基于深度学习的集成电路光刻版图热点检测技术研究
这是一篇关于超大规模集成电路,光刻版图热点检测,深度学习,数据不平衡,胶囊网络,应用系统集成的论文, 主要内容为随着超大规模电路尺寸不断缩减,芯片制造受到光刻可印刷技术限制,即光源波长与电路特征尺寸不匹配会引起光刻版图热点(包括:边角圆化、线端缩短、线宽偏差),这些热点模式将影响电路电学特性。传统基于光刻仿真、模式匹配和机器学习的光刻版图热点检测方法仍存在一定的局限性:1)仿真模型的搭建耗时严重,且受限于专家经验;2)未知热点模式造成热点库不完整,导致热点召回率低;3)基于机器学习算法的检测方法泛化性能低,且不同类别下样本数量分布不平衡问题会降低少样本类别检测识别的可靠性。为解决上述问题,本文以集成电路生产中的光刻版图为研究对象,结合图像处理和深度学习理论方法,分别从数据增强、模型优化、系统集成等角度,开展集成电路光刻版图热点检测研究。本文的主要工作归纳如下:针对热点样本和无热点样本不同类别样本数量分布不平衡的问题,开展基于混合数据增强模型和改进Goog Le Net模型的数据平衡方法研究。其中,混合数据增强模型结合几何变换和改进的生成对抗网络生成高质量辅助样本,Goog Le Net模型通过缩减尺寸和拆分卷积核结构改进Inception模块,增加模型提取特征多样性,并压缩计算耗时,最终提高热点检测精度。针对空间特征信息难以提取而造成检测准确率低的问题,在原始胶囊网络的基础上,引入残差网络和注意力机制网络思想,开展基于卷积块注意力机制的残差胶囊网络(CBAM-Res Caps Net)的光刻版图空间特征提取研究。其中,卷积块注意力机制使网络专注于任务关键信息,解决信息过载问题;残差模块有效避免深层网络模型训练中存在的梯度消失问题;胶囊网络利用胶囊矢量代替传统深度学习模型的神经元,以增强检测系统对版图空间特征的敏感性。针对传统Java开发软件系统存在的开发任务不明确、开发周期长等问题,开展基于Vue和Spring Boot框架的光刻版图热点检测软件研发,实现光刻版图数据预处理、检测分析等功能。其中,软件前端采用Vue渐进式框架,并结合现代化工具链和丰富第三方库,提高前端开发效率;软件后端采用Spring Boot框架,能够简化开发配置和规范开发流程,有效压缩开发周期。本文通过实验分析验证所提方法的有效性。结果表明,混合数据增强方法能够有效扩充热点样本,当热点样本和无热点样本比例为1:2时效果最佳,减少了数据不平衡对检测结果的影响;且改进的Goog Le Net模型与对比模型相比具有最高的召回率98.3%。针对现有模型难以提取空间特征问题,建立基于卷积块注意力机制的残差胶囊网络模型,相比于原始的胶囊网络模型,F1分数提升14.9%。在此基础上,搭建一套光刻版图热点检测原型验证软件,通过人机交互操作和测试,验证了所提检测模型的有效性和实用性。
基于深度学习的集成电路光刻版图热点检测技术研究
这是一篇关于超大规模集成电路,光刻版图热点检测,深度学习,数据不平衡,胶囊网络,应用系统集成的论文, 主要内容为随着超大规模电路尺寸不断缩减,芯片制造受到光刻可印刷技术限制,即光源波长与电路特征尺寸不匹配会引起光刻版图热点(包括:边角圆化、线端缩短、线宽偏差),这些热点模式将影响电路电学特性。传统基于光刻仿真、模式匹配和机器学习的光刻版图热点检测方法仍存在一定的局限性:1)仿真模型的搭建耗时严重,且受限于专家经验;2)未知热点模式造成热点库不完整,导致热点召回率低;3)基于机器学习算法的检测方法泛化性能低,且不同类别下样本数量分布不平衡问题会降低少样本类别检测识别的可靠性。为解决上述问题,本文以集成电路生产中的光刻版图为研究对象,结合图像处理和深度学习理论方法,分别从数据增强、模型优化、系统集成等角度,开展集成电路光刻版图热点检测研究。本文的主要工作归纳如下:针对热点样本和无热点样本不同类别样本数量分布不平衡的问题,开展基于混合数据增强模型和改进Goog Le Net模型的数据平衡方法研究。其中,混合数据增强模型结合几何变换和改进的生成对抗网络生成高质量辅助样本,Goog Le Net模型通过缩减尺寸和拆分卷积核结构改进Inception模块,增加模型提取特征多样性,并压缩计算耗时,最终提高热点检测精度。