TWI554824B - 用於熱點偵測之電腦實施方法及非暫時性電腦可讀媒體 - Google Patents

用於熱點偵測之電腦實施方法及非暫時性電腦可讀媒體 Download PDF

Info

Publication number
TWI554824B
TWI554824B TW103118882A TW103118882A TWI554824B TW I554824 B TWI554824 B TW I554824B TW 103118882 A TW103118882 A TW 103118882A TW 103118882 A TW103118882 A TW 103118882A TW I554824 B TWI554824 B TW I554824B
Authority
TW
Taiwan
Prior art keywords
hotspot
clusters
training data
training
data
Prior art date
Application number
TW103118882A
Other languages
English (en)
Other versions
TW201510636A (zh
Inventor
清流 江
余彥廷
林耕禾
江蕙如
Original Assignee
賽諾西斯公司
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 賽諾西斯公司 filed Critical 賽諾西斯公司
Publication of TW201510636A publication Critical patent/TW201510636A/zh
Application granted granted Critical
Publication of TWI554824B publication Critical patent/TWI554824B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
    • G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30144—Printing quality

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)
  • Multimedia (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Computational Linguistics (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Description

用於熱點偵測之電腦實施方法及非暫時性電腦可讀媒體 [相關申請案之交叉參考]
本申請案主張2013年5月30日申請之臨時專利申請案第61/828,915號之優先權，該案以引用方式併入本文中。
本發明大體上係關於熱點識別之領域，且具體言之，本發明係關於使用機器學習之改良熱點識別。
在先進程序技術中，日益增長之次波長微影間隙引起印刷佈局圖案之無用變形。儘管設計規則檢查(DRC)及標線/解析度提高技術(RET)(諸如光學接近校正(OPC)及次解析度輔助特徵(SFAF)可緩解適印性問題，但一佈局上之諸多區域仍易受微影程序影響。應在遮罩合成之前偵測及校正此等區域(所謂的微影熱點)。因此，熱點偵測在實體驗證中係一重要任務。
近年來，熱點偵測已日益受關注且可被分類成四個主要類別：(1)微影模擬、(2)圖案匹配、(3)機器學習及(4)混合型。全微影模擬提供最精確偵測結果。然而，該模擬經受一極高計算複雜性及長運行時間。圖案匹配係最快速的熱點偵測方法且擅長偵測預特徵化熱點圖案，但具有受限於辨識先前未見圖案之一靈活性。相比而言，機器學習擅長偵測未知熱點，但需要特殊處理來抑制假警報。混合型方法結 合圖案匹配及機器學習引擎兩者(甚至具有一微影模擬器)來提高精度且減少假警報，但會消耗較長運行時間。
藉由一電腦實施方法、儲存可執行碼之一非暫時性電腦可讀儲存媒體及對應系統而滿足以上及其他需求。在一方法中，不同機器學習核心經訓練以識別不同類型之熱點拓撲。可含有一熱點之佈局剪輯(clip)施加至機器學習核心，且核心之結果經組合以識別佈局剪輯內之熱點。
用於熱點偵測之一電腦實施方法之一實施例包括：界定表示一積體電路拓撲之一部分的一剪輯；及使用複數個核心來評估該剪輯，其中該等核心識別指示待發生之一熱點之一電位的不同拓撲。
用於識別一測試佈局上之熱點的一電腦實施方法之一實施例包括：根據熱點訓練資料之拓撲來將一組熱點訓練資料分類成複數個熱點叢集，其中該等熱點叢集與不同熱點拓撲相關聯。根據非熱點訓練資料之拓撲來將一組非熱點訓練資料分類成複數個非熱點叢集，其中該等非熱點叢集與不同拓撲相關聯。自該等熱點叢集及該等非熱點叢集之質心擷取拓撲臨界特徵及非拓撲臨界特徵，且該等拓撲臨界特徵係以一叢集為特徵之幾何相關特徵且該等非拓撲臨界特徵係以一叢集為特徵之微影程序相關特徵。產生經組態以識別熱點之複數個核心，其中使用該等非熱點叢集之質心之所擷取臨界特徵及來自該等熱點叢集之一者之所擷取臨界特徵來建構各核心，且各核心經組態以識別不同於其他核心經組態以識別之熱點拓撲的熱點拓撲。
一非暫時性電腦可讀儲存媒體(其儲存用於識別一測試佈局上之熱點的可執行電腦程式指令)之一實施例包括：根據熱點訓練資料之拓撲來將一組熱點訓練資料分類成複數個熱點叢集，其中該等熱點叢集與不同熱點拓撲相關聯。根據非熱點訓練資料之拓撲來將一組非熱 點訓練資料分類成複數個非熱點叢集，其中該等非熱點叢集與不同拓撲相關聯。自該等熱點叢集及該等非熱點叢集之質心擷取拓撲臨界特徵及非拓撲臨界特徵，且該等拓撲臨界特徵係以一叢集為特徵之幾何相關特徵且該等非拓撲臨界特徵係以一叢集為特徵之微影程序相關特徵。產生經組態以識別熱點之複數個核心，其中使用該等非熱點叢集之該等質心之所擷取臨界特徵及來自該等熱點叢集之一者之所擷取臨界特徵來建構各核心，且各核心經組態以識別不同於其他核心經組態以識別之熱點拓撲的熱點拓撲。
800‧‧‧熱點偵測系統
802‧‧‧網路
805‧‧‧偵測資料庫
810‧‧‧定標模組
815‧‧‧分類模組
820‧‧‧特徵擷取模組
825‧‧‧訓練模組
830‧‧‧評估模組
850‧‧‧用戶端裝置
900‧‧‧電腦
902‧‧‧處理器
904‧‧‧晶片組
906‧‧‧記憶體
908‧‧‧儲存裝置
912‧‧‧圖形配接器
914‧‧‧輸入介面
916‧‧‧網路配接器
918‧‧‧顯示器
920‧‧‧記憶體控制器集線器
922‧‧‧輸入/輸出(I/O)控制器集線器
926‧‧‧揚聲器
圖1係根據一實施例之可含有一熱點之一佈局剪輯。
圖2係根據一實施例之用於判定一報告(即，識別)熱點是否為一實際熱點之一實例性準則。
圖3係繪示根據一實施例之一熱點偵測系統之一訓練階段及評估階段的一流程圖。
圖4A繪示根據一實施例之四個圖案A、B、C及D。
圖4B繪示根據一實施例之叢集{A,D}、{B}及{C}。
圖5A係根據一實施例之已被分割成不同區域之一多邊形。
圖5B係根據一實施例之各側包含字串的圖5A之多邊形。
圖5C繪示根據一實施例之包含複合字串之一圖案。
圖5D繪示根據一實施例之一像素化佈局剪輯。
圖5E繪示根據一實施例之由基於密度之分類產生之兩個叢集{A,B}及{C}。
圖6A繪示根據一實施例之四個實例性拓撲特徵。
圖6B繪示根據一實施例之五個實例性非拓撲特徵。
圖7A繪示根據一實施例之在佈局剪輯擷取期間發生之多邊形剖分。
圖7B繪示根據一實施例之包含圖7A中之多邊形的一佈局剪輯。
圖8係繪示用於熱點點偵測之一環境之一實施例的一高階方塊圖。
圖9係繪示根據一實施例之一熱點偵測系統內之組件之一詳圖的一方塊圖。
圖式及以下描述僅藉由繪示之方式描述某些實施例。熟習此項技術者將易於自以下描述認知：可在不脫離本文中所描述之原理之情況下採用本文中所繪示之結構及方法之替代實施例。現將詳細參考若干實施例，附圖中繪示該等實施例之實例。應注意：在可行情況下，類似或相同參考符號可用於圖式中且可指示類似或相同功能性。
