面向集成电路制造的大规模掩码优化数据集：MaskOpt
机器学习
2025-12-25 v1 人工智能
计算机视觉与模式识别
摘要
随着集成电路（IC）尺寸缩小至光刻波长以下，光学光刻面临衍射和工艺波动日益增长的挑战。基于模型的光学近距离校正（OPC）和逆光刻技术（ILT）仍是必不可少的，但计算成本高昂，需要重复求解仿真限制了可扩展性。虽然深度学习已应用于掩码优化，但现有数据集常依赖合成布局，忽视标准单元层次结构，并忽略掩码优化目标周围的上下文，从而限制了其在实际掩码优化中的适用性。为推进面向单元和上下文感知的掩码优化的深度学习研究，本文提出了 MaskOpt 数据集，源自 45nm 节点实际 IC 设计构建的大规模基准数据集。MaskOpt 包含 104,714 个金属层瓦片和 121,952 个通孔层瓦片。每个瓦片按标准单元布局裁剪，以保留单元信息，利用逻辑门重复出现的情况。MaskOpt 支持不同的上下文窗口大小，以捕捉光学近距离效应中相邻形状的影响。我们对最先进的深度学习模型进行 IC 掩码优化评估以构建基准，评估结果揭示了基线模型之间的不同权衡。进一步的上下文大小分析和输入消融研究确认了周围几何形状和单元感知输入在实现准确掩码生成中的重要性。
引用
@article{arxiv.2512.20655,
title = {MaskOpt: A Large-Scale Mask Optimization Dataset to Advance AI in Integrated Circuit Manufacturing},
author = {Yuting Hu and Lei Zhuang and Hua Xiang and Jinjun Xiong and Gi-Joon Nam},
journal= {arXiv preprint arXiv:2512.20655},
year = {2025}
}