通过批量主动学习弥合布局图案采样与热点检测之间的鸿沟
机器学习
2018-07-18 v1 图像与视频处理
机器学习
摘要
布局热点检测是现代 VLSI 设计的主要步骤之一。典型的热点检测流程由于计算昂贵的掩模优化与光刻仿真而极其耗时。近期研究试图以精简流程（包括特征提取、训练集生成与热点检测）来促进该过程，其中特征提取方法与热点检测引擎已被深入研究。然而，热点检测器的性能高度依赖于参考布局库的质量，而这些库获取成本高昂且在以往工作中通常预先确定或随机采样。本文提出一种基于主动学习的布局图案采样与热点检测流程，其同时优化机器学习模型与训练集，旨在以远少得多的训练样本数达到相似或更好的热点检测性能。实验结果表明，我们所提方法能显著减少光刻仿真开销，同时在 DUV 与 EUV 光刻技术下的设计上获得令人满意的检测精度。
引用
@article{arxiv.1807.06446,
title = {Bridging the Gap Between Layout Pattern Sampling and Hotspot Detection via Batch Active Learning},
author = {Haoyu Yang and Shuhe Li and Cyrus Tabery and Bingqing Lin and Bei Yu},
journal= {arXiv preprint arXiv:1807.06446},
year = {2018}
}
备注
8 pages, 7 figures