如本文中所使用，一「熱點」係在製造階段中存在誘發一適印性問題之風險的一佈局圖案。如本文中所使用，一「命中」係已被正確地識別為一熱點之一實際熱點。精度係總命中之數目與全部實際熱點之數目之比率。另外，如本文中所使用，一「額外」係被錯誤地識別為一熱點之一非熱點。一假警報係總額外之數目與全部實際熱點之數目之比率。在此實施例中，假警報表示錯誤肯定(被報告為熱點之非熱點之數目)，且精度反映錯誤否定(被遺漏之熱點之數目)。
圖1係根據一實施例之可含有一熱點之一佈局剪輯。如圖1中所展示，訓練資料組中之一熱點或非熱點圖案係由一芯部及其界限界定之一佈局剪輯，其中該芯部係提供該剪輯之重要特性的此剪輯之中央部分，而該界限係提供補充資訊之此剪輯之周邊部分。另外，藉由鑄造(或微影模擬)而提供之訓練資料組可高度不平衡，即，非熱點圖案之數目明顯多於熱點圖案之數目。
圖2係根據一實施例之用於判定一報告(即，識別)熱點是否為一實際熱點之一實例性準則。如圖2中所展示，若一報告熱點之芯部與 一實際熱點之芯部重疊，則該報告熱點被視為一命中。在一些實施例中，若報告熱點之一剪輯與實際熱點之一剪輯重疊某一面積量，則一命中發生。另外，在一些實施例中，若報告熱點之剪輯與實際熱點之剪輯完全重疊，則一命中可發生。
概述
如本文中所揭示，一熱點偵測系統利用機器學習之長處來識別一給定佈局之熱點。該熱點偵測系統係執行電腦程式模組之一計算裝置，該等電腦程式模組訓練該熱點偵測系統自動識別一佈局之部分是否為一熱點。一熱點偵測系統可為(例如)一個人電腦、一平板電腦、一膝上型電腦等等。下文相對於圖8及圖9來詳細討論該熱點偵測系統之結構。
如下文所討論，熱點偵測系統使用多個核心來提供模糊性以因此在不增加假警報之情況下識別訓練資料組中未界定之潛在熱點。另外，熱點偵測系統使熱點樣本與非熱點樣本之間之群體平衡以達成高精度及低假警報。另外，一測試佈局含有需要被評估以識別熱點之大量位置。因此，在一些實施例中，在一評估階段中，為避免耗時全佈局掃描，熱點偵測系統基於多邊形密度來僅擷取可能佈局剪輯。在一些實施例中，在評估之後，熱點偵測系統可過濾所偵測之熱點以在不犧牲精度之情況下減少假警報之可能性。
圖3係繪示根據一實施例之一熱點偵測系統之一訓練階段及評估階段的一流程圖。該訓練階段建構一機器學習多核心模組。該評估階段使用所建構之多核心模組來驗證一測試佈局。在其他實施例中，其他實體可執行程序之一些或全部步驟。同樣地，實施例可包含不同及/或額外步驟或依不同順序執行步驟。
熱點偵測系統具有一組熱點訓練資料(亦稱為熱點訓練資料)及一組非熱點訓練資料(亦稱為非熱點訓練資料)。該熱點訓練資料含有已 知用於產生熱點之複數個不同圖案。同樣地，該非熱點訓練資料含有已知不用於產生熱點之複數個圖案。
在一實施例中，熱點訓練資料之大小小於非熱點訓練資料之大小(即，熱點訓練資料中之資料項之數目少於非熱點訓練資料中之資料項之數目)。一資料項係一單一圖案。熱點訓練資料與非熱點訓練資料之間之不平衡群體可使精度降級且提高假警報率，據此，熱點偵測系統可藉由對熱點及/或非熱點訓練資料增加取樣或減少取樣而平衡群體。
在此實施例中，熱點偵測系統對熱點訓練資料增加取樣至一中間大小。在增加取樣之後，該中間大小係資料組之大小，使得經增加取樣之熱點訓練資料之大小與非熱點訓練資料之大小接近或相等。在一實施例中，該中間大小係一資料組之一大小，使得經增加取樣之熱點訓練資料組之大小與非熱點訓練資料組之大小之比率係可在自1：1至1：40範圍內之一值。例如，在一些實施例中，該中間大小係1：1之一資料組之大小，即，熱點訓練資料組之大小與非熱點訓練資料組之大小相等。
為對熱點訓練資料增加取樣且補償佈局剪輯擷取錯誤(下文中討論)，熱點偵測系統使各熱點訓練圖案略微向上移位，向下移位，向左移位，向右移位，使資料項旋轉(例如90°)，移動資料項中之某一邊緣或其等之某一組合以在拓撲分類之前產生若干導出資料項。一導出資料項係一經資料移位之資料項。
另外，熱點偵測系統對非熱點訓練資料減少取樣至中間大小。在一些實施例中，為在不錯過重要非熱點資訊之情況下對非熱點訓練圖案減少取樣，熱點偵測系統將非熱點訓練資料分類成叢集且選擇各非熱點叢集之質心。在拓撲分類之後，熱點偵測系統將具有相同拓撲之非熱點圖案分類成一單一非熱點叢集。因此，對於各拓撲，存在一 相關聯之非熱點叢集。接著，熱點偵測系統選擇與該叢集相關聯之經分類之非熱點圖案之質心來表示該相關聯之非熱點叢集。在一些實施例中，熱點偵測系統捨棄此叢集內之非熱點圖案之剩餘部分，此係因為其等具有相同於或非常類似於質心之資料資訊。由全部非熱點質心形成一經減少取樣之非熱點訓練資料。在替代實施例中，在拓撲分類之前，熱點偵測系統可對非熱點資料減少取樣(例如，隨機地選擇非熱點資料)。然而，由於其可錯過一些非熱點訓練資料，所以此並不可取。
在替代實施例中，熱點訓練資料之大小可大於非熱點訓練資料之大小。在此等實施例中，熱點偵測系統可調整(即，增加取樣或減少取樣)熱點訓練資料及非熱點訓練資料，使得兩個資料組達到中間大小。另外，在一些實施例中，熱點訓練資料之大小與非熱點訓練資料之大小可相等，因此無需調整。
熱點偵測系統根據熱點訓練資料之拓撲來將經增加取樣之熱點訓練資料分類成「N」個熱點叢集。同樣地，熱點偵測系統根據非熱點訓練資料之拓撲來將非熱點訓練資料分類成「n」個叢集。下文參考圖4A至圖4B及圖5A至圖5E來詳細討論拓撲分類。
熱點偵測系統自各熱點叢集之各訓練圖案及自各非熱點質心擷取拓撲臨界特徵及非拓撲臨界特徵。具體言之，熱點偵測系統自包括熱點叢集及經減少取樣之非熱點訓練資料組的資料項擷取拓撲(幾何相關)臨界特徵及非拓撲(微影程序相關)臨界特徵。下文參考圖6A至圖6B來詳細討論臨界特徵擷取。
熱點偵測系統使用熱點叢集及經減少取樣之非熱點資料組之所擷取臨界特徵來建構用於各熱點叢集之一特定核心。在一些實施例中，基於一支援向量機(SVM)模型、一人工類神經網路、某一其他機器學習模型或其等之某一組合來建構核心。
使用一熱點叢集及全部非熱點質心來產生個核心。在一些實施例中，使用一熱點叢集及非熱點叢集之一部分來產生各核心。就拓撲分類而言，各核心可集中於專針對其對應叢集之臨界特徵上。在評估階段中，若一核心將其分類為一熱點，則一佈局剪輯被標記為一熱點。拓撲分類亦促進熱點與非熱點之群體平衡。另外，如下文所討論，多核心學習達成比一單一巨型核心高的精度。熱點偵測系統可使用一反覆學習程序來使核心發展至一判定訓練位準。例如，熱點偵測系統可訓練核心，直至達到某一臨限值(例如，熱點預測中之90%精度)。下文詳細討論反覆多SVM-核心學習。
再者，資料移位(其發生於增加取樣程序中)自熱點訓練資料產生若干導數以因此引入適當叢集變種。熱點偵測系統可使用資料移位來將原本定位於界限中之一或多個多邊形包含至一芯部區域中以因此捕獲可影響一熱點之更多佈局資訊。另外，在一些實施例中，資料移位亦可補償在剪輯擷取期間誘發之可能佈局剪輯擷取偏壓。因此，核心具有一靈活性來識別先前未見圖案。
一旦核心已達到一足夠訓練位準，則其等可用於評估測試佈局(即，評估階段)。一測試佈局係其中熱點偵測系統使用多個核心來識別熱點之一佈局。
熱點偵測系統將一測試佈局分成一或多個剪輯。在一些實施例中，該等剪輯之一或多者具有與一或多個相鄰剪輯重疊之某一部分。熱點偵測系統自該測試佈局擷取一或多個剪輯。在替代實施例中，熱點偵測系統界定用於熱點偵測之一剪輯。在一些例項中，界定一剪輯可包含：將一測試佈局分成一或多個剪輯；及自該測試佈局擷取一或多個剪輯。在一些實施例中，熱點偵測系統可使用自熱點叢集及非熱點叢集擷取之一些幾何資訊(例如芯部之多邊形密度)來快速地識別所擷取之佈局剪輯是否重要。剪輯擷取步驟研究測試佈局且擷取佈局剪 輯，接著，熱點偵測系統使用自熱點叢集及非熱點叢集擷取之一些幾何資訊來快速地放棄無用剪輯。
接著，熱點偵測系統使用經訓練之核心來評估所擷取之佈局剪輯以識別熱點。核心之各者經組態以識別一特定熱點拓撲。在一些實施例中，核心之各者處理全部所擷取之剪輯以識別熱點。另外，在一些實施例中，對所擷取剪輯中之已知非熱點之一些捨棄可發生在將非熱點傳遞至核心之前。接著，經識別之熱點可呈現給熱點偵測系統之一使用者。例如，熱點偵測系統可將含有熱點之一或多個芯部(即，熱點芯部)呈現給使用者。
