从集成电路版图到芯片照片：一种基于CNN的数据驱动方法
图像与视频处理
2020-11-02 v2 计算机视觉与模式识别
摘要
我们提出了一种基于深度学习的数据驱动框架，该框架由两个卷积神经网络组成：i) LithoNet，用于预测电路因集成电路制造而产生的形状变形；ii) OPCNet，用于建议集成电路版图修正以补偿此类形状变形。通过学习版图设计图案与其对应产品晶圆的扫描电子显微镜（SEM）图像之间的形状对应关系，给定集成电路版图图案，LithoNet 能够模拟制造过程以预测其制造后的电路形状。此外，LithoNet 可将晶圆制造参数作为潜向量，以建模可在 SEM 图像上观测到的参数化产品变异。此外，传统光学邻近校正（OPC）方法用于建议光刻掩模版的修正，计算开销昂贵。我们提出的 OPCNet 模拟 OPC 流程，并与 LithoNet 协作高效生成修正后的掩模版，以检验制造电路形状是否与其原始版图设计达到最优匹配。因此，所提出的 LithoNet-OPCNet 框架不仅能从版图图案预测制造后集成电路的形状，还能根据预测形状与给定版图之间的一致性建议版图修正。基于若干基准版图图案的实验结果证明了所提方法的有效性。
引用
@article{arxiv.2002.04967,
title = {From IC Layout to Die Photo: A CNN-Based Data-Driven Approach},
author = {Hao-Chiang Shao and Chao-Yi Peng and Jun-Rei Wu and Chia-Wen Lin and Shao-Yun Fang and Pin-Yen Tsai and Yan-Hsiu Liu},
journal= {arXiv preprint arXiv:2002.04967},
year = {2020}
}
备注
14 pages, 16 figures