CN117251715B - 版图量测区域筛选方法、装置、电子设备及存储介质 - Google Patents
版图量测区域筛选方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117251715B CN117251715B CN202311533563.2A CN202311533563A CN117251715B CN 117251715 B CN117251715 B CN 117251715B CN 202311533563 A CN202311533563 A CN 202311533563A CN 117251715 B CN117251715 B CN 117251715B
- Authority
- CN
- China
- Prior art keywords
- matrix
- layout
- neural network
- characteristic
- measurement
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012216 screening Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 116
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000007873 sieving Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 18
- 238000013461 design Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种版图量测区域筛选方法、装置、电子设备及存储介质。该方案可以根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征芯片版图的图矩阵,根据预设的聚类阈值和视野窗口信息参数,在图矩阵中选择子矩阵,将子矩阵输入至卷积神经网络,并输出对应的分类结果,继续在图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。本申请通过对芯片设计版图的特征单元进行有效分类,从而可以针对特征单元进行分类量测,提高了量测效率,可快速检测芯片产线上对特征单元的制造工艺精度,进而提升芯片良率。
Description
技术领域
本申请涉及芯片制造技术领域,具体涉及一种版图量测区域筛选方法、装置、电子设备及存储介质。
背景技术
在集成电路生产的过程中,量测环节是不可缺少的部分,目的是能在生产中监测、识别、定位、分析工艺缺陷,对晶圆厂及时发现问题、改善工艺、提高良率,起到至关重要的作用。
量测指对被观测的晶圆电路上的结构尺寸和材料特性做出的量化描述,如薄膜厚度、关键尺寸、刻蚀深度、表面形貌等物理性参数的量测。以验证并改善工艺的质量,提升良率。随着集成电路制程继续朝高端推进,晶圆生产对工艺良率控制提出了更高的要求,对于复杂的芯片版图,量测区域的选择至关重要。
然而申请人发现,当前量测位置选取尚未有具体手段,一般通过海量重复测试手段,通过高性能的量测设备抽检制造工艺中晶圆上的核心区域(具备特定功能的图案)的尺寸信息,因此导致这种量测位置选取方法成本高、测试效率低,误差继承累计等,制约了先进工艺制程的快速发展。
发明内容
本申请提供一种版图量测区域筛选方法、装置、电子设备及存储介质,可以对芯片设计版图的特征单元进行有效分类,从而针对特征单元进行分类量测,提高了量测效率,可快速检测芯片产线上对特征单元的制造工艺精度,进而提升芯片良率。
本申请提供一种版图量测区域筛选方法,包括:
根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征所述芯片版图的图矩阵;
根据预设的聚类阈值和视野窗口信息参数,在所述图矩阵中选择子矩阵;
将所述子矩阵输入至卷积神经网络,并输出对应的分类结果;
继续在所述图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。
可选的,根据芯片版图中的特征单元建立邻接矩阵,包括:
将所述芯片版图中的特征单元作为图节点;
根据所述特征单元之间的最小间距设置所述特征单元之间的权重;
根据所述图节点和权重建立所述邻接矩阵。
可选的,根据芯片版图中的特征单元建立度量矩阵,包括:
获取所述芯片版图中的特征单元的面积;
根据所述面积设置所述特征单元的度量矩阵元素,以建立所述度量矩阵。
可选的,所述卷积神经网络包括三层卷积层,每个卷积层包括卷积核、池化层以及激活函数。
可选的,将所述子矩阵输入至卷积神经网络,并输出对应的分类结果,包括:
将所述子矩阵输入至卷积神经网络,训练神经网络权重值,并输出所述子矩阵的分类结果;
根据所述分类结果确定所述芯片版图在当前聚类阈值下对应的分类个数。
可选的,将所述子矩阵输入至卷积神经网络,训练神经网络权重值,并输出所述子矩阵的分类结果,包括:
提取所述子矩阵的多维特征信息;
利用所述多为网络特征以及类别标签训练所述神经网络权重值;
通过训练好的网络模型预测所述子矩阵针对不同类别标签所对应的概率值,并根据所述概率值确定分类结果。