在一些實施例中，熱點偵測系統可執行熱點過濾以減少經識別熱點中之可能冗餘。在藉由核心之評估之後，報告熱點芯部可在具有高多邊形密度之一區域中高度重疊。熱點過濾減少冗餘。再者，熱點過濾可在不犧牲精度之情況下極大地減少假警報。
在一實施例中，熱點偵測系統將包含熱點之經識別芯部(即，熱點芯部)合併至若干區域中，且若一熱點剪輯之芯部與一既有合併區域之某一熱點芯部重疊，則熱點偵測系統將該熱點剪輯合併至該區域中。一合併區域係涵蓋此區域中之全部熱點芯部的最小定界框。
熱點偵測系統重構含有四個以上熱點芯部之一合併區域。重構之目的係在不遺漏任何可能實際熱點之情況下最小化經識別熱點之數目。剪輯重構確保一任意實際熱點之芯部與至少一重構芯部重疊。另外，熱點偵測系統可移除位於兩個合併區域之重疊區域中之冗餘剪輯。芯部可在以下兩個條件下捨棄一熱點：(1)此芯部內之全部多邊形由其他熱點芯部覆蓋；及(2)此芯部之各角隅與某一合併區域內之其他熱點芯部重疊。
拓撲分類
一些訓練圖案具有類似形狀且一些訓練圖案相當不同。因此， 為促進隨後之機器學習核心訓練，基於拓撲將訓練資料組中之熱點/非熱點圖案分類成叢集。在拓撲分類之後，一叢集內之圖案具有非常類似之幾何特性(臨界特徵)。
在一實施例中，熱點偵測系統使用二級拓撲分類：基於字串之分類及基於密度之分類。圖4A繪示根據一實施例之四個圖案A、B、C及D。基於字串之分類基於拓撲來將此等圖案分成兩個中間叢集{A,D}及{B,C}(例如，B及C兩者呈十字形)。
在一實施例中，熱點偵測系統對經字串分類之中間叢集使用基於密度之分類以根據被處理之資料組來產生非熱點叢集或熱點叢集。例如，施加至叢集{A,D}及{B,C}之基於密度之分類用於基於叢集之多邊形分佈來將{B,C}分成叢集{B}及{C}。圖4B繪示根據一實施例之叢集{A,D}、{B}及{C}。拓撲分類使各機器學習核心集中於專針對其對應叢集之臨界特徵上且促進熱點及非熱點之群體平衡。
在一實施例中，熱點偵測系統使用四個定向字串來捕獲一圖案之拓撲。圖5A係根據一實施例之已被分割成不同區域之一多邊形。為產生向下方向之十進制字串，首先沿著多邊形邊緣垂直地分割圖案，例如，產生圖5A之兩個切片。對於各切片，邊界被標記為「1」，一多邊形方塊被標記為「1」，且一間隔塊被標記為「0」。因此，各切片對應於二進制序列，且接著將此序列轉換為十進制數字。圖5A之向下分割產生記錄於底側處之一字串<3,10>(=<112,10102>)。圖5B係根據一實施例之各側包含字串之圖5A之多邊形。記錄於相鄰側處之任何兩個字串完全捕獲一圖案之拓撲。
在一實施例中，熱點偵測系統使用來自一圖案之兩個相鄰側的字串來驗證兩個圖案是否具有相同拓撲，其中比較圖案上之對應相鄰側。在一實施例中，熱點偵測系統產生用於該兩個圖案之四個定向字串。熱點偵測系統選擇一圖案之相鄰側之任何兩個字串。熱點偵測系 統藉由逆時針及順時針串連另一圖案之字串而產生兩個複合字串。應在末端處添加開始側之字串。
考量八種可能定向，當且僅當一圖案之相鄰側處之任何兩個字串存在於另一圖案之逆時針或順時針複合字串中時，兩個圖案具有相同拓撲。該八種可能定向包含圖案之四個旋轉(0°、90°、180°及270°)與圖案之兩個鏡像(水平及垂直)之組合。
例如，在圖5B中，熱點偵測系統選擇圖案之相鄰側處之兩個字串<5,3,5,3,10>用於左側及底側。圖5C繪示根據一實施例之包含複合字串之一圖案。一逆時針複合字串：<6,3,6,10,3,5,3,5,3,10,6,3,6>，及順時針複合字串：<10,3,5,3,5,3,10,6,3,6,10,3>。字串組分<5,3,5,3,10>存在於逆時針複合字串中。因此，圖5B及圖5C中所給出之兩個圖案具有相同拓撲。
在基於字串之分類之後，一叢集內之圖案具有相同拓撲。即使如此，在一些情況中，具有相同拓撲之兩個圖案可仍具有非常不同之幾何特性。例如，一圖案可為一熱點，而另一圖案係依據離散程序禁止規則之一非熱點。
在一實施例中，對於一圖案pi，首先像素化其佈局剪輯，且計算各像素dk之多邊形密度。圖5D繪示根據一實施例之一像素化佈局剪輯。兩個圖案pi與pj之間之距離ρ(pi,pj)由基於相同定向之全部像素之像素密度差之總和界定：
其中τ係定向，且D8表示八種可能定向之集合。
基於距離度量，由基於密度之分類使用之叢集半徑界定如下：R=max(R 0 ,max i,j ρ(p i ,p j )/10) (2)
其中R0係使用者界定之半徑臨限值。在一實施例中，對於一調查圖案，熱點偵測系統檢查此圖案是否由某一既有叢集覆蓋。例如，若 此圖案與叢集之質心(代表性)之間之距離小於或等於半徑值，則一圖案可由一叢集覆蓋。若一圖案由一叢集覆蓋，則將該圖案添加至該覆蓋叢集中。否則，此圖案變成一新叢集之質心。對全部圖案重複此流程。另外，在一些實施例中，一旦將一圖案添加至某一叢集，則熱點偵測系統重新計算質心。圖5E繪示根據一實施例之由基於密度之分類產生之兩個叢集{A,B}及{C}。
臨界特徵擷取
熱點偵測系統自圖案擷取臨界特徵。臨界特徵係以一相關聯圖案為特徵之特徵。臨界特徵可為拓撲或非拓撲特徵。拓撲特徵係相關於圖案之幾何形狀。拓撲特徵可包含(例如)一對面向內之多邊形邊緣之間之水平及垂直距離、一對面向外之多邊形邊緣之間之水平及垂直距離、兩個凸角之對角線距離、一多邊形之水平及垂直邊緣長度、或與圖案之幾何形狀相關之某一其他特徵。非拓撲特徵係相關於可用於產生圖案之一微影程序。非拓撲特徵可包含(例如)數個角隅(凸角及凹角)、數個觸控點、一對面向內之多邊形邊緣之間之一最小距離、一對面向外之多邊形邊緣之間之一最小距離、一多邊形密度、或與微影程序相關之某一其他特徵。在一實施例中，熱點偵測系統使用一遞移封閉圖來擷取拓撲臨界特徵。2012年11月5日申請之美國專利申請案第13/669,387號(「Accurate Process-Hotspot Detection Using Critical Design Rule Extraction」)中進一步描述臨界特徵擷取，該案之全文以引用方式併入本文中。
圖6A繪示根據一實施例之四個實例性拓撲特徵。在此實施例中，所擷取之四種類型之拓撲特徵係：(1)一對面向內之多邊形邊緣之間之水平及垂直距離；(2)一對面向外之多邊形邊緣之間之水平及垂直距離；(3)兩個凸角之對角線距離；及(4)一多邊形之水平及垂直邊緣長度。考量八種可能定向，兩組拓撲特徵可經產生以保持所擷取 特徵之間之垂直關係及水平關係。
圖6B繪示根據一實施例之五個實例性非拓撲特徵。在此實施例中，熱點偵測系統界定五種類型之非拓撲特徵：(1)數個角隅(凸角及凹角)；(2)數個觸控點；(3)一對面向內之多邊形邊緣之間之最小距離；(4)一對面向外之多邊形邊緣之間之最小距離；及(5)多邊形密度。
藉由拓撲分類，一叢集中之全部圖案之臨界特徵之數目相同。相等特徵數目促進隨後之SVM核心訓練。例如，在一SVM訓練步驟中，可使用大量資料來訓練一核心。但可僅使用一固定資料特徵大小來訓練一核心。若兩個訓練資料含有不同特徵大小，則應使用某一方法(例如，將虛擬特徵添加至具有更小特徵大小之訓練資料或捨棄具有更大特徵大小之訓練資料之一些特徵)來使該兩個訓練資料相等。因此，降低核心訓練品質，此係因為吾人無法獲知何種特徵真正重要。
反覆多SVM核心學習
為提供靈活性來識別未見熱點，熱點偵測系統利用機器學習。如上文所討論，在一些實施例中，熱點偵測系統可使用反覆多核心學習來充分利用機器學習之長處。
在機器學習中，SVM係一流行的監督學習模型。兩類SVM將訓練資料變換為一高維空間且計算一超平面，以將資料分成具有一最大裕度之兩個類別。若SVM核心函數係一對稱半正定函數，則SVM保證一全局最佳解。在處理一小訓練資料組、非線性及高維分類問題時，SVM已展現更優效能。
在一實施例中，熱點偵測系統使用兩類軟裕度C型SVM且使用徑向基底函數來發展核心以偵測熱點及非熱點。假定訓練資料xn，n=1...N，其中標記tn(+1或-1用於兩類SVM)。C型SVM之二次程式化 公式之對偶形由以下給定：
其中
a=(a 1 ,...,a N ) T (7)