针对空间特征信息难以提取而造成检测准确率低的问题,在原始胶囊网络的基础上,引入残差网络和注意力机制网络思想,开展基于卷积块注意力机制的残差胶囊网络(CBAM-Res Caps Net)的光刻版图空间特征提取研究。其中,卷积块注意力机制使网络专注于任务关键信息,解决信息过载问题;残差模块有效避免深层网络模型训练中存在的梯度消失问题;胶囊网络利用胶囊矢量代替传统深度学习模型的神经元,以增强检测系统对版图空间特征的敏感性。针对传统Java开发软件系统存在的开发任务不明确、开发周期长等问题,开展基于Vue和Spring Boot框架的光刻版图热点检测软件研发,实现光刻版图数据预处理、检测分析等功能。其中,软件前端采用Vue渐进式框架,并结合现代化工具链和丰富第三方库,提高前端开发效率;软件后端采用Spring Boot框架,能够简化开发配置和规范开发流程,有效压缩开发周期。本文通过实验分析验证所提方法的有效性。结果表明,混合数据增强方法能够有效扩充热点样本,当热点样本和无热点样本比例为1:2时效果最佳,减少了数据不平衡对检测结果的影响;且改进的Goog Le Net模型与对比模型相比具有最高的召回率98.3%。针对现有模型难以提取空间特征问题,建立基于卷积块注意力机制的残差胶囊网络模型,相比于原始的胶囊网络模型,F1分数提升14.9%。在此基础上,搭建一套光刻版图热点检测原型验证软件,通过人机交互操作和测试,验证了所提检测模型的有效性和实用性。
基于深度学习的集成电路光刻版图热点检测技术研究
这是一篇关于超大规模集成电路,光刻版图热点检测,深度学习,数据不平衡,胶囊网络,应用系统集成的论文, 主要内容为随着超大规模电路尺寸不断缩减,芯片制造受到光刻可印刷技术限制,即光源波长与电路特征尺寸不匹配会引起光刻版图热点(包括:边角圆化、线端缩短、线宽偏差),这些热点模式将影响电路电学特性。传统基于光刻仿真、模式匹配和机器学习的光刻版图热点检测方法仍存在一定的局限性:1)仿真模型的搭建耗时严重,且受限于专家经验;2)未知热点模式造成热点库不完整,导致热点召回率低;3)基于机器学习算法的检测方法泛化性能低,且不同类别下样本数量分布不平衡问题会降低少样本类别检测识别的可靠性。为解决上述问题,本文以集成电路生产中的光刻版图为研究对象,结合图像处理和深度学习理论方法,分别从数据增强、模型优化、系统集成等角度,开展集成电路光刻版图热点检测研究。本文的主要工作归纳如下:针对热点样本和无热点样本不同类别样本数量分布不平衡的问题,开展基于混合数据增强模型和改进Goog Le Net模型的数据平衡方法研究。其中,混合数据增强模型结合几何变换和改进的生成对抗网络生成高质量辅助样本,Goog Le Net模型通过缩减尺寸和拆分卷积核结构改进Inception模块,增加模型提取特征多样性,并压缩计算耗时,最终提高热点检测精度。针对空间特征信息难以提取而造成检测准确率低的问题,在原始胶囊网络的基础上,引入残差网络和注意力机制网络思想,开展基于卷积块注意力机制的残差胶囊网络(CBAM-Res Caps Net)的光刻版图空间特征提取研究。其中,卷积块注意力机制使网络专注于任务关键信息,解决信息过载问题;残差模块有效避免深层网络模型训练中存在的梯度消失问题;胶囊网络利用胶囊矢量代替传统深度学习模型的神经元,以增强检测系统对版图空间特征的敏感性。针对传统Java开发软件系统存在的开发任务不明确、开发周期长等问题,开展基于Vue和Spring Boot框架的光刻版图热点检测软件研发,实现光刻版图数据预处理、检测分析等功能。其中,软件前端采用Vue渐进式框架,并结合现代化工具链和丰富第三方库,提高前端开发效率;软件后端采用Spring Boot框架,能够简化开发配置和规范开发流程,有效压缩开发周期。本文通过实验分析验证所提方法的有效性。结果表明,混合数据增强方法能够有效扩充热点样本,当热点样本和无热点样本比例为1:2时效果最佳,减少了数据不平衡对检测结果的影响;且改进的Goog Le Net模型与对比模型相比具有最高的召回率98.3%。针对现有模型难以提取空间特征问题,建立基于卷积块注意力机制的残差胶囊网络模型,相比于原始的胶囊网络模型,F1分数提升14.9%。在此基础上,搭建一套光刻版图热点检测原型验证软件,通过人机交互操作和测试,验证了所提检测模型的有效性和实用性。
