CN117574844A - 一种自监督学习的dtco工艺参数性能规格反馈方法 - Google Patents
一种自监督学习的dtco工艺参数性能规格反馈方法 Download PDFInfo
- Publication number
- CN117574844A CN117574844A CN202311576073.0A CN202311576073A CN117574844A CN 117574844 A CN117574844 A CN 117574844A CN 202311576073 A CN202311576073 A CN 202311576073A CN 117574844 A CN117574844 A CN 117574844A
- Authority
- CN
- China
- Prior art keywords
- self
- parameters
- learning model
- performance specification
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000008569 process Effects 0.000 title claims abstract description 61
- 239000004065 semiconductor Substances 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 239000000463 material Substances 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims description 16
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012938 design process Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种自监督学习的DTCO工艺参数性能规格反馈方法,用于优化芯片设计和制造工艺参数。收集半导体制造相关数据,包括芯片工艺参数和性能规格数据;清洗、归一化和特征化工程数据,为自监督学习模型训练做准备;建立自监督学习模型;使用自监督学习模型预测最佳工艺参数组合,以满足电路性能规格要求,双向地也可以基于电路性能规格需求预测工艺参数;定期验证自监督学习模型性能,基于泛化需求进行自监督学习模型微调,以确保不同材料、不同工艺节点下数据的准确性和稳定性。本发明可以实现DTCO工艺参数性能规格的自监督学习反馈,从而更好地满足半导体制造的性能和品质要求,提升DTCO流程效率。
Description
技术领域
本发明涉及芯片研发中工艺设计协同优化方法,尤其涉及一种自监督学习的DTCO工艺参数性能规格反馈方法,适用于半导体器件建模和电路仿真的深度反馈。
背景技术
随着半导体工艺的不断进入深亚微米和纳米节点,以及对高性能高可靠性芯片需求的不断增加,DTCO(Design Technology Co-Optimization)策略得以应用。DTCO的核心理念在于设计工艺协同优化,通过深度融合和互馈两大芯片设计的主要步骤,以在新工艺节点下创造性能更强、功耗更低、成本更优的芯片产品。目前,DTCO已成为半导体芯片高效设计中不可或缺的步骤。
DTCO流程中,器件自监督学习模型主要以单向建模为主。这意味着建模从工艺参数到电学性能参数再到电路性能规格的方向相对成熟。在这一领域,神经网络替代自监督学习模型已经崭露头角。神经网络自监督学习模型具有多重优点,包括适应不同类型的器件建模,因此具有广泛的适用性,而且它们能够处理复杂的非线性关系,从而提供高精度的建模能力。神经网络替代自监督学习模型适用于多种器件类型,使其成为多样化芯片设计的有力工具;可以处理复杂的非线性关系,允许更准确地建模器件性能;提供高度准确的工艺参数到电学性能参数的映射,有助于更好地满足性能和质量要求。
但是目前的器件替代自监督学习模型的从工艺参数到电学性能参数再到电路性能规格的单向建模性质限制了对器件性能的全面理解和优化。在深纳米节点下,器件行为变得更加复杂,这需要更复杂的自监督学习模型来准确地捕捉器件的非线性性质和互相关性,这增加了数据需求的采集和处理量,以及加大了自监督学习模型开发和验证的复杂性。
在面对这些不足之处时,一套具备双向建模能力的自监督学习模型变得至关重要。双向建模是指不仅仅是从工艺到性能或性能到设计规格的映射,而且能够从设计规格到电学性能参数和工艺参数的双向映射,更为便捷地达到提参的效果。双向建模将允许设计师更灵活地调整器件以满足特定规格,同时减轻了对于大量实验数据的依赖,更符合DTCO设计流程的需求,有助于提高效率、减少成本和提高产品质量。
发明内容
本发明目的在于提供一种自监督学习的DTCO工艺参数性能规格反馈方法,以解决上述现有技术存在的问题。该方法可以在半导体制造领域中,通过有效地实现器件参数到性能规格参数的双向映射,以满足工艺优化和性能规格要求的需求。
本发明中所述一种自监督学习的DTCO工艺参数性能规格反馈方法,包括以下步骤:
S1.收集半导体制造相关数据;
S2.清洗、归一化和特征化工程数据,为自监督学习模型训练做准备;
S3.建立自监督学习模型;