其中C控制鬆弛變數懲罰與裕度之間之權衡，k(xn,xm)係高斯徑向基底核心函數，且a n係拉格朗日乘數。高斯徑向基底核心函數係對稱半正定的，因此導致一最佳分類。在此實施例中，一不平衡群體可破壞軟裕度且使訓練品質降級。
C及γ之適當值可導致一SVM核心之一良好訓練品質。因此，如圖3中所展示，熱點偵測系統使用一自訓練程序來反覆地調適C及γ參數。C及γ之初始值分別為1000及0.01。若不滿足停止準則，則C及γ加倍。反覆學習之停止準則係：自訓練反覆之數目超過一使用者界定之界限或熱點/非熱點偵測精確率(相對於訓練資料)超過一使用界定之訓練精度，如90%或某一其他值。
佈局剪輯擷取
一測試佈局含有需要被評估之大量位置。在一實施例中，為避免耗時全佈局掃描，熱點偵測系統可基於多邊形分佈來僅擷取可能佈局剪輯。在其他實施例中，熱點偵測系統可擷取額外佈局剪輯。
圖7A繪示根據一實施例之在佈局剪輯擷取期間發生的多邊形剖分。在此實施例中，首先將各佈局多邊形分割成矩形。若該等矩形之寬度或高度大於熱點芯部側長度(圖2中之lc)，則將該等矩形切割成更小部分。
圖7B繪示根據一實施例之包含圖7A中之多邊形之一佈局剪輯。 如圖7B中所展示，相對於各矩形之左下角來設定一芯部及一界限。若此剪輯內之多邊形分佈滿足使用者指定之要求，則熱點偵測系統擷取對應佈局剪輯；否則，捨棄該剪輯。在一些實施例中，使用者指定之要求可指定一多邊形密度(總多邊形面積/剪輯面積)、一多邊形計數、剪輯邊界與定界框(其涵蓋剪輯中之全部多邊形矩形)之間之距離，等等。例如，多邊形密度可為至少0.3或等於0.3，多邊形計數可大於5，且剪輯邊界與定界框(其涵蓋剪輯中之全部多邊形矩形)之間之距離可短於熱點界限長度之35%。多邊形分佈可為一多邊形密度、一多邊形計數、剪輯邊界與定界框(其涵蓋剪輯中之全部多邊形矩形)之間之一距離(由圖7B中四個箭頭指示)，等等。使用者指定之要求與熱點訓練資料之資訊正相關。由此可見，若滿足多邊形分佈要求，則各多邊形必須由至少一佈局剪輯包含。再者，可藉由在群體平衡期間發生之資料移位而補償一擷取剪輯與一實際熱點之間之可能未對準。
實驗結果
在一實施例中，熱點偵測系統可包含以具有一GDSII程式館Anuvad及SVM程式館LIBSVM之C++程式化語言實施之軟體模組。在此實施例中，熱點偵測系統包含兩個Intel Xeon 2.3GHz CPU與64GB記憶體。
對由J.A.Torres發佈之六個32奈米及28奈米工業設計(「ICCAD-2012 CAD contest in fuzzy pattern matching for physical verification and benchmark suite」，In Proc.ICCAD，第349頁至第350頁，2012年，http：//cad_contest.cs.nctu.edu.tw/CAD-contest-at-ICCAD2012/problems/p3/p3.html/)進行實驗，如表1中所列，其中熱點訓練圖案與非熱點訓練圖案之間之群體高度不平衡。#hs意指熱點之數目，而#nhs意指非熱點之數目。芯部大小為1.2×1.2平方微米，而此基準套件之剪輯大小為4.8×4.8平方微米。執行三組實驗以比較熱點偵測系統之 總體效能與2012 CAD競賽獲勝者之總效能，展現一多SVM核心訓練及熱點過濾之效力，且展現熱點偵測系統之快速訓練收斂。
在第一組實驗中，比較熱點偵測系統與ICCAD中之2012 CAD競賽獲勝者。表2總結實驗結果。總言之，熱點偵測系統在精度、假警報及命中率/額外率上勝過第一名獲勝者。對於Array_benchmark3，熱點偵測系統具有比第三名獲勝者低之精度，但具有比第三名獲勝者顯著更低之一假警報。
在第二組實驗中，如表3中所列，展現熱點偵測系統之效力。「單一SVM」意指使用一單一巨型SVM核心(即，無拓撲分類及熱點過濾)之基線SVM；「ours_wo_filtering」意指熱點偵測系統使用無熱點過濾之多SVM核心訓練(即，具有拓撲分類，但無熱點過濾)；「ours」意指熱點偵測系統包含熱點過濾。在實驗中，以下參數用於展現熱點偵測系統之流程：(1)熱點偵測系統之SVM核心之C及γ之各自初始值為1000及0.01；(2)自訓練之停止準則為90%精度；(3)資料移位為120奈米(=lc/10)；(4)剪輯邊界與剪輯擷取之定界框之間之最大距離為1440奈米；(5)剪輯合併之最小重疊為20%；及(6)芯部重構之間隔距離為1150奈米。首先，熱點偵測系統之臨界特徵係有效的。例如，對於Array_benchmark3及Array_benchmark5，一單一SVM達成超過78%之精度。其次，熱點偵測系統拓撲分類及群體平衡表現良好，因此，熱點偵測系統之多SVM核心學習具有適當模糊性且傳遞非常高之精度(85.9%至98.2%)。再者，熱點偵測系統之熱點過濾在不犧牲精度之情況下極大地減少全部情況之假警報。
在第三組實驗中，表4中展示訓練資料對精度之影響。對於此 表，「資料」係指所使用之訓練圖案計數與總訓練圖案計數之比率。表4指示：使用不同訓練資料可達成較高精度及較低假警報，例如Array_benchmark2及MX_blind_partial。其次，存在熱點偵測系統之訓練品質之一快速收斂。另外，熱點偵測系統可使用少量訓練資料來達成高精度(尤其對於Array_benchmark3及Array_benchmark5)，因此縮短運行時間。
圖8係繪示用於熱點點偵測之一環境之一實施例的一高階方塊圖。該環境包含藉由一網路802連接至一熱點偵測系統800之一用戶端裝置100。此處僅繪示一個用戶端裝置100及一個熱點偵測系統，但可存在此等實體之各者之多個例項。例如，可存在與多個熱點偵測系統800通信之數百個使用者裝置100。
網路802在使用者裝置100與熱點偵測系統800之間提供一通信基 礎設施。網路802通常為網際網路，但可為任何網路，其包含(但不限於)一區域網路(LAN)、一都會區域網路(MAN)、一廣域網路(WAN)、一行動有線或無線網路、一私人網路、一虛擬私人網路或其等之某一組合。
用戶端裝置850係執行電腦程式模組之一計算裝置，該等電腦程式模組容許一使用者將資料上傳至熱點偵測系統800。例如，在一些實施例中，用戶端裝置850將一積體電路之一佈局上傳至熱點偵測系統800。另外，該等模組容許一使用者自熱點偵測系統800接收經識別之熱點或一些其他資訊。用戶端裝置850可為(例如)一個人電腦、一平板電腦、一膝上型電腦或其他類型之支援網路裝置。
熱點偵測系統800處理佈局以識別一或多個熱點。在一些實施例中，一使用者直接自一使用者上傳一佈局，處理該佈局以識別熱點，且將經識別之熱點呈現給該使用者。在替代實施例中，熱點偵測系統800自用戶端裝置850接收佈局，處理該佈局以識別熱點，且將經識別之熱點提供至用戶端裝置850。
熱點偵測系統800由包含一偵測資料庫805、一定標模組810、一分類模組815、一特徵擷取模組820、一訓練模組825及一評估模組830之模組組成。熱點偵測系統800之一些實施例具有不同於此處所描述之模組的模組。類似地，可依不同於此處所描述之方式的一方式將功能分配於該等模組中。在一些實施例中，熱點偵測系統800經組態以執行上文參考圖3所描述之一些或全部功能。
偵測資料庫805係包含熱點訓練資料、非熱點訓練資料、一或多個測試佈局、一或多個剪輯或其等之某一組合的一資料庫。如上文參考圖3所討論，熱點訓練資料含有已知用於產生熱點之複數個不同圖案。同樣地，非熱點訓練資料含有已知不用於產生熱點之複數個圖案。
定標模組810定標非熱點訓練資料、熱點訓練資料或其等之某一組合。定標模組810可自偵測資料庫805及/或某一其他實體(例如系統管理者)檢索非熱點訓練資料及/或熱點訓練資料。在一些實施例中，定標模組810經組態以對熱點訓練資料、非熱點訓練資料或其等之某一組合增加取樣及/或減少取樣。例如，定標模組810可將熱點訓練資料增加取樣至一中間大小(例如，使得熱點訓練資料組與非熱點訓練資料組大小相等)。在一些實施例中，定標模組810可藉由使各資料項略微移位(例如向上、向下、向左、向右、使資料項旋轉、移動資料項中之一些邊緣或其等之某一組合)且將經移位之新資料項儲存為經增加取樣之熱點訓練資料及/或非熱點訓練資料中之一單獨資料項而對熱點訓練資料及/或非熱點訓練資料增加取樣。
