VLSI Layout Hotspot Detection Based on DiscriminativeFeature Extraction

论文笔记–VLSI Layout Hotspot Detection Based on DiscriminativeFeature Extraction

基于鉴别特征提取的超大规模集成电路版图热点检测

摘要

特征提取是基于机器学习的VLSI布局热点检测流程的关键阶段。 常规的基于机器学习的方法应用各种特征提取技术来近似纳米级的原始布局结构。 但是，在近似过程中会丢失一些重要的布局模式信息，从而导致性能下降。 在本文中，我们对布局特征提取进行了全面的研究，并提出了一种新的方法，该方法可以保留判别性的布局图案信息，从而在准确性和额外性方面提高检测性能。

引言

随着现代集成电路特征尺寸和光刻波长之间的差距增加[1]，确保电路布局设计的可印刷性至关重要。 开发了各种可印刷感知方法，例如设计规则检查（DRC），光学邻近校正（OPC）和次分辨率辅助特征（SRAF），以减少电路制造过程中的性能下降或良率损失。 然而，存在一些对光刻工艺敏感的布局图案，并且将产生不希望的印刷。 这些布局模式称为VLSI布局热点，需要在物理验证阶段进行检测。

近年来，热点检测问题已引起越来越多的关注[2]。 模式匹配和基于机器学习的方法已被广泛研究并应用于该问题[3] – [6]。 模式匹配是解决热点检测问题的一种高效计算方法，但是该方法需要预先定义的训练布局模式集，无法有效检测到看不见的热点。 机器学习以其出色的泛化能力而闻名，它可以检测出与训练数据具有相似特征的看不见的布局模式，并已被广泛使用。 然而，在特征提取过程中必须设计适当的布局特征以捕获热点和非热点布局模式之间的区别性特征。

已经探索了各种特征提取方法[4] – [8]，以提高基于机器学习的方法的性能。 为了表示布局模式，工作[7]精心设计了基于片段的功能，这对于某些设计案例而言可能太复杂了。 另外，文献[6]还利用了一些关键的拓扑特征，例如两个相邻块图块之间的距离以及块图块两个凸角之间的对角关系。 此功能很简单，但可能会忽略布局模式的一些重要信息。 为了简化布局特征同时保留关键信息，[4]，[5]应用了基于密度的特征提取方法。 尽管到目前为止，基于密度的特征在热点检测问题中已经达到了最高的精度，但是仍然存在许多无法检测到的热点。本文提出了一种新的特征提取方法，该方法具有更高的准确度和更少的额外信息。 我们的贡献如下：

•我们提出一种布局功能，称为局部网格密度差（LGDD），与传统的基于密度的方法不同，LGDD测量网格中特定区域的密度。
•我们进一步分析了改变相邻网格之间的间距时LGDD的性能。

本文的其余部分安排如下。 第二节介绍了热