基于深度学习的集成电路光刻版图热点检测技术研究
这是一篇关于超大规模集成电路,光刻版图热点检测,深度学习,数据不平衡,胶囊网络,应用系统集成的论文, 主要内容为随着超大规模电路尺寸不断缩减,芯片制造受到光刻可印刷技术限制,即光源波长与电路特征尺寸不匹配会引起光刻版图热点(包括:边角圆化、线端缩短、线宽偏差),这些热点模式将影响电路电学特性。传统基于光刻仿真、模式匹配和机器学习的光刻版图热点检测方法仍存在一定的局限性:1)仿真模型的搭建耗时严重,且受限于专家经验;2)未知热点模式造成热点库不完整,导致热点召回率低;3)基于机器学习算法的检测方法泛化性能低,且不同类别下样本数量分布不平衡问题会降低少样本类别检测识别的可靠性。为解决上述问题,本文以集成电路生产中的光刻版图为研究对象,结合图像处理和深度学习理论方法,分别从数据增强、模型优化、系统集成等角度,开展集成电路光刻版图热点检测研究。本文的主要工作归纳如下:针对热点样本和无热点样本不同类别样本数量分布不平衡的问题,开展基于混合数据增强模型和改进Goog Le Net模型的数据平衡方法研究。其中,混合数据增强模型结合几何变换和改进的生成对抗网络生成高质量辅助样本,Goog Le Net模型通过缩减尺寸和拆分卷积核结构改进Inception模块,增加模型提取特征多样性,并压缩计算耗时,最终提高热点检测精度。针对空间特征信息难以提取而造成检测准确率低的问题,在原始胶囊网络的基础上,引入残差网络和注意力机制网络思想,开展基于卷积块注意力机制的残差胶囊网络(CBAM-Res Caps Net)的光刻版图空间特征提取研究。其中,卷积块注意力机制使网络专注于任务关键信息,解决信息过载问题;残差模块有效避免深层网络模型训练中存在的梯度消失问题;胶囊网络利用胶囊矢量代替传统深度学习模型的神经元,以增强检测系统对版图空间特征的敏感性。针对传统Java开发软件系统存在的开发任务不明确、开发周期长等问题,开展基于Vue和Spring Boot框架的光刻版图热点检测软件研发,实现光刻版图数据预处理、检测分析等功能。其中,软件前端采用Vue渐进式框架,并结合现代化工具链和丰富第三方库,提高前端开发效率;软件后端采用Spring Boot框架,能够简化开发配置和规范开发流程,有效压缩开发周期。本文通过实验分析验证所提方法的有效性。结果表明,混合数据增强方法能够有效扩充热点样本,当热点样本和无热点样本比例为1:2时效果最佳,减少了数据不平衡对检测结果的影响;且改进的Goog Le Net模型与对比模型相比具有最高的召回率98.3%。针对现有模型难以提取空间特征问题,建立基于卷积块注意力机制的残差胶囊网络模型,相比于原始的胶囊网络模型,F1分数提升14.9%。在此基础上,搭建一套光刻版图热点检测原型验证软件,通过人机交互操作和测试,验证了所提检测模型的有效性和实用性。
基于深度学习的集成电路光刻版图热点检测技术研究
这是一篇关于超大规模集成电路,光刻版图热点检测,深度学习,数据不平衡,胶囊网络,应用系统集成的论文, 主要内容为随着超大规模电路尺寸不断缩减,芯片制造受到光刻可印刷技术限制,即光源波长与电路特征尺寸不匹配会引起光刻版图热点(包括:边角圆化、线端缩短、线宽偏差),这些热点模式将影响电路电学特性。传统基于光刻仿真、模式匹配和机器学习的光刻版图热点检测方法仍存在一定的局限性:1)仿真模型的搭建耗时严重,且受限于专家经验;2)未知热点模式造成热点库不完整,导致热点召回率低;3)基于机器学习算法的检测方法泛化性能低,且不同类别下样本数量分布不平衡问题会降低少样本类别检测识别的可靠性。为解决上述问题,本文以集成电路生产中的光刻版图为研究对象,结合图像处理和深度学习理论方法,分别从数据增强、模型优化、系统集成等角度,开展集成电路光刻版图热点检测研究。本文的主要工作归纳如下:针对热点样本和无热点样本不同类别样本数量分布不平衡的问题,开展基于混合数据增强模型和改进Goog Le Net模型的数据平衡方法研究。