[논문 리뷰] Bridging the Gap Between Layout Pattern Sampling and Hotspot Detection via Batch Active Learning

Haoyu Yang, Shuhe Li외 3명|arXiv (Cornell University)|2018. 07. 13.

Advancements in Photolithography Techniques참고 문헌 26인용 수 5

한 줄 요약

이 논문은 레이아웃 패턴 샘플링과 핫스팟 검출을 동시에 최적화하는 배치 주의적 학습 프레임워크를 제안하며, 레이아웃 리소그래피 시뮬레이션 오버헤드를 80% 감소시키면서도 거의 완벽한 검출 정확도를 유지한다. 반복적으로 다양하고 불확실한 패턴을 선별하여 레이블링하고, 기계학습 모델을 재학습시킴으로써 기존 방법에 비해 필요한 학습 데이터의 17%만으로도 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Layout hotpot detection is one of the main steps in modern VLSI design. A typical hotspot detection flow is extremely time consuming due to the computationally expensive mask optimization and lithographic simulation. Recent researches try to facilitate the procedure with a reduced flow including feature extraction, training set generation and hotspot detection, where feature extraction methods and hotspot detection engines are deeply studied. However, the performance of hotspot detectors relies highly on the quality of reference layout libraries which are costly to obtain and usually predetermined or randomly sampled in previous works. In this paper, we propose an active learning-based layout pattern sampling and hotspot detection flow, which simultaneously optimizes the machine learning model and the training set that aims to achieve similar or better hotspot detection performance with much smaller number of training instances. Experimental results show that our proposed method can significantly reduce lithography simulation overhead while attaining satisfactory detection accuracy on designs under both DUV and EUV lithography technologies.

연구 동기 및 목표

• 광범위한 리소그래피 시뮬레이션으로 인한 레이아웃 핫스팟 검출의 높은 계산 비용을 해결하기 위해.
• 레이아웃 패턴 샘플링과 핫스팟 검출 간 격차를 해소하기 위해 두 과정을 동시에 최적화함으로써.
• 검출 정확도를 훼손하지 않으면서도 필요한 리소그래피 시뮬레이션 수를 줄이기 위해.
• 주의적 학습을 통해 다양하고 정보가 풍부한 학습 샘플을 확보함으로써 모델의 일반화 능력을 향상시키기 위해.
• 샘플링과 모델 학습을 동시에 조정할 수 있는 확장 가능하고 상호작용 가능한 프레임워크를 개발하기 위해.

제안 방법

• 다양한 불확실성 높은 레이아웃 패턴을 동시에 선택하여 샘플링 효율을 향상시키는 배치 주의적 학습을 사용한다.
• 가장 정보가 풍부한 샘플을 식별하기 위해 불확실성 샘플링(US)과 기대 모델 변화(EMC)를 활용한다.
• 후행 확률의 K-L 발산을 측정하여 다양성 인식 샘플링을 도입함으로써 과적합을 방지한다.
• 기계학습 모델을 각 배치의 레이블링 샘플 이후에 재학습시켜 성능을 향상시키는 상호작용 루프를 유지한다.
• 모델 신뢰도와 일반화 능력을 균형 있게 유지하기 위해 불확실성과 다양성을 조합한 하이브리드 전략을 적용한다.
• 선택된 클립에서 유도된 대표성 있는 패턴 라이브러리를 사용하여 핫스팟 검출을 위한 기계학습 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 배치 주의적 학습은 레이아웃 핫스팟 검출에서 필요한 리소그래피 시뮬레이션 수를 줄일 수 있는가? 동시에 높은 정확도를 유지할 수 있는가?
• RQ2 샘플링과 모델 학습을 동시에 최적화하는 것이 순차적 접근 방식에 비해 검출 성능을 어떻게 향상시키는가?
• RQ3 다양성 인식 샘플링은 핫스팟 검출 모델에서 과적합을 어느 정도 방지하는가?
• RQ4 정확도와 시뮬레이션 비용 측면에서 제안된 방법은 정확한 패턴 매칭 및 흐린 패턴 매칭과 어떻게 비교되는가?
• RQ5 제한된 레이블 데이터로도 DUV 및 EUV 리소그래피 기술 간에 일반화가 가능한가?

주요 결과

• 제안된 방법은 전체 레이아웃 클립의 17%만을 레이블링하여 ICCAD 벤치마크에서 평균 98.91%의 검출 정확도를 달성한다.
• 정확한 패턴 매칭에 비해 리소그래피 시뮬레이션 오버헤드가 80% 이상 감소하였으며, 정확한 매칭은 클립의 95% 이상을 레이블링이 필요로 한다.
• 어려운 ICCAD16-4 테스트 케이스에서 흐린 매칭 방법은 정확도가 50% 이하로 실패하는 반면, 제안된 방법은 최소한의 레이블링으로도 높은 정확도를 유지한다.
• 주파수 도메인 클러스터링과 게이지 샘플링 방법은 상당히 낮은 성능을 보이며, 특히 게이지 샘플링은 평균 정확도 50.12%에 그친다.
• 복잡한 설계에서 특히 정확도와 효율성 측면에서 최신 기술 수준의 패턴 매칭 도구(예: PM_exact)를 뛰어넘는 성능을 보인다.
• 한정된 학습 데이터로도 DUV 및 EUV 리소그래피 기술 간에 강력한 일반화 능력을 보이며, 프레임워크의 강인함을 입증한다.