Laplacian Eigenmaps and Bayesian Clustering Based Layout Pattern Samplingand Its Applications to Hot

论文笔记：Laplacian Eigenmaps and Bayesian Clustering Based Layout Pattern Samplingand Its Applications to Hotspot Detection and OPC

摘要

有效的布局图案采样是光刻工艺优化，热点检测和模型校准的基本要素。 现有的模式采样算法依赖于矢量量化或启发式方法。 然而，由于诸如高维布局特征和手动调整的假设模型参数之类的先验知识的大量需求，难以管理这些方法。 在本文中，我们提出了一个独立的布局模式采样框架，该框架不需要手动参数调整。 为了处理高维和多样的布局特征类型，我们提出了一种通过核参数优化的非线性降维技术。此外，我们开发了一种基于贝叶斯模型的聚类算法，通过该聚类可以实现自动采样而无需任意设置模型参数。 我们通过抽样基准套件和两个应用程序（光刻热点检测和光学邻近校正）验证了框架的有效性

引言

为了减少掩模合成和过程模型校准的训练时间，应提取并采样最少的测试图案集，以反映真实布局中的关键特征，同时保持较高的预测精度[4]。 例如，在热点检测问题中，需要在非热点和实际热点之间保持平衡的测试模式，以防止过拟合问题[5]。 但是，由于实际布局中存在无数的图案变化，并且布局数据中的维数很高，因此从实际布局中自动提取基本组件往往很困难。在机器学习中的无监督问题，其中一些隐藏结构必须从给定的未标记数据中确定。

图1说明了布局模式采样的典型流程。考虑到输入布局，首先特征提取将几何信息传递到一组高维向量中。 降维就是确定关键特征。 最后，在简化的维度空间上，进行聚类以选择采样结果。

到目前为止，已经提出了几种模式采样工作来获取一组测试模式。 已经提出了一些用于测试模式采样的聚类技术[6-8]。 这些相关的工作通过提取代表布局模式特征的特征向量并基于特征向量训练分类模型，为设计自动化做出了贡献。然而，很难将相同的聚类技术直接应用于不同的采样问题，这有两个原因 。 首先，定义图案相似度以评估实际布局中的基本特征的标准尚不明确;其次，大多数聚类算法需要进行一些初步实验，因为必须预先调整一些参数，例如聚类总数。

在本文中，我们提出了一种新的模式采样框架，该框架可有效地从给定的布局创建适当的测试模式。 我们的主要贡献总结如下。

•我们开发了一种有效的特征比较方法，该方法采用了非线性降维技术和核参数优化技术。
•我们使用基于贝叶斯模型的聚类开发了一种自动模式采样方法，无需进行手动参数调整。
•我们展示了在工业强度测试芯片下有前途的测试模式提取

本文的其余部分安排如下。 第二节给出问题表述。 第三部分介绍了布局模式采样的总体流程。 第四节和第五节详细介绍了两个关键算法，降维和聚类。 第六节列出了实验结果，随后是第七节的结论。

2.问题模型

为了量化采样性能并比较各种布局特征类型，需要一种聚类结果评估方法。 在这项工作中，我们根据贝叶斯定理应用贝叶斯误差[9]来评估重叠聚类的程度。贝叶斯误差（BE）定义如下：