在一些實施例中，定標模組810經組態以對熱點訓練資料、非熱點訓練資料或其等之某一組合減少取樣。例如，定標模組810可濾除訓練資料中之複製圖案。定標模組810經組態以將定標訓練資料提供至分類模組815。定標訓練資料可為已被增加取樣、已被減少取樣、尚未被修改(例如未對資料增加取樣/減少取樣)或其等之某一組合之熱點訓練資料及/或非熱點訓練資料。
分類模組815根據訓練資料之拓撲來分類訓練資料。分類模組815自定標模組810接收熱點訓練資料、非熱點訓練資料或其等之某一組合。熱點訓練資料及/或非熱點訓練資料可已被定標或可尚未被定標(例如被增加取樣及/或被減少取樣)。分類模組815根據熱點訓練資料之拓撲來將熱點訓練資料分類成「N」個熱點叢集。同樣地，分類模組815根據非熱點訓練資料之拓撲來將非熱點訓練資料分類成「n」個非熱點叢集。分類模組815將具有相同拓撲之非熱點圖案群組成一單一非熱點叢集。因此，對於各拓撲，存在一相關聯之非熱點叢集。分類模組815選擇與該叢集相關聯之經分類之非熱點圖案之質心來表 示該相關聯之非熱點叢集。在一些實施例中，分類模組815捨棄(例如使用定標模組810)此叢集內之非熱點圖案之剩餘部分，此係因為其等具有相同於或非常類似於質心之資料資訊。在替代實施例中，在拓撲分類之前，分類模組810可對非熱點資料減少取樣(例如，隨機地選擇非熱點資料)。在一些實施例中，分類模組815執行上文於名稱為「拓撲分類」之章節中詳細討論之一些或全部功能以將熱點訓練資料、非熱點訓練資料或其等之某一組合分類。分類模組815將熱點叢集及非熱點叢集提供至特徵擷取模組820。
特徵擷取模組820自熱點叢集、非熱點叢集或其等之某一組合擷取臨界特徵。該等臨界特徵可為拓撲的及/或非拓撲的。特徵擷取模組820執行上文於名稱為「臨界特徵擷取」之章節中詳細討論之一些或全部功能以自熱點訓練資料、非熱點訓練資料或其等之某一組合擷取臨界特徵。特徵擷取模組820將該等臨界特徵提供至訓練模組825。
訓練模組825使用自特徵擷取模組820接收之臨界特徵來產生經組態以識別熱點之複數個核心。訓練模組825使用熱點叢集之所擷取臨界特徵及自非熱點訓練資料之一些或全部擷取之臨界特徵來產生各熱點叢集之一核心。可基於一SVM模型、一人工類神經網路、某一其他機器學習模型或其等之某一組合來建構核心。
訓練模組825可將核心訓練至一判定訓練位準。訓練模組825可使用訓練核心之一反覆訓練程序，直至達到一臨限值。該臨限值可經設定使得當達成一或多個參數時訓練完成。一參數可為(例如)一熱點偵測精確率、耗時量、訓練週期數等等。訓練模組825執行上文於名稱為「反覆多SVM核心學習」之章節中詳細討論之一些或全部功能以訓練用於熱點偵測之核心。
評估模組830自一測試佈局產生一或多個剪輯。該測試佈局可接收自熱點偵測系統800之一使用者，接收自一或多個用戶端裝置100， 或其等之某一組合。評估模組830可自偵測資料庫805檢索該測試佈局。評估模組830執行上文於名稱為「佈局剪輯擷取」之章節中詳細討論之一些或全部功能以自一測試佈局擷取剪輯。在一些實施例中，評估模組830使用自熱點叢集及/或非熱點叢集擷取之一些或全部幾何資訊來識別一所擷取之佈局剪輯是否可能含有一熱點。另外，在一些實施例中，若剪輯包含已知不是熱點之圖案，則評估模組830捨棄該剪輯。
接著，評估模組830使用經訓練以識別熱點芯部之核心來評估剪輯。經訓練之核心之各者經組態以識別一特定熱點拓撲。評估模組830使用一些或全部經訓練之核心來識別剪輯中之熱點芯部。在一些實施例中，評估模組830可濾除經識別之熱點芯部中之任何冗餘。另外，若熱點芯部重疊，則評估模組830可將複數個熱點芯部合併至一合併區域中(即，涵蓋一區域中之全部熱點芯部的最小定界框)。在一些實施例中，評估模組830可重構含有複數個(例如大於4)熱點芯部之一合併區域。此係在上文參考圖3來加以討論。評估模組830可將經識別之熱點呈現給使用者及/或將經識別之熱點提供至用戶端裝置100。
現轉至上文所討論之實體之實施方案之一討論，圖9係繪示用於實施圖8中所展示之實體之一或多者之一實例性電腦900的一高階方塊圖。電腦900包含耦合至一晶片組904之至少一處理器902。晶片組904包含一記憶體控制器集線器920及一輸入/輸出(I/O)控制器集線器922。一記憶體906及一圖形配接器912耦合至記憶體控制器集線器920，且一顯示器918耦合至圖形配接器912。一儲存裝置908、一輸入介面914、一揚聲器926及網路配接器916耦合至I/O控制器集線器922。電腦900之其他實施例具有不同架構。
儲存裝置908係一非暫時性電腦可讀儲存媒體，諸如一硬碟機、光碟唯讀記憶體(CD-ROM)、DVD或一固態記憶體裝置。記憶體906 保存由處理器902使用之指令及資料。輸入介面914係一觸控螢幕介面、一滑鼠、軌跡球或其他類型之指向裝置、一鍵盤、一麥克風或其等之某一組合，且用於將資料輸入至電腦900中。圖形配接器912在顯示器918上顯示影像及其他資訊。網路配接器916將電腦900耦合至一或多個電腦網路。
電腦900經調適以執行用於提供本文中所描述之功能性的電腦程式模組。如本文中所使用，術語「模組」係指用於提供指定功能性之電腦程式邏輯。因此，一模組可實施於硬體、韌體及/或軟體中。在一實施例中，程式模組儲存於儲存裝置908上，載入至記憶體906中，且由處理器902執行。由熱點偵測系統800使用之電腦900之類型可根據熱點偵測系統800所需之實施例及處理功率而變動。例如，熱點偵測系統800可包含(諸如)在一伺服器場中透過一網路彼此通信之多個電腦900以提供本文中所描述之功能性。此等電腦900可缺少上文所描述之一些組件，諸如圖形配接器912及顯示器918。
額外組態考量
以上描述之一些部分描述相對於算法程序或操作之實施例。此等算法描述及表示通常由熟習資料處理技術者用於將其工作之要旨有效地傳達給其他熟習技術者。儘管已在功能、運算或邏輯方面描述此等操作，但應瞭解，此等操作由包括指令(其由一處理器或等效電路執行)、微程式碼或類似物之電腦程式實施。此外，亦已證明，在方便時，將功能操作之此等配置稱為模組，且不失一般性。所描述之操作及其相關聯之模組可體現於軟體、韌體、硬體或其等之任何組合中。在一實施例中，由一電腦程式產品(其包括一非暫時性電腦可讀媒體，該非暫時性電腦可讀媒體含有電腦程式碼)實施一軟體模組，該電腦程式碼可由用於執行所描述之任何或全部步驟、操作或程序之一電腦處理器執行。
如本文中所使用，「一實施例」之任何涉及物意指：結合該實施例所描述之一特定元件、特徵、結構或特性包含於至少一實施例中。出現於本說明書之各種位置中之片語「在一實施例中」未必全部係指相同實施例。
可使用措詞「耦合」及「連接」以及其等之衍生詞來描述一些實施例。應瞭解：此等術語不意欲為彼此之同義詞。例如，可使用術語「連接」來描述一些實施例以指示：兩個或兩個以上元件彼此直接實體接觸或電接觸。在另一實例中，可使用術語「耦合」來描述一些實施例以指示：兩個或兩個以上元件直接實體接觸或電接觸。然而，術語「耦合」亦可意指：兩個或兩個以上元件彼此非直接接觸，但仍彼此協作或互動。實施例不受限於此內文。
如本文中所使用，術語「包括」、「包含」、「具有」或其等之任何其他變形意欲涵蓋一非排他包含。例如，包括一系列元件之一程序、方法、物件或設備未必僅限於該等元件，而是可包含此程序、方法、物件或設備未明確列出或固有之其他元件。此外，若無明確相反說明，則「或」係指一包含性「或」而非一排他性「或」。例如，一條件A或B滿足以下之任何者：A為真(或存在)且B為假(或不存在)；A為假(或不存在)且B為真(或存在)；及A及B兩者為真(或存在)。
另外，「一」之使用用於描述本文中之實施例之元件及組件。此僅為了方便且賦予揭示內容之一般意義。若無另外明確說明，則此描述應被解讀為包含一個或至少一個，且單數亦包含複數個。
在閱讀本發明之後，熟習此項技術者亦將瞭解用於識別熱點之一系統及一程序之額外替代結構及功能設計。因此，儘管已繪示及描述特定實施例及應用，但應瞭解：所描述之標的不受限於本文中所揭示之精確建構及組件，且可對本文中所揭示之方法及設備之配置、操作及細節作出熟習此項技術者將明白之各種修改、改變及變動。