本申请还提供一种版图量测区域筛选装置,包括:
建立模块,用于根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征所述芯片版图的图矩阵;
选择模块,用于根据预设的聚类阈值和视野窗口信息参数,在所述图矩阵中选择子矩阵;
训练模块,用于将所述子矩阵输入至卷积神经网络,并输出对应的分类结果;
输出模块,用于继续在所述图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。
可选的,所述建立模块包括:
第一建立子模块,用于将所述芯片版图中的特征单元作为图节点,根据所述特征单元之间的最小间距设置所述特征单元之间的权重,根据所述图节点和权重建立所述邻接矩阵;
第二建立子模块,用于获取所述芯片版图中的特征单元的面积,根据所述面积设置所述特征单元的度量矩阵元素,以建立所述度量矩阵。
本申请还提供一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,执行本申请提供的任一项所述版图量测区域筛选方法中的步骤。
本申请还提供一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序适于处理器进行加载,以执行本申请提供的任一项所述版图量测区域筛选方法中的步骤。
本申请提供的版图量测区域筛选方法,可以根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征芯片版图的图矩阵,根据预设的聚类阈值和视野窗口信息参数,在图矩阵中选择子矩阵,将子矩阵输入至卷积神经网络,并输出对应的分类结果,继续在图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。本申请通过对芯片设计版图的特征单元进行有效分类,从而可以针对特征单元进行分类量测,提高了量测效率,可快速检测芯片产线上对特征单元的制造工艺精度,进而提升芯片良率。
附图说明
为了更清楚地说明本申请中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的版图量测区域筛选方法的一种流程示意图;
图2是本申请实施例提供的度量矩阵和邻接矩阵示意图;
图3是本申请实施例提供的版图量测区域筛选方法的另一种流程示意图;
图4是本申请实施例提供的版图量测区域筛选装置的一种结构示意图;
图5是本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素,此外,本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义,也可能具有不同含义,其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应该理解的是,虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是,在本文中,采用了诸如101、102等步骤代号,其目的是为了更清楚简要地表述相应内容,不构成顺序上的实质性限制,本领域技术人员在具体实施时,可能会先执行102后执行101等,但这些均应在本申请的保护范围之内。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供一种版图量测区域筛选方法,该版图量测区域筛选方法的执行主体可以是本申请实施例提供的版图量测区域筛选装置,或者集成了该版图量测区域筛选装置的服务器,其中该版图量测区域筛选装置可以采用硬件或者软件的方式实现。
如图1所示,图1是本申请实施例提供的版图量测区域筛选方法的第一流程示意图,该版图量测区域筛选方法的具体流程可以如下:
101、根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征芯片版图的图矩阵。
在一实施例中,可以先对芯片设计图案上的特征单元建立度量矩阵和邻接矩阵,形成不同单元间的数字化矩阵图像,建立各个不同单元间的临近关系,从而得到可以表征芯片版图的图矩阵。其中,上述根据芯片版图中的特征单元所构建的度量矩阵和邻接矩阵可以参阅图2,该图2中是A和B分别表示实数根据规则得到的不同特征单元的度量值,不同的位置对应的度量值不同。
在一实施例中,可以通过芯片版图对应的gds文件来读取文件中各个特征单元的信息。
102、根据预设的聚类阈值和视野窗口信息参数,在图矩阵中选择子矩阵。
在一实施例中,可以预先设置聚类阈值和视野窗口信息参数,从而选取子矩阵。具体的,输入分类阈值门限,根据预设的视野窗口在邻近矩阵中随机选择N个子矩阵,以作为后续神经网络的输入。
需要说明的是,在层次聚类中,我们需要设置一个阈值来控制聚类过程。这个阈值可以是距离或相似度的阈值,当两个子矩阵之间的距离或相似度低于这个阈值时,它们就会被归为一类,设置适当的聚类阈值对于得到高质量的聚类结果非常重要。
其中,可以通过距离法或相似度法来设置聚类阈值,具体的,距离法基于数据点之间的距离来确定聚类阈值。具体步骤如下:计算所有数据点之间的距离,将这些距离按照从小到大的顺序排列,通过观察距离的分布情况来选择合适的聚类阈值。可以根据时部法则来选择,即找到距离分布图中出现拐点的位置作为聚类阈值。相似度法则是另一种常用的选择聚类阈值的方法。它基于数据点之间的相似度来确定聚类阈值。具体步骤如下:计算所有数据点之间的相似度,将这些相似度按照从大到小的顺序排列,通过观察相似度的分布情况来选择合适的聚类阈值。可以根据肘部法则来选择,即找到相似度分布图中出现拐点的位置作为聚类阈值。
