保持深度光刻模拟器更新：基于全局-局部形状的新颖性检测与主动学习
计算机视觉与模式识别
2022-01-25 v1 图像与视频处理
摘要
基于学习的预模拟（即版图到制造）模型已被提出，用于预测从 IC 版图到其制造电路的制造诱导形状变形。此类模型通常由成对学习驱动，涉及版图模式及其制造后参考形状图像的训练集。然而，收集所有版图切片的参考形状图像用于模型训练和更新既昂贵又耗时。为了解决这个问题，我们提出了一种基于深度学习的版图新颖性检测方案，以识别无法由预训练的预模拟模型很好预测的新颖（未见）版图模式。我们设计了一种全局-局部新颖性评分机制，通过利用两个子网络来评估版图的潜在新颖性：一个自编码器和一个预训练的预模拟模型。前者表征给定版图与训练样本之间的全局结构相异性，而后者提取表示制造诱导局部变形的隐式编码。通过将全局相异性与由自注意力机制增强的局部变形相融合，我们的模型能够在没有测试样本真实电路形状的情况下准确检测新颖性。基于检测到的新颖性，我们进一步提出了两种主动学习策略，以采样少量最值得制造的代表性版图，从而获取其真实电路形状。实验结果证明了：i) 我们的方法在版图新颖性检测中的有效性；ii) 我们的主动学习策略在选择代表性新颖版图以保持基于学习的预模拟模型更新方面的能力。
引用
@article{arxiv.2201.09717,
title = {Keeping Deep Lithography Simulators Updated: Global-Local Shape-Based Novelty Detection and Active Learning},
author = {Hao-Chiang Shao and Hsing-Lei Ping and Kuo-shiuan Chen and Weng-Tai Su and Chia-Wen Lin and Shao-Yun Fang and Pin-Yian Tsai and Yan-Hsiu Liu},
journal= {arXiv preprint arXiv:2201.09717},
year = {2022}
}