S4.使用所述自监督学习模型预测最佳工艺参数组合,以满足电路性能规格要求,或基于电路性能规格需求预测工艺参数;
S5.定期验证所述自监督学习模型性能,基于泛化需求对所述自监督学习模型微调,以确保不同工艺节点下数据的准确性和稳定性。
在所述步骤S1中,收集的半导体制造相关数据为虚拟工艺厂所仿真的器件参数和对应的电学性能特性及规格数据。
半导体制造相关数据包括:工艺材料参数、工艺结构参数、电学参数、电学性能参数以及性能规格数据。
在所述步骤S2中,工程数据为数值参数混合语言文本数据;对于数值参数,将其数量级用国际单位前缀表示以转化为语言文本;若数值参数的数量级超过国际单位前缀所能表示的范围,引入自定义单位前缀,以辅助自监督学习模型对这些数据进行数值数量级的表征。
所述步骤S4具体为:使用已经收集的大量数据来训练自监督学习模型,令自监督学习模型学习器件参数和性能规格参数之间的双向映射关系,即自监督学习模型从给定的器件参数预测对应的性能规格参数,或从给定的性能规格参数反向预测相关的器件参数。
本发明中所述一种自监督学习的DTCO工艺参数性能规格反馈方法,其优点在于,具备双向映射能力、复杂数据处理能力、泛化能力以及工艺参数优化能力。
(1)双向映射能力:引入了双向映射的概念,允许从器件参数到性能规格参数以及从性能规格参数到器件参数的相互映射。这使得半导体制造中的DTCO更加灵活,允许设计师更好地调整器件以满足特定规格要求,同时减轻了对大量实验数据的依赖。
(2)复杂数据处理能力:通过采用数值参数混合语言文本数据和处理不同数量级的参数,克服了半导体器件数据复杂性的问题。这有助于更好地构建自监督学习网络中的双向映射关系。
(3)泛化能力:自监督学习模型在不同工艺节点下均能在实际应用中具有良好的泛化能力,有助于提高制造过程的稳定性和一致性。
(4)工艺参数优化能力:通过能够双向映射工艺参数和性能规格参数,有助于工艺参数的优化,从而改进芯片的性能、功耗和质量。
附图说明
图1是本发明中所述一种自监督学习的DTCO工艺参数性能规格反馈方法的流程示意图。
图2是器件利用本发明所述反馈方法自监督学习下游任务的流程示意图。
图3是本发明中所述自监督学习模型学习训练后将规格性能反馈到器件参数和电学特性曲线的预测图。
具体实施方式
如图1所示,本发明中所述一种自监督学习的DTCO工艺参数性能规格反馈方法包括以下步骤:
S1.收集半导体制造相关数据,包括芯片工艺参数和性能规格数据。收集的芯片工艺参数和性能规格数据为DTCO流程中,虚拟工艺厂——TCAD(Technology Computer AidedDesign)所仿真的器件参数和对应的电学性能特性及规格数据,具体有:
工艺材料参数:离子注入浓度(注入能量、剂量,外延生长掺杂浓度等);
工艺结构参数:几何结构(定义器件的形状、尺寸、布局等空间信息,如掺杂区域、氧化层的长度、宽度、深度信息等)、电极和接触(定义栅极、源极、漏极等电极的位置和形状,以及它们的接触方式等);
电学参数:自监督学习模型参数(不同物理自监督学习模型会用到的参数设置,如量子效应、发射自监督学习模型等参数)、应力设定(外加的机械应力或内部应力等)、电信号偏置;
电学性能参数:电流-电压特性(出特性曲线、传导特性、饱和特性)、电容-电压特性;
性能规格数据:开关特性(例如,Ion和Ioff)、阈值电压、亚阈值摆幅等,时钟频率、功耗、延迟等。
这些参数和性能数据是半导体器件用于电路仿真的核心数据,输入自监督学习系统从而生成满足物理性质的双向映射自监督学习模型。本发明实施案例基于IRDS的5nm工艺节点的紧凑自监督学习模型的部分工艺参数信息、IV、CV电学特性曲线和KOPs性能规格数据进行训练和测试,具体参数信息有:
表1工艺参数信息
名称 | 参数量 | 单位 |
Vdd | 0.7 | V |
EOT | 1.1 | nm |
Gate Length | 18 | nm |
Gate Pitch | 48 | nm |
Fin Height | 50 | nm |
Fin Width | 7 | nm |
Fin Pitch | 28 | nm |
表2电学参数
电学偏置 | 参数量 | 单位 |
Vg | [0.3,0.4,0.5,0.6] | V |
Vd | [0-0.7] | V |
表3 KOPs性能规格
名称 | 单位 |
DIBL | mV/V |
SS | mV/dec |
ldsat | uA/um |
Idoff | nA/um |
ldlin | uA/um |
ldh | uA/um |
ldmid | uA/um |
S2.清洗、归一化和特征化工程数据,为自监督学习模型训练做准备。用于训练和生成的芯片工艺参数和性能规格数据为数值参数混合语言文本数据,且由于数值参数的数量级跨度巨大,自监督学习的深度神经网络难以拟合,因此对数值参数进行如下形式的数据清洗工作:
(1)如表4所示,将数值参数的数量级用国际单位表示:对于数值参数,将其数量级用国际单位前缀来表示,以将它们转化为语言文本输入自监督学习模型中。这可以是一个标准化的方式,使得不同数量级的参数可以以更一致的方式呈现,从而使深度神经网络更容易处理。
表4将数值参数的数量级用字母表示,转化为语言文本输入自监督学习模型中
国际单位前缀 | 相应数量级 |
y | 10-24 |
z | 10-21 |
a | 10-18 |
f | 10-15 |
p | 10-12 |