另外,除了距离法和相似度法,还可以使用统计方法来选择聚类阈值。例如可以计算每个子矩阵的直径或方差,并选择合适的阈值使得子矩阵的直径或方差不超过某个预先设定的阈值,本实施例对此不做进一步限定。
103、将子矩阵输入至卷积神经网络,并输出对应的分类结果。
在一实施例中,构建卷积神经网络,训练网络权重,并实现对子图的分类,得到设计图案在给定聚类阈值下的分类个数。本实施例提供的卷积神经网络可以为3层结构的网络,比如上述卷积神经网络可以包括三层卷积层,每个卷积层包括卷积核、池化层以及激活函数。在其他实施例中还可以使用多层神经网络,以便能挖掘出更深层次的邻近特征。
104、继续在图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。
进一步的,继续基于视野窗口大小在整个设计图案中随机选择子图矩阵,作为神经网络网络的输入,以实现快速分类,从而给出在所有不同的分类下的特征单元筛选区域,并作为工程量测位置进行后续的量测。
本实施例通过从矩阵图像中随机选择子矩阵图像(连续的矩阵单元块),经过一个图神经网络后提取特征,进行聚类,最后给出在一致的聚类阈值下各个类型对应子图的位置和编号,在保证覆盖有效性的条件下为量测提供输入。可以实现量测数据对设计芯片图案特征单元的有效覆盖。
由上所述,本申请实施例提出的版图量测区域筛选方法可以根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征芯片版图的图矩阵,根据预设的聚类阈值和视野窗口信息参数,在图矩阵中选择子矩阵,将子矩阵输入至卷积神经网络,并输出对应的分类结果,继续在图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。本申请通过对芯片设计版图的特征单元进行有效分类,从而可以针对特征单元进行分类量测,提高了量测效率,可快速检测芯片产线上对特征单元的制造工艺精度,进而提升芯片良率。
根据前面实施例所描述的方法,以下将作进一步详细说明。
请参阅图3,图3是本申请实施例提供的版图量测区域筛选方法的第二种流程示意图。所述方法包括:
201、将芯片版图中的特征单元作为图节点,根据特征单元之间的最小间距设置特征单元之间的权重,根据图节点和权重建立邻接矩阵。
在一实施例中,可以根据芯片版图设计图案,将每个特征单元(多边形)作为图节点,特征单元之间的最小间距为不同特征单元间的权重,形成表征整个设计图案的邻近矩阵。在其他实施例中,也可以将特征单元之间的中心间距或者最大距离等设置为不同特征单元间的权重。
202、获取芯片版图中的特征单元的面积,根据面积设置特征单元的度量矩阵元素,以建立度量矩阵。
其中,上述特征单元的度量矩阵元素可以为特征单元的对角线长度元素,非对角线元素可以设置为0。
203、根据邻接矩阵和度量矩阵构建表征芯片版图的图矩阵。
需要说明的是,上述邻接矩阵和度量矩阵的位置对应。
204、根据预设的聚类阈值和视野窗口信息参数,在图矩阵中选择子矩阵。
具体的,输入分类阈值门限,根据预设的视野窗口在邻近矩阵中随机选择N个子矩阵,作为神经网络的输入。
205、将子矩阵输入至卷积神经网络,训练神经网络权重值,并输出子矩阵的分类结果。
在本申请实施例中,从矩阵图像中随机选择子矩阵图像(连续的矩阵单元块),经过一个图神经网络后提取特征,进行聚类。其中,将子矩阵输入至卷积神经网络,训练神经网络权重值,并输出子矩阵的分类结果的步骤可以包括:提取子矩阵的多维特征信息,利用多为网络特征以及类别标签训练神经网络权重值,通过训练好的网络模型预测子矩阵针对不同类别标签所对应的概率值,并根据概率值确定分类结果。
206、根据分类结果确定芯片版图在当前聚类阈值下对应的分类个数。
进一步的,构建卷积神经网络训练网络权重,并实现对子图的分类,得到设计图案在给定阈值下的分类个数。
207、继续在图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类个数下对应的特征单元区域,并作为工程量测区域。
基于视野窗口大小在整个设计图案中随机选择子图,作为网络输入实现快速分类,给出所有分类下的筛选区域,从而提供工程量测位置。
由上所述,本申请实施例提出的版图量测区域筛选方法可以将芯片版图中的特征单元作为图节点,根据特征单元之间的最小间距设置特征单元之间的权重,根据图节点和权重建立邻接矩阵,获取芯片版图中的特征单元的面积,根据面积设置特征单元的度量矩阵元素,以建立度量矩阵,根据邻接矩阵和度量矩阵构建表征芯片版图的图矩阵,根据预设的聚类阈值和视野窗口信息参数,在图矩阵中选择子矩阵,将子矩阵输入至卷积神经网络,训练神经网络权重值,并输出子矩阵的分类结果,根据分类结果确定芯片版图在当前聚类阈值下对应的分类个数,继续在图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类个数下对应的特征单元区域,并作为工程量测区域。本申请通过对芯片设计版图的特征单元进行有效分类,从而可以针对特征单元进行分类量测,提高了量测效率,可快速检测芯片产线上对特征单元的制造工艺精度,进而提升芯片良率。
