基于局部适应的异质联邦学习光刻热点检测

随着技术缩放逼近物理极限，光刻热点检测已成为可制造性设计中的一项关键任务。尽管在热点检测中部署模式匹配或机器学习有助于节省大量仿真时间，但此类方法通常需要相当数量的高质量数据来构建模型，而多数设计厂商对此匮乏。此外，设计厂商也不愿直接与其他厂商共享此类数据以构建统一模型，因数据不足，这对具有独特设计模式的厂商可能无效。另一方面，由于各设计厂商数据同质，本地训练的模型易过拟合，丧失泛化能力与鲁棒性。本文提出一种用于光刻热点检测的异质联邦学习框架，可解决上述问题。一方面，该框架能通过异质知识共享构建更鲁棒的集中式全局子模型，同时保持本地数据隐私。另一方面，全局子模型可与本地子模型结合，以更好适应本地数据异质性。实验结果表明，所提框架能克服非独立同分布（non-IID）数据与异质通信的挑战，与其他最先进方法相比实现极高性能，同时在多种场景下保证良好收敛速率。