DeepRWCap：用于IC设计的神经引导随机游走电容求解器

蒙特卡洛随机游走方法广泛用于电容提取，因其无网格形式和内在并行性。然而，现代半导体技术由于结构紧密致密，面临在多次高置信介质材料下的步长中对转换域的无偏抽样的重大挑战。我们提出DeepRWCap，这是一种机器学习引导的随机游走求解器，用于预测引导每一步所需的转换量，包括泊松核、梯度核以及权重的符号和幅度。DeepRWCap采用两阶段神经网络结构，将结构输出分解为面向分布和立方体面上的空间核。它使用3D卷积网络捕获体积介质相互作用，并使用2D深度可分离卷积建模局部核行为。该设计包含基于网格的位置编码和由立方体对称性所启发的结构设计选择，以减少学习冗余并提高泛化能力。在针对10个工业设计（覆盖12至55 nm节点）进行基准测试的10万个程序生成介质配置上训练后，DeepRWCap在对10个工业设计的自电容估计方面实现平均相对误差为1.24±0.53%。相对于当前最先进的随机差分方法Microwalk，DeepRWCap实现平均加速23%。在运行时间超过10秒的复杂设计上，平均加速达到49%。