为了实施以上方法,本申请实施例还提供一种版图量测区域筛选装置,该版图量测区域筛选装置具体可以集成在终端设备如手机、平板电脑等设备中。
例如,如图4所示,是本申请实施例提供的版图量测区域筛选装置的第一种结构示意图。该版图量测区域筛选装置可以包括:
建立模块301,用于根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征所述芯片版图的图矩阵;
选择模块302,用于根据预设的聚类阈值和视野窗口信息参数,在所述图矩阵中选择子矩阵;
训练模块303,用于将所述子矩阵输入至卷积神经网络,并输出对应的分类结果;
输出模块304,用于继续在所述图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。
在一实施例中,建立模块301可以具体包括:
第一建立子模块,用于将所述芯片版图中的特征单元作为图节点,根据所述特征单元之间的最小间距设置所述特征单元之间的权重,根据所述图节点和权重建立所述邻接矩阵;
第二建立子模块,用于获取所述芯片版图中的特征单元的面积,根据所述面积设置所述特征单元的度量矩阵元素,以建立所述度量矩阵。
由上可知,本申请实施例提出的版图量测区域筛选装置,可以根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征芯片版图的图矩阵,根据预设的聚类阈值和视野窗口信息参数,在图矩阵中选择子矩阵,将子矩阵输入至卷积神经网络,并输出对应的分类结果,继续在图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。本申请通过对芯片设计版图的特征单元进行有效分类,从而可以针对特征单元进行分类量测,提高了量测效率,可快速检测芯片产线上对特征单元的制造工艺精度,进而提升芯片良率。
上述所有的技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条计算机程序,该计算机程序能够被处理器进行加载,以执行本申请实施例所提供的任一种版图量测区域筛选方法中的步骤。例如,该计算机程序可以执行如下步骤:
根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征所述芯片版图的图矩阵;
根据预设的聚类阈值和视野窗口信息参数,在所述图矩阵中选择子矩阵;
将所述子矩阵输入至卷积神经网络,并输出对应的分类结果;
继续在所述图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的计算机程序,可以执行本申请实施例所提供的任一种版图量测区域筛选方法中的步骤,因此,可以实现本申请实施例所提供的任一种版图量测区域筛选方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
本申请实施例还提供一种电子设备,包括存储器和处理器,存储器用于存储计算机程序,处理器用于从存储器中调用并运行计算机程序,使得安装有芯片的设备执行如上各种可能的实施方式中的方法。
例如,上述计算机设备可以是诸如手机、平板电脑、个人计算机、云端计算机等具有相应功能的终端设备。请参阅图5,图5为本申请实施例提供的计算机的结构示意图。
该计算机设备400可以包括存储器401、处理器402等部件。本领域技术人员可以理解,图5中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储器401可用于存储应用程序和数据。存储器401存储的应用程序中包含有可执行代码。应用程序可以组成各种功能模块。处理器402通过运行存储在存储器401的应用程序,从而执行各种功能应用以及数据处理。
处理器402是计算机设备的控制中心,利用各种接口和线路连接整计算机设备的各个部分,通过运行或执行存储在存储器401内的应用程序,以及调用存储在存储器401内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。
在本实施例中,计算机设备中的处理器402会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行代码加载到存储器401中,并由处理器402来运行存储在存储器401中的应用程序,从而执行:
根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征所述芯片版图的图矩阵;
根据预设的聚类阈值和视野窗口信息参数,在所述图矩阵中选择子矩阵;
将所述子矩阵输入至卷积神经网络,并输出对应的分类结果;
继续在所述图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。
可以理解,上述场景仅是作为示例,并不构成对于本申请实施例提供的技术方案的应用场景的限定,本申请的技术方案还可应用于其他场景。例如,本领域普通技术人员可知,随着系统架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例设备中的模块可以根据实际需要进行合并、划分和删减。
