VLSI Layout Hotspot Detection Based on DiscriminativeFeature Extraction

最新推荐文章于 2025-06-08 09:00:28 发布

原创

最新推荐文章于 2025-06-08 09:00:28 发布 · 1k 阅读

1 ·

CC 4.0 BY-SA版权

本文研究了VLSI布局热点检测，提出了一种新的特征提取方法——局部网格密度差（LGDD），以提高检测性能。LGDD保留了判别性的布局模式信息，增强了准确性并减少了额外信息。该方法通过分析不同间距对性能的影响，旨在解决基于密度的特征提取中的信息丢失问题，从而提高热点检测的准确性和效率。

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