Claims (19)

  1. 一種使用一熱點偵測系統之用於熱點偵測的電腦實施方法，其包括：界定一剪輯以表示一積體電路拓撲之一部分；使用複數個核心來評估該剪輯，其中該等核心識別指示待發生之一熱點之一電位的不同拓撲；及將經識別之熱點芯部合併至若干區域中，其中一合併區域係涵蓋此區域中之全部熱點芯部的最小定界框。
  2. 如請求項1之方法，其中該等核心之各者處理該等所擷取剪輯之全部以識別熱點。
  3. 如請求項1之方法，進一步包括：執行熱點過濾。
  4. 如請求項1之方法，其進一步包括：自連接至該熱點偵測系統之一用戶端裝置接收佈局；及將該等經識別之熱點提供至該用戶端裝置。
  5. 一種用於熱點偵測的電腦實施方法，其包括：根據熱點訓練資料之拓撲，將一組熱點訓練資料分類成複數個熱點叢集，其中該等熱點叢集與不同熱點拓撲相關聯；根據非熱點訓練資料之拓撲來將一組非熱點訓練資料分類成複數個非熱點叢集，其中該等非熱點叢集與不同拓撲相關聯；自該等熱點叢集及該等非熱點叢集之質心擷取拓撲臨界特徵及非拓撲臨界特徵，其中該等拓撲臨界特徵係以一叢集為特徵之幾何相關特徵，且該等非拓撲臨界特徵係以一叢集為特徵之微影程序相關特徵；及產生經組態以識別熱點之複數個核心，其中使用該等非熱點叢集之該等質心之所擷取臨界特徵及來自該等熱點叢集之一者 的所擷取臨界特徵來建構各核心，且各核心經組態以識別熱點拓撲，其不同於其他核心經組態以識別之熱點拓撲。
  6. 如請求項5之方法，進一步包括：將該熱點訓練資料增加取樣至一第一資料大小，其中根據非熱點訓練資料之拓撲來將一組非熱點訓練資料分類成複數個非熱點叢集包括：將該非熱點訓練資料減少取樣至一第二資料大小。
  7. 如請求項5之方法，其中：該熱點訓練資料包括複數個熱點資料項，及對該熱點訓練資料增加取樣包括：使各熱點資料項資料移位以產生一或多個相關聯之導出資料項，其中各熱點資料項及其相關聯之一或多個導出資料項形成一不同熱點叢集。
  8. 如請求項7之方法，其中資料移位包括：使一熱點資料項向上移位、向下移位、向左移位、向右移位、使該熱點資料項旋轉、移動該資料項中之某一邊緣或其等之某一組合。
  9. 如請求項5之方法，其中該複數個核心使用一支援向量機學習模型。
  10. 如請求項5之方法，進一步包括：反覆地訓練該複數個核心，直至滿足一停止準則，該停止準則係一熱點偵測精確率。
  11. 如請求項5之方法，其中根據熱點訓練資料之拓撲來將一組熱點訓練資料分類成複數個熱點叢集包括：使用基於字串之分類來將該熱點訓練資料分群成複數個中間熱點叢集；及 使用基於密度之分類，自各中間熱點叢集產生一或多個熱點叢集。
  12. 如請求項5之方法，其中根據非熱點訓練資料之拓撲來將一組非熱點訓練資料分類成複數個非熱點叢集包括：使用基於字串之分類來將該非熱點訓練資料分群成複數個中間非熱點叢集；及使用基於密度之分類，自各中間非熱點叢集產生一或多個非熱點叢集。
  13. 如請求項5之方法，進一步包括：接收一測試佈局之一部分；及由該複數個核心評估該部分以識別一或多個熱點，其中各核心評估該部分以識別該核心經組態以識別之一熱點是否存在於該部分中。
  14. 如請求項5之方法，進一步包括：過濾該經識別之一或多個熱點，以移除該等經識別熱點中之冗餘。
  15. 一種非暫時性電腦可讀媒體，其具有嵌入於其上之一程式，該程式可由用於執行一方法之一處理器執行，該非暫時性電腦可讀媒體包括：根據熱點訓練資料之拓撲來將一組熱點訓練資料分類成複數個熱點叢集，其中該等熱點叢集與不同熱點拓撲相關聯；根據非熱點訓練資料之拓撲來將一組非熱點訓練資料分類成複數個非熱點叢集，其中該等非熱點叢集與不同拓撲相關聯；自該等熱點叢集及該等非熱點叢集的質心擷取拓撲臨界特徵及非拓撲臨界特徵，其中該等拓撲臨界特徵係以一叢集為特徵之幾何相關特徵，且該等非拓撲臨界特徵係以一叢集為特徵之 微影程序相關特徵；及產生經組態以識別熱點之複數個核心，其中使用該等非熱點叢集之該等質心之該等所擷取臨界特徵及來自該等熱點叢集之一者之該等所擷取臨界特徵來建構各核心，且各核心經組態以識別不同於其他核心經組態以識別之熱點拓撲的熱點拓撲。
  16. 如請求項15之電腦可讀媒體，進一步包括：將該熱點訓練資料增加取樣至一第一資料大小，及其中根據非熱點訓練資料之拓撲來將一組非熱點訓練資料分類成複數個非熱點叢集包括：將該非熱點訓練資料減少取樣至一第二資料大小。
  17. 如請求項15之電腦可讀媒體，其中：該熱點訓練資料包括複數個熱點資料項，及對該熱點訓練資料增加取樣包括：使各熱點資料項資料移位以產生一或多個相關聯之導出資料項，其中各熱點資料項及其相關聯之一或多個導出資料項形成一不同熱點叢集。
  18. 如請求項17之電腦可讀媒體，其中資料移位包括：使一熱點資料項向上移位、向下移位、向左移位、向右移位、使該熱點資料項旋轉、移動該資料項中之某一邊緣或其等之某一組合。
  19. 如請求項15之電腦可讀媒體，進一步包括：反覆地訓練該複數個核心，直至滿足一停止準則，該停止準則係一熱點偵測精確率。
TW103118882A 2013-05-30 2014-05-29 用於熱點偵測之電腦實施方法及非暫時性電腦可讀媒體 TWI554824B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US201361828915P 2013-05-30 2013-05-30