n | 10-9 |
u | 10-6 |
m | 10-3 |
Default:”Null” | 100 |
K | 103 |
M | 106 |
G | 109 |
T | 1012 |
P | 1015 |
E | 1018 |
Z | 1021 |
Y | 1024 |
(2)如表5所示,超过国际单位的数量级进行自定义单位前缀:器件中存在的某些参数的数量级超过国际单位前缀所能表示的范围,引入自定义单位前缀,以辅助自监督学习模型对这些数据进行数值数量级的表征。这样,即使这些器件相关参数的数量级非常大或非常小的参数,自监督学习模型也能更好地理解它们。
表5增添自定义单位前缀及其数量级
这种方法数值参数数量级映射单位的语言文本方法解决了半导体器件的数值参数数量级跨度大的挑战,涵盖了器件建模所涉及参数的所有尺度的数量级,可以更为顺利地搭建自监督学习网络中器件数据的双向映射关系。
S3.建立自监督学习模型。定义自监督学习模型的网络结构。这包括确定输入层、隐藏层和输出层的数量,以及它们之间的连接方式。建立的网络结构需要足够复杂,以能够有效地表示数据中的数值语言文本的混合信息。网络应该具备处理数值参数和语言文本数据的能力,并能够将它们有效地融合在一起。使其具备同时处理不同类型的输入数据,并确保信息流能够在网络内部双向传递。
需要定义自监督学习模型的网络结构,包括确定输入层、隐藏层和输出层的数量,以及它们之间的连接方式。这一网络结构必须足够复杂,以有效地表示数据中的混合数值和语言文本信息。选择适当的损失函数,用于在训练期间优化自监督学习模型。所选损失函数应与任务和自监督学习模型的架构相匹配,通常是关于数据重构误差的损失函数。
本发明实施案例采用无监督预训练,监督下游任务的微调形式进行深度学习建模。
无监督预训练阶段:在这一阶段,自监督学习模型学习的内容是工艺参数信息、电学参数、电学特性曲线、KOPs性能规格参数的所有数值及文本内容。
Modelunsupervised=Pre Training(Xunsupervised)
其中,Xunsupervised代表未经标定的器件参数的数值混合语义文本数据。
监督微调阶段:在无监督预训练之后,自监督学习模型进入监督微调阶段。在这一阶段,使用已经清洗和标定的文本文件对自监督学习模型进行进一步训练,以提高性能。如图2所示,此步骤针对工艺参数信息与电学特性曲线、KOPs性能规格参数映射进行网络权重微调。
Modelsupervised=Fine Tuning(Modelunsupervised,Xsupervised)
其中,Xsupervised代表清洗和标定的器件数据,Modelsupervised代表下游的6项器件双向建模任务。
S4.使用自监督学习模型预测最佳工艺参数组合,以满足电路性能规格要求,双向地也可以基于电路性能规格需求预测工艺参数。使用已经收集的大量数据来训练自监督学习模型。这个训练过程旨在使自监督学习模型能够学习器件参数和性能规格参数之间的双向映射关系。具体来说,自监督学习模型应能够从给定的器件参数预测对应的性能规格参数,同时也应能够从给定的性能规格参数反向预测相关的器件参数。
通过训练,自监督学习模型可以逐渐学会如何将这两种信息相互映射,实现器件参数和性能规格参数之间的紧密关联。这使得自监督学习模型能够在需要时预测器件参数以满足特定的性能规格要求,或者根据性能规格的变化来调整器件参数。
S5.定期验证自监督学习模型性能,基于泛化需求进行自监督学习模型微调,以确保不同工艺节点下数据的准确性和稳定性。如图3所示,自监督学习模型经训练后,测试建模任务为电学参数映射到电学特性参数任务,输入电学参数任务标签和输出电学特性曲线结果为:
表6电学参数
电学偏置 | 参数量 | 单位 |
Vg | [0.33] | V |
Vd | [0.66] | V |
表7电学特性曲线参数
电学偏置 | 参数量 | 单位 |
Ids | 100.01 | uA/um |
本发明的一种自监督学习的DTCO工艺参数性能规格反馈方法,自监督学习模型生成的电学特性参数符合电学参数到电学特性曲线参数的映射关系,自监督学习模型表征能力强,在复杂工艺参数关系的双向学习及泛化应用上展现出强大的表征与工艺优化能力,可高效指导半导体制造过程的优化与改进。
本发明中所述一种自监督学习的DTCO工艺参数性能规格反馈方法其自监督学习模型生成的电学特性参数符合电学参数到电学特性曲线参数的映射关系,自监督学习模型表征能力强。在复杂工艺参数关系的双向学习及泛化应用上展现出强大的表征与工艺优化能力,可高效指导半导体制造过程的优化与改进。
对于本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (5)
1.一种自监督学习的DTCO工艺参数性能规格反馈方法,其特征在于,包括以下步骤:
S1.收集半导体制造相关数据;
S2.清洗、归一化和特征化工程数据,为自监督学习模型训练做准备;
S3.建立自监督学习模型;
S4.使用所述自监督学习模型预测最佳工艺参数组合,以满足电路性能规格要求,或基于电路性能规格需求预测工艺参数;
S5.定期验证所述自监督学习模型性能,基于泛化需求对所述自监督学习模型微调,以确保不同工艺节点下数据的准确性和稳定性。
2.根据权利要求1所述一种自监督学习的DTCO工艺参数性能规格反馈方法,其特征在于,在所述步骤S1中,收集的半导体制造相关数据为虚拟工艺厂所仿真的器件参数和对应的电学性能特性及规格数据。
