[论文解读] Bridging the Gap Between Layout Pattern Sampling and Hotspot Detection via Batch Active Learning

Haoyu Yang, Shuhe Li+3 more|arXiv (Cornell University)|Jul 13, 2018

Advancements in Photolithography Techniques参考文献 26被引用 5

一句话总结

该论文提出了一种批量主动学习框架，联合优化版图图案采样与热点检测，将光刻仿真开销降低了80%，同时保持了近乎完美的检测准确率。通过迭代选择多样化、高不确定性的图案进行标注，并重新训练机器学习模型，该方法仅需传统方法17%的训练数据即可实现最先进性能。

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.

研究动机与目标

• 为解决由于大量光刻仿真导致的版图热点检测计算成本过高的问题。
• 通过联合优化两个过程，弥合版图图案采样与热点检测之间的差距。
• 在不牺牲检测准确率的前提下，减少所需光刻仿真的次数。
• 通过主动学习确保训练样本的多样性和信息量，从而提升模型泛化能力。
• 开发一种可扩展、交互式的框架，实现采样与模型训练的同步自适应。

提出的方法

• 采用批量主动学习同时选择多个高不确定性、多样化的版图图案，提升采样效率。
• 使用不确定性采样（US）和期望模型变化（EMC）识别最具有信息量的样本进行标注。
• 通过测量后验概率上的K-L散度引入多样性感知采样，避免过拟合。
• 维持一个交互式循环，每次标注一批样本后重新训练机器学习模型以提升性能。
• 采用不确定性与多样性相结合的混合策略，平衡模型置信度与泛化能力。
• 利用从所选片段中提取的代表性图案库，训练机器学习模型以实现热点检测。

实验结果

研究问题

• RQ1 批量主动学习是否能在保持高准确率的同时，减少版图热点检测中所需的光刻仿真次数？
• RQ2 与顺序方法相比，联合优化采样与模型训练在提升检测性能方面有何优势？
• RQ3 多样性感知采样在多大程度上可防止热点检测模型的过拟合？
• RQ4 与精确匹配和模糊匹配方法相比，所提出方法在准确率与仿真成本方面表现如何？
• RQ5 该框架在仅使用少量标注数据的情况下，能否在不同光刻技术（DUV与EUV）上实现良好泛化？

主要发现

• 所提方法在ICCAD基准测试中实现了98.91%的平均检测准确率，同时仅使用了全部版图片段的17%进行标注。
• 与需要标注超过95%片段的精确匹配方法相比，光刻仿真开销降低了80%以上。
• 在具有挑战性的ICCAD16-4测试用例中，模糊匹配方法准确率低于50%，而所提方法在极少标注下仍保持高准确率。
• 频域聚类与贪心采样方法性能显著较低，其中贪心采样仅达到50.12%的平均准确率。
• 该方法在准确率与效率方面均优于最先进模式匹配工具（如PM_exact），尤其在复杂设计中表现更优。
• 该框架在DUV与EUV光刻技术中均表现出鲁棒性，仅用少量训练数据即展现出强大的泛化能力。