在本申请中,对于相同或相似的术语概念、技术方案和/或应用场景描述,一般只在第一次出现时进行详细描述,后面再重复出现时,为了简洁,一般未再重复阐述,在理解本申请技术方案等内容时,对于在后未详细描述的相同或相似的术语概念、技术方案和/或应用场景描述等,可以参考其之前的相关详细描述。
在本申请中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本申请技术方案的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本申请记载的范围。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络,或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、存储盘、磁带)、光介质(例如,DVD),或者半导体介质(例如固态存储盘Solid State Disk)等。
以上对本申请实施例所提供的一种版图量测区域筛选方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,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。
Claims (7)
1.一种版图量测区域筛选方法,其特征在于,包括:
根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征所述芯片版图的图矩阵,其中,根据芯片版图中的特征单元建立邻接矩阵,包括将所述芯片版图中的特征单元作为图节点,根据所述特征单元之间的最小间距设置所述特征单元之间的权重,根据所述图节点和权重建立所述邻接矩阵,根据芯片版图中的特征单元建立度量矩阵,包括获取所述芯片版图中的特征单元的面积,根据所述面积设置所述特征单元的度量矩阵元素,以建立所述度量矩阵,所述特征单元包括芯片版图中的多边形;
根据预设的聚类阈值和视野窗口信息参数,在所述图矩阵中选择子矩阵;
将所述子矩阵输入至卷积神经网络,并输出对应的分类结果;
继续在所述图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。
2.如权利要求1所述的版图量测区域筛选方法,其特征在于,所述卷积神经网络包括三层卷积层,每个卷积层包括卷积核、池化层以及激活函数。
3.如权利要求1所述的版图量测区域筛选方法,其特征在于,将所述子矩阵输入至卷积神经网络,并输出对应的分类结果,包括:
将所述子矩阵输入至卷积神经网络,训练神经网络权重值,并输出所述子矩阵的分类结果;
根据所述分类结果确定所述芯片版图在当前聚类阈值下对应的分类个数。
4.如权利要求3所述的版图量测区域筛选方法,其特征在于,将所述子矩阵输入至卷积神经网络,训练神经网络权重值,并输出所述子矩阵的分类结果,包括:
提取所述子矩阵的多维特征信息;
利用多维特征信息以及类别标签训练所述神经网络权重值;
通过训练好的网络模型预测所述子矩阵针对不同类别标签所对应的概率值,并根据所述概率值确定分类结果。
5.一种版图量测区域筛选装置,其特征在于,包括:
建立模块,用于根据芯片版图中的特征单元建立度量矩阵和邻接矩阵,以得到表征所述芯片版图的图矩阵,所述建立模块包括第一建立子模块和第二建立子模块,第一建立子模块用于将所述芯片版图中的特征单元作为图节点,根据所述特征单元之间的最小间距设置所述特征单元之间的权重,根据所述图节点和权重建立所述邻接矩阵,第二建立子模块用于获取所述芯片版图中的特征单元的面积,根据所述面积设置所述特征单元的度量矩阵元素,以建立所述度量矩阵,所述特征单元包括芯片版图中的多边形;
选择模块,用于根据预设的聚类阈值和视野窗口信息参数,在所述图矩阵中选择子矩阵;
训练模块,用于将所述子矩阵输入至卷积神经网络,并输出对应的分类结果;
输出模块,用于继续在所述图矩阵中随机选择子矩阵输入至卷积神经网络,以得到在不同的分类结果下对应的特征单元区域,并作为工程量测区域。
6.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,执行如权利要求1-4任一项所述的版图量测区域筛选方法中的步骤。
7.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序适于处理器进行加载,以执行如权利要求1-4任一项所述的版图量测区域筛选方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311533563.2A CN117251715B (zh) | 2023-11-17 | 2023-11-17 | 版图量测区域筛选方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311533563.2A CN117251715B (zh) | 2023-11-17 | 2023-11-17 | 版图量测区域筛选方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117251715A CN117251715A (zh) | 2023-12-19 |