其中,混合数据增强模型结合几何变换和改进的生成对抗网络生成高质量辅助样本,Goog Le Net模型通过缩减尺寸和拆分卷积核结构改进Inception模块,增加模型提取特征多样性,并压缩计算耗时,最终提高热点检测精度。针对空间特征信息难以提取而造成检测准确率低的问题,在原始胶囊网络的基础上,引入残差网络和注意力机制网络思想,开展基于卷积块注意力机制的残差胶囊网络(CBAM-Res Caps Net)的光刻版图空间特征提取研究。其中,卷积块注意力机制使网络专注于任务关键信息,解决信息过载问题;残差模块有效避免深层网络模型训练中存在的梯度消失问题;胶囊网络利用胶囊矢量代替传统深度学习模型的神经元,以增强检测系统对版图空间特征的敏感性。针对传统Java开发软件系统存在的开发任务不明确、开发周期长等问题,开展基于Vue和Spring Boot框架的光刻版图热点检测软件研发,实现光刻版图数据预处理、检测分析等功能。其中,软件前端采用Vue渐进式框架,并结合现代化工具链和丰富第三方库,提高前端开发效率;软件后端采用Spring Boot框架,能够简化开发配置和规范开发流程,有效压缩开发周期。本文通过实验分析验证所提方法的有效性。结果表明,混合数据增强方法能够有效扩充热点样本,当热点样本和无热点样本比例为1:2时效果最佳,减少了数据不平衡对检测结果的影响;且改进的Goog Le Net模型与对比模型相比具有最高的召回率98.3%。针对现有模型难以提取空间特征问题,建立基于卷积块注意力机制的残差胶囊网络模型,相比于原始的胶囊网络模型,F1分数提升14.9%。在此基础上,搭建一套光刻版图热点检测原型验证软件,通过人机交互操作和测试,验证了所提检测模型的有效性和实用性。
具有PCIe接口的千兆以太网芯片设计与实现
这是一篇关于以太网协议,PCIe协议,远程唤醒,DMA控制器,超大规模集成电路的论文, 主要内容为在万物互联时代,网络通信是所有电子设备必不可少的功能。在网络传输芯片中,具有PCIe接口的千兆以太网芯片因其可以同时兼顾以太网络传输,以及与本地设备进行高速数据传输的功能,广泛运用在航空航天、工业控制等领域。为了应对在关键领域对国产化网卡芯片的需求,本文设计并实现了一种具有PCIe接口的千兆以太网芯片。本文所说明的具有PCIe接口的千兆以太网芯片在以太网侧支持十百千兆以太网速率,同时支持IEEE802.3以太网协议、IEEE802.1Q/p虚拟局域网协议以及远程唤醒功能;在PCIe侧支持PCIe1.1协议,并支持电源管理以及MSI中断能力。针对该芯片,本文使用ASIC设计方法对芯片分别进行架构设计、关键模块设计、系统验证以及系统实现,并对每一步进行具体说明。在架构设计方面,本文将芯片划分为数据通路与控制通路,并设计了正常工作与休眠工作两种工作模式。在正常工作模式下,网卡芯片通过数据通路中的DMA模块将以太网数据在PCIe系统与网卡芯片中搬运以实现数据传输功能,并可以在控制通路的控制下切换到休眠工作模式;在休眠工作模式下,网卡芯片通过控制通路,使用基于Cortex M3的软硬件协同方式关闭片上时钟,并等待远程报文唤醒或PCIe系统主动唤醒进入正常工作模式。随后,本文针对网卡架构中数据通路与控制通路中的关键模块的详细设计进行说明。数据通路中设计了高度并行化的适用于PCIe总线的DMA与支持Qo S功能的片上暂存空间,控制通路中设计了配置通路与时钟生成模块。同时,本文还对网卡芯片各模块进行集成,并搭建基于UVM的验证平台对RTL级电路进行功能验证:构造了数据接收、数据发送与数据回环激励,以验证数据通路的正确性;构造了工作状态切换与远程唤醒激励,以验证控制通路的正确性。最后,本文还说明了网卡芯片基于130nm工艺的实现工作,具体说明了芯片的逻辑综合与sdc约束编写,后端实现中的Floor Plan与时钟树设计与实现,以及包括静态时序分析与后仿真在内的signoff工作。实现后的芯片面积为14.44mm2,同时通过各阶段的报告说明了芯片实现的正确性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码港湾 ，原文地址：https://bishedaima.com/lunwen/52262.html