Publications (2)

Publication Number Publication Date
TW201510636A TW201510636A (zh) 2015-03-16
TWI554824B true TWI554824B (zh) 2016-10-21

Family

ID=51986293

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103118882A TWI554824B (zh) 2013-05-30 2014-05-29 用於熱點偵測之電腦實施方法及非暫時性電腦可讀媒體

Country Status (3)

Country Link
US (2) US20140358830A1 (zh)
CN (2) CN109242108B (zh)
TW (1) TWI554824B (zh)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9195535B2 (en) * 2013-04-30 2015-11-24 Hewlett-Packard Development Company, L.P. Hotspot identification
US20150112649A1 (en) * 2013-10-18 2015-04-23 International Business Machines Corporation Clustering Lithographic Hotspots Based on Frequency Domain Encoding
US9626459B2 (en) * 2014-01-24 2017-04-18 International Business Machines Corporation Detecting hotspots using machine learning on diffraction patterns
WO2016096309A1 (en) * 2014-12-15 2016-06-23 Asml Netherlands B.V. Optimization based on machine learning
US9500945B1 (en) * 2015-06-09 2016-11-22 Globalfoundries Singapore Pte. Ltd. Pattern classification based proximity corrections for reticle fabrication
US10546246B2 (en) 2015-09-18 2020-01-28 International Business Machines Corporation Enhanced kernel representation for processing multimodal data
IL259633B (en) 2015-12-22 2022-07-01 Asml Netherlands Bv A device and method for characterizing a window process
US11922313B2 (en) 2016-02-11 2024-03-05 William Marsh Rice University Partitioned machine learning architecture
US11443083B2 (en) * 2016-05-12 2022-09-13 Asml Netherlands B.V. Identification of hot spots or defects by machine learning
TWI647528B (zh) * 2016-07-12 2019-01-11 荷蘭商Ａｓｍｌ荷蘭公司 用於視覺化設計佈局之計算分析之效能度量的方法及系統
US11194949B1 (en) * 2017-02-22 2021-12-07 Synopsys, Inc. Predictor-guided cell spreader to improve routability for designs at advanced process nodes
EP3392712A1 (en) * 2017-04-21 2018-10-24 IMEC vzw A method for analyzing design of an integrated circuit
US12017241B2 (en) 2017-07-21 2024-06-25 The Regents Of The University Of California Acoustic wave atomizer
CN111051993B (zh) * 2017-09-08 2022-06-28 Asml荷兰有限公司 用于机器学习辅助的光学邻近误差校正的训练方法
US11022966B1 (en) * 2017-12-15 2021-06-01 Synopsys, Inc. Method of modeling e-beam photomask manufacturing process using image-based artificial neural networks
CN108053397B (zh) * 2017-12-19 2022-04-26 上海集成电路研发中心有限公司 一种采用支持向量机检测光刻薄弱点的方法
WO2019132901A1 (en) * 2017-12-27 2019-07-04 Intel Corporation Generating a machine learning model to place srafs
US10621302B2 (en) * 2018-06-27 2020-04-14 International Business Machines Corporation Classification and localization of hotspots in integrated physical design layouts
DE102018211099B4 (de) * 2018-07-05 2020-06-18 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Bewerten eines statistisch verteilten Messwertes beim Untersuchen eines Elements eines Photolithographieprozesses
US10539881B1 (en) 2018-09-24 2020-01-21 International Business Machines Corporation Generation of hotspot-containing physical design layout patterns
US10866506B2 (en) * 2018-10-30 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Photo mask data correction method
US11301748B2 (en) * 2018-11-13 2022-04-12 International Business Machines Corporation Automatic feature extraction from aerial images for test pattern sampling and pattern coverage inspection for lithography
TWI738169B (zh) * 2019-01-29 2021-09-01 荷蘭商Ａｓｍｌ荷蘭公司 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品
US10762618B1 (en) * 2019-02-14 2020-09-01 United Microelectronics Corp. Mask weak pattern recognition apparatus and mask weak pattern recognition method
KR20210116613A (ko) * 2019-02-21 2021-09-27 에이에스엠엘 네델란즈 비.브이. 마스크에 대한 광학 근접 보정을 결정하기 위한 머신 러닝 모델의 트레이닝 방법
US11263496B2 (en) * 2019-02-25 2022-03-01 D2S, Inc. Methods and systems to classify features in electronic designs
US11182929B2 (en) 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
US12092963B2 (en) * 2019-04-25 2024-09-17 Asml Netherlands B.V. Method of determining characteristic of patterning process based on defect for reducing hotspot
US10831976B1 (en) 2019-05-30 2020-11-10 International Business Machines Corporation Predicting local layout effects in circuit design patterns
CN113297263A (zh) * 2020-04-01 2021-08-24 阿里巴巴集团控股有限公司 数据处理方法、装置、系统、电子设备及存储介质
KR20230051510A (ko) * 2020-08-19 2023-04-18 에이에스엠엘 네델란즈 비.브이. 이미지 기반 패턴 선택을 위한 시스템, 제품 및 방법
US20220067426A1 (en) * 2020-08-28 2022-03-03 Siemens Industry Software Inc. Separation distance between feature vectors for semi-supervised hotspot detection and classification
CN113674235B (zh) * 2021-08-15 2023-10-10 上海立芯软件科技有限公司 一种基于主动熵采样和模型校准的低代价光刻热点检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090228408A1 (en) * 2008-03-08 2009-09-10 Tokyo Electron Limited Autonomous adaptive semiconductor manufacturing
TW201001213A (en) * 2008-04-24 2010-01-01 Synopsys Inc Pattern-clip-based hotspot database system for layout verification
TW201009624A (en) * 2008-06-05 2010-03-01 Cadence Design Systems Inc Method and system for model-based design and layout of an integrated circuit
US8260728B1 (en) * 2008-12-12 2012-09-04 Qurio Holdings, Inc. System and method for influencing behavior in a distributed virtual environment
TW201300963A (zh) * 2011-04-04 2013-01-01 Asml Netherlands Bv 微影裝置之整合及具多重圖案化製程之光罩最佳化製程