CN117251715B true CN117251715B (zh) | 2024-03-19 |
Family
ID=89135397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311533563.2A Active CN117251715B (zh) | 2023-11-17 | 2023-11-17 | 版图量测区域筛选方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251715B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
CN109360185A (zh) * | 2018-08-28 | 2019-02-19 | 中国科学院微电子研究所 | 一种版图测试图形提取方法、装置、设备及介质 |
CN109948651A (zh) * | 2019-02-13 | 2019-06-28 | 平安科技(深圳)有限公司 | 卷积神经网络的池化方法、装置及存储介质、计算机设备 |
CN110363086A (zh) * | 2019-06-11 | 2019-10-22 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 图数据识别方法、装置、计算机设备和存储介质 |
CN111325276A (zh) * | 2020-02-24 | 2020-06-23 | Oppo广东移动通信有限公司 | 图像分类方法及装置、电子设备、计算机可读存储介质 |
CN112036501A (zh) * | 2020-09-04 | 2020-12-04 | 深圳壹账通智能科技有限公司 | 基于卷积神经网络的图片的相似度检测方法及其相关设备 |
WO2020248581A1 (zh) * | 2019-06-11 | 2020-12-17 | 中国科学院自动化研究所 | 图数据识别方法、装置、计算机设备和存储介质 |
CN112560966A (zh) * | 2020-12-18 | 2021-03-26 | 西安电子科技大学 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
CN114330670A (zh) * | 2022-01-04 | 2022-04-12 | 京东科技信息技术有限公司 | 图神经网络训练方法、装置、设备及存储介质 |
CN115270705A (zh) * | 2022-09-23 | 2022-11-01 | 深圳鸿芯微纳技术有限公司 | 一种设计规则违例预测方法、装置、设备及存储介质 |
CN115965556A (zh) * | 2023-01-31 | 2023-04-14 | 上海电力大学 | 一种二值图像复原方法 |
-
2023
- 2023-11-17 CN CN202311533563.2A patent/CN117251715B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
CN109360185A (zh) * | 2018-08-28 | 2019-02-19 | 中国科学院微电子研究所 | 一种版图测试图形提取方法、装置、设备及介质 |
CN109948651A (zh) * | 2019-02-13 | 2019-06-28 | 平安科技(深圳)有限公司 | 卷积神经网络的池化方法、装置及存储介质、计算机设备 |
CN110363086A (zh) * | 2019-06-11 | 2019-10-22 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 图数据识别方法、装置、计算机设备和存储介质 |
WO2020248581A1 (zh) * | 2019-06-11 | 2020-12-17 | 中国科学院自动化研究所 | 图数据识别方法、装置、计算机设备和存储介质 |
CN111325276A (zh) * | 2020-02-24 | 2020-06-23 | Oppo广东移动通信有限公司 | 图像分类方法及装置、电子设备、计算机可读存储介质 |
CN112036501A (zh) * | 2020-09-04 | 2020-12-04 | 深圳壹账通智能科技有限公司 | 基于卷积神经网络的图片的相似度检测方法及其相关设备 |
CN112560966A (zh) * | 2020-12-18 | 2021-03-26 | 西安电子科技大学 | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 |
CN114330670A (zh) * | 2022-01-04 | 2022-04-12 | 京东科技信息技术有限公司 | 图神经网络训练方法、装置、设备及存储介质 |
CN115270705A (zh) * | 2022-09-23 | 2022-11-01 | 深圳鸿芯微纳技术有限公司 | 一种设计规则违例预测方法、装置、设备及存储介质 |