3.根据权利要求2所述一种自监督学习的DTCO工艺参数性能规格反馈方法,其特征在于,半导体制造相关数据包括:工艺材料参数、工艺结构参数、电学参数、电学性能参数以及性能规格数据。
4.根据权利要求1所述一种自监督学习的DTCO工艺参数性能规格反馈方法,其特征在于,在所述步骤S2中,工程数据为数值参数混合语言文本数据;对于数值参数,将其数量级用国际单位前缀表示以转化为语言文本;若数值参数的数量级超过国际单位前缀所能表示的范围,引入自定义单位前缀,以辅助自监督学习模型对这些数据进行数值数量级的表征。
5.根据权利要求1所述一种自监督学习的DTCO工艺参数性能规格反馈方法,其特征在于,所述步骤S4具体为:使用已经收集的大量数据来训练自监督学习模型,令自监督学习模型学习器件参数和性能规格参数之间的双向映射关系,即自监督学习模型从给定的器件参数预测对应的性能规格参数,或从给定的性能规格参数反向预测相关的器件参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311576073.0A CN117574844A (zh) | 2023-11-23 | 2023-11-23 | 一种自监督学习的dtco工艺参数性能规格反馈方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311576073.0A CN117574844A (zh) | 2023-11-23 | 2023-11-23 | 一种自监督学习的dtco工艺参数性能规格反馈方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117574844A true CN117574844A (zh) | 2024-02-20 |
Family
ID=89893316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311576073.0A Pending CN117574844A (zh) | 2023-11-23 | 2023-11-23 | 一种自监督学习的dtco工艺参数性能规格反馈方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574844A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647983A (zh) * | 2019-09-30 | 2020-01-03 | 南京大学 | 一种基于存算一体器件阵列的自监督学习加速系统及方法 |
CN113850392A (zh) * | 2020-06-25 | 2021-12-28 | Sap欧洲公司 | 用于常识推理的对比自监督机器学习 |
CN114611472A (zh) * | 2022-03-28 | 2022-06-10 | 北京航空航天大学 | 一种低资源场景下的文本生成方法、装置及系统 |
CN115456173A (zh) * | 2022-09-23 | 2022-12-09 | 山东大学 | 一种通用化的人工神经网络无监督本地学习方法、系统及应用 |
CN115471807A (zh) * | 2022-10-21 | 2022-12-13 | 苏州轻棹科技有限公司 | 一种基于多模态信息进行自监督学习的处理方法和装置 |
CN116702678A (zh) * | 2023-08-02 | 2023-09-05 | 华南理工大学 | 一种融合深度学习和群智能算法的dtco优化方法 |
CN116894476A (zh) * | 2023-07-06 | 2023-10-17 | 黑龙江大学 | 一种基于双通道的多行为注意力自监督学习方法 |
US20230334215A1 (en) * | 2022-04-15 | 2023-10-19 | Nvidia Corp. | Generative self-supervised learning to transform circuit netlists |
CN116992962A (zh) * | 2023-08-09 | 2023-11-03 | 中国科学院地理科学与资源研究所 | 一种基于自监督深度学习的地貌知识图谱构建方法 |
-
2023
- 2023-11-23 CN CN202311576073.0A patent/CN117574844A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647983A (zh) * | 2019-09-30 | 2020-01-03 | 南京大学 | 一种基于存算一体器件阵列的自监督学习加速系统及方法 |
CN113850392A (zh) * | 2020-06-25 | 2021-12-28 | Sap欧洲公司 | 用于常识推理的对比自监督机器学习 |
CN114611472A (zh) * | 2022-03-28 | 2022-06-10 | 北京航空航天大学 | 一种低资源场景下的文本生成方法、装置及系统 |
