装置、设备及介质
CN114819095A (zh) 业务数据处理模型的生成方法、装置及电子设备
CN117193988A (zh) 一种晶圆级架构ai加速芯片的任务调度方法及介质
CN114610648B (zh) 一种测试方法、装置及设备
CN115756789A (zh) 一种针对深度学习推理服务系统的gpu调度优化方法
WO2021075581A1 (ja) トラッキング装置、トラッキング方法、トラッキングプログラム
CN113485848A (zh) 深度神经网络部署方法、装置、计算机设备和存储介质
CN106611215A (zh) 一种新的布谷鸟搜索算法解决作业车间调度问题
Eikså et al. Explaining Deep Reinforcement Learning Policies with SHAP, Decision Trees, and Prototypes
CN116820136B (zh) 基于rrt算法的无人机路径优化方法及装置
KR102250950B1 (ko) 분산 배포환경에서의 머신 러닝 기반 프로세스 실행 환경 자동 최적화 방법 및 장치
CN112580803B (zh) 模型获取方法、装置、电子设备、存储介质和程序产品
US20240005160A1 (en) Methods and systems for optimizing a peak memory usage of an artificial neural network graph
KR20230099543A (ko) 분산 병렬 학습 방법 및 분산 병렬 학습 제어 장치
Zhang et al. Ecoma: Edge-cloud collaborative framework for multi-task applications

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