CN115965556A (zh) * | 2023-01-31 | 2023-04-14 | 上海电力大学 | 一种二值图像复原方法 |
Non-Patent Citations (6)
Title |
---|
A graph placement methodology for fast chip design;Azalia Mirhoseini et al.;《Nature》;20210630;第207–212页 * |
Chip Placement with Deep Reinforcement Learning;Azalia Mirhoseini et al.;《Arxiv》;20200422;第1-15页 * |
DeepTH: Chip Placement with Deep Reinforcement Learning Using a Three-Head Policy Network;Dengwei Zhao et al.;《2023 Design, Automation & Test in Europe Conference & Exhibition (DATE)》;20230602;第1-2页 * |
Yolo神经网络在集成电路焊盘布局规则检测上的应用研究;林纯熙等;《电子技术应用》;20220706;第第48卷卷(第第07期期);第40-43页+第48页 * |
基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法;郭慧等;《林业科学》;第54卷(第11期);第111-120页 * |
面向光神经网络的硅基光子器件及系统的关键技术研究;陈蓓;《中国博士学位论文全文数据库基础科学辑》;20230215(第第02期期);第A005-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117251715A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sajedi et al. | Vibration‐based semantic damage segmentation for large‐scale structural health monitoring | |
CN107657015B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN106817251B (zh) | 一种基于节点相似度的链路预测方法及装置 | |
CN110311902A (zh) | 一种异常行为的识别方法、装置及电子设备 | |
CN105990170A (zh) | 晶圆良率分析方法和装置 | |
CN110636445A (zh) | 基于wifi的室内定位方法、装置、设备及介质 | |
CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN113379176A (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
CN110766100B (zh) | 轴承故障诊断模型构建方法、诊断方法及电子设备 | |
CN113487600A (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
JP5715445B2 (ja) | 品質推定装置、品質推定方法及び品質推定方法をコンピュータに実行させるためのプログラム | |
CN117082547A (zh) | 小区异常检测方法、装置、电子设备和可读存储介质 | |
CN111160516B (zh) | 一种深度神经网络的卷积层稀疏化方法及装置 | |
CN117251715B (zh) | 版图量测区域筛选方法、装置、电子设备及存储介质 | |
CN111767273B (zh) | 基于改进som算法的数据智能检测方法及装置 | |
CN116522565B (zh) | 一种基于bim的电力工程设计配电网规划方法及计算机设备 | |
CN115639327B (zh) | 基于油浸式套管气体检测的套管故障检测方法和装置 | |
JP2022549407A (ja) | レジーム・シフトの識別及び分析のための方法及びシステム | |
CN115879826B (zh) | 一种基于大数据的精细化工工艺质检方法、系统及介质 | |
CN111694737B (zh) | 基于镜像依赖网络的容器影响力度量方法和装置 | |
CN114414090A (zh) | 基于遥感影像和多层感知的地表温度预测方法及系统 | |
CN113689526A (zh) | 地图中无效区域的划分方法及装置、电子设备 | |
CN113627755A (zh) | 智能终端工厂的测试方法、装置、设备及存储介质 | |
Louhi et al. | Incremental nearest neighborhood graph for data stream clustering | |
CN115526011B (zh) | VOCs泄漏监测点的布局方法、装置、电子设备及介质 |
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 |