US20230334215A1 (en) * | 2022-04-15 | 2023-10-19 | Nvidia Corp. | Generative self-supervised learning to transform circuit netlists |
CN115456173A (zh) * | 2022-09-23 | 2022-12-09 | 山东大学 | 一种通用化的人工神经网络无监督本地学习方法、系统及应用 |
CN115471807A (zh) * | 2022-10-21 | 2022-12-13 | 苏州轻棹科技有限公司 | 一种基于多模态信息进行自监督学习的处理方法和装置 |
CN116894476A (zh) * | 2023-07-06 | 2023-10-17 | 黑龙江大学 | 一种基于双通道的多行为注意力自监督学习方法 |
CN116702678A (zh) * | 2023-08-02 | 2023-09-05 | 华南理工大学 | 一种融合深度学习和群智能算法的dtco优化方法 |
CN116992962A (zh) * | 2023-08-09 | 2023-11-03 | 中国科学院地理科学与资源研究所 | 一种基于自监督深度学习的地貌知识图谱构建方法 |
Non-Patent Citations (1)
Title |
---|
马磊;闫浩文;王中辉;刘波;吕文清;: "机器自监督学习的建筑物面要素几何形状度量", 测绘科学, no. 12, 20 December 2017 (2017-12-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI463344B (zh) | 積體電路時序、雜訊、及功率分析技術 | |
US20110313748A1 (en) | Method of simulation and design of a semiconductor device | |
CN108108532A (zh) | 运用粒子群算法优化功率电子电路的方法 | |
CN109800464A (zh) | 半导体器件的建模及设计的方法、存储介质及计算机设备 | |
CN106970999B (zh) | 一种bpa数据库建模与维护方法 | |
CN109145389B (zh) | 集成电路模型复用方法及装置 | |
CN105938506A (zh) | 用于电网潮流分析的图形可视化系统 | |
US11829893B2 (en) | Analysis method for semiconductor device | |
Maiti | Computer aided design of micro-and nanoelectronic devices | |
Fasching et al. | Technology CAD systems | |
CN113804997B (zh) | 基于双向WaveNet深度学习的电压暂降源定位方法 | |
CN107221933B (zh) | 一种概率潮流计算方法 | |
CN106981876A (zh) | 基于线段模型的配电网可靠性评估方法 | |
CN117574844A (zh) | 一种自监督学习的dtco工艺参数性能规格反馈方法 | |
CN116205167A (zh) | 一种基于人工神经网络系统的晶体管统计模型的建立方法 | |
Iskander et al. | Automatic DC operating point computation and design plan generation for analog IPs | |
Rocha et al. | A new metaheuristc combining gradient models with NSGA-II to enhance analog IC synthesis | |
Li et al. | A novel simulation method for power electronics: Discrete state event driven method | |
CN107730002A (zh) | 一种通信网关机遥控参数智能模糊比对方法 | |
CN108564249B (zh) | 计及分布式光伏随机性的配电网置信削峰效益评估方法 | |
CN104573283A (zh) | 一种半导体器件参数提取装置及方法 | |
Vazgen et al. | Development of Method for Automation of SPICE Models Generation | |
Grasso et al. | Symbolic analysis techniques for fault diagnosis and automatic design of analog circuits | |
Alioto et al. | Analysis and design of ultra-low power subthreshold MCML gates | |
Wang et al. | Real-Time Optimization Design of GAAFETs Based on Machine Learning Method |
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 |