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6246472B1 (en) * 1997-07-04 2001-06-12 Hitachi, Ltd. Pattern inspecting system and pattern inspecting method
EA200101238A1 (ru) * 1999-05-25 2002-10-31 Барнхилл Текнолоджиз, Ллс Усовершенствование извлечения знания из множества наборов данных с использованием множества машин с опорными векторами
US6792366B2 (en) * 2001-12-11 2004-09-14 Hitachi, Ltd. Method and apparatus for inspecting defects in a semiconductor wafer
WO2004013727A2 (en) * 2002-08-02 2004-02-12 Rosetta Inpharmatics Llc Computer systems and methods that use clinical and expression quantitative trait loci to associate genes with traits
WO2004109447A2 (en) * 2003-05-30 2004-12-16 Rosetta Inpharmatics Llc Computer systems and methods for identifying surrogate markers
JP4664618B2 (ja) * 2004-04-30 2011-04-06 株式会社東芝 計測システム
US20070245281A1 (en) * 2006-04-14 2007-10-18 Riepe Michael A Placement-Driven Physical-Hierarchy Generation
US7987150B1 (en) * 2007-02-09 2011-07-26 Siglaz Method and apparatus for automated rule-based sourcing of substrate microfabrication defects
US7823099B2 (en) * 2007-05-31 2010-10-26 Synopsys, Inc. Lithography suspect spot location and scoring system
US8452108B2 (en) * 2008-06-25 2013-05-28 Gannon Technologies Group Llc Systems and methods for image recognition using graph-based pattern matching
EP2187427B1 (en) * 2008-11-17 2011-10-05 IMS Nanofabrication AG Method for maskless particle-beam exposure
CN101482926B (zh) * 2009-02-19 2011-06-15 北京大学 一种可伸缩的自适应多核分类方法
US8533637B2 (en) * 2009-12-29 2013-09-10 Mentor Graphics Corporation Retargeting based on process window simulation
US20120254333A1 (en) * 2010-01-07 2012-10-04 Rajarathnam Chandramouli Automated detection of deception in short and multilingual electronic messages
JP5279745B2 (ja) * 2010-02-24 2013-09-04 株式会社東芝 マスクレイアウト作成方法、マスクレイアウト作成装置、リソグラフィ用マスクの製造方法、半導体装置の製造方法、およびコンピュータが実行可能なプログラム
US8504949B2 (en) * 2011-07-26 2013-08-06 Mentor Graphics Corporation Hybrid hotspot detection
US8402397B2 (en) * 2011-07-26 2013-03-19 Mentor Graphics Corporation Hotspot detection based on machine learning
US8453075B2 (en) * 2011-09-02 2013-05-28 International Business Machines Corporation Automated lithographic hot spot detection employing unsupervised topological image categorization
US8935643B2 (en) * 2011-10-06 2015-01-13 Mentor Graphics Corporation Parameter matching hotspot detection
US9098893B2 (en) * 2011-12-21 2015-08-04 Applied Materials Israel, Ltd. System, method and computer program product for classification within inspection images
US8490030B1 (en) 2012-06-01 2013-07-16 Synopsys, Inc. Distance metric for accurate lithographic hotspot classification using radial and angular functions
US8601419B1 (en) 2012-11-05 2013-12-03 Synopsys, Inc. Accurate process hotspot detection using critical design rule extraction

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090228408A1 (en) * 2008-03-08 2009-09-10 Tokyo Electron Limited Autonomous adaptive semiconductor manufacturing
TW201001213A (en) * 2008-04-24 2010-01-01 Synopsys Inc Pattern-clip-based hotspot database system for layout verification
TW201009624A (en) * 2008-06-05 2010-03-01 Cadence Design Systems Inc Method and system for model-based design and layout of an integrated circuit
US8260728B1 (en) * 2008-12-12 2012-09-04 Qurio Holdings, Inc. System and method for influencing behavior in a distributed virtual environment
TW201300963A (zh) * 2011-04-04 2013-01-01 Asml Netherlands Bv 微影裝置之整合及具多重圖案化製程之光罩最佳化製程

Also Published As

Publication number Publication date
CN109242108A (zh) 2019-01-18
US11403564B2 (en) 2022-08-02
CN104217224B (zh) 2018-07-17
CN109242108B (zh) 2022-07-12
US20140358830A1 (en) 2014-12-04
CN104217224A (zh) 2014-12-17
CN104217224B8 (zh) 2018-11-23
US20190287021A1 (en) 2019-09-19
TW201510636A (zh) 2015-03-16

Similar Documents

Publication Publication Date Title
TWI554824B (zh) 用於熱點偵測之電腦實施方法及非暫時性電腦可讀媒體
Yu et al. Machine-learning-based hotspot detection using topological classification and critical feature extraction
Ding et al. High performance lithographic hotspot detection using hierarchically refined machine learning
US8504949B2 (en) Hybrid hotspot detection
US10592632B2 (en) Method for analyzing design of an integrated circuit
US9626459B2 (en) Detecting hotspots using machine learning on diffraction patterns
US8453075B2 (en) Automated lithographic hot spot detection employing unsupervised topological image categorization
US9147032B2 (en) Machine-learning based datapath extraction
US9881418B2 (en) Identifying features in polygonal meshes
Fernandes et al. TableDet: An end-to-end deep learning approach for table detection and table image classification in data sheet images
Reddy et al. Enhanced hotspot detection through synthetic pattern generation and design of experiments
US11222160B2 (en) Mask rule checking for curvilinear masks for electronic circuits
US20150112649A1 (en) Clustering Lithographic Hotspots Based on Frequency Domain Encoding
Backes et al. Polygonal approximation of digital planar curves through vertex betweenness
Mostafa et al. Multi-selection method for physical design verification applications
Wen et al. AIoU: Adaptive bounding box regression for accurate oriented object detection
Yu et al. An effective method for figures and tables detection in academic literature
Utyamishev et al. Knowledge graph embedding and visualization for pre-silicon detection of hardware Trojans
Dey et al. Topology and context-based pattern extraction using line-segment Voronoi diagram
Lin et al. Hotspot Detection with Machine Learning Based on Pixel‐Based Feature Extraction
JP6394145B2 (ja) 設計支援プログラム、設計支援方法、および設計支援装置
Utyamishev et al. Netwise Detection of Hardware Trojans Using Scalable Convolution of Graph Embedding Clouds
Ding et al. High Performance Lithography Hotspot Detection with Hierarchically Refined Machine Learning Methods
Yin et al. Machine learning assisted effective OPC verification hotspot capture
Kawoosa et al. Robust page object detection network for heterogeneous document images