CN110968982A 设计规则检查违规预测系统和方法 （台湾积体电路制造股份有限公司）

提供了用于在对布置布局执行路由之前预测布置布局中的系统设计规则检查(DRC)违规的预测电路。DRC违规预测电路接收与布置布局相关联的布置数据。DRC违规预测电路检查与布置与布置布局的多个区域相关联的数据，并且DRC违规预测电路可以逐个区域地检查布置布局的多个区域。DRC违规预测电路预测由于布置布局2预测由于所述布置布局的后续路由而在所述布置布局中是否存在一个或多个系统设通过设计规则检查(DRC)违规预测电路接收半导体电路设计通过所述设计规则检查违规预测电路检查与所述布置布局的多个区域中的每个区域3所述机器学习电路基于所述训练而开发多个路由拥挤模通过设计规则检查违规预测电路接收与布置布局相将与所述布置布局相关联的所述布置数据与存储在所述数据库中的所述多个路由拥基于将与所述布置布局相关联的所述布置数据与所述设计规则检查违规预测电路预测由于所述布置布局的后续路由而在所述布置布局中是4[0003]在路由布置布局之后，可以检查所得到的电子器件设计是否符合各种设计规则、设计规则检查(DRC)违规预测电路接收半导体电路设计的布置布局；通过所述设计规则检查违规预测电路预测由于所述布置布局的后续路由而在所述布置布局中是否存在一个或5[0011]图3B是示出根据一些实施例的响应于预测或确定存在DRC违规而增大单元之间的[0014]图6A是示出根据一些实施例的示例第一和第二电子器件设计中的原始DRC分布的[0015]图6B示出了根据一些实施例的相对于电子器件设计的原始DRC分布执行概率质量[0018]图8A是示出根据一些实施例的可以用作训练数据的可路由电子器件设计的实际[0019]图8B是示出根据一些实施例的可以用作训练数据的不可路由电子器件设计的实[0020]图9A至图9C是示出根据一些实施例的可以由DRC机器学习电路生成的接收器操作[0021]图10A和图10B是示出根据一些实施例的具有不同灵敏度的系统DRC违规预测的示[0022]图11A是示出根据一些实施例的可以从特定电子器件设计的原始DRC分布生成的[0024]图11C是示出根据一些实施例的通过将全局模型与图11B中所示的局部模型组合[0025]图11D是示出根据一些实施例的通过将全局模型与前三个最相似的局部模型组合[0027]图12B是示出根据一些实施例的图12A的流程图的网格区域检查和路由DRC检测的6描述了组件和布置的具体实施例或实例以简化本发明。当然这些仅是实例而不旨在限制。直接接触形成的实施例，并且也可以包括在第一部件和第二部件之间可以形成额外的部[0029]本文提供的实施例包括用于在对布置布局执行路由之前预测布置布局中的DRC违路由拥挤模式，并且DRC违规预测电路可以通过将布置布局的一个或多个区域与路由拥挤模式进行比较来预测特定布置布局中是否存在一个[0030]图1是示出根据本发明的一个或多个实施例的电子器件设计系统10的框图。电子7[0036]布置工具24生成对应于或以其他方式实现由合成工具22产生的一个或多个逻辑[0038]在一些实施例中，一些模拟电路和/或数字电路的几何形状可以根据与技术库相[0039]电子设计平台20可以对例如由布置工具24生成的设计执行时钟树合成(CTS)。在子设计平台20中以对从布置工具24接收的设计执行CTS。时钟树合成通常是指合成时钟树[0040]路由工具26产生由布置工具24提供的布局中的单元或几何形状之间的物理库、用于制造电子器件的半导体代工厂和/或用于制造电子器件以分配几何形状之间的互号频域分析)和/或直流(DC)分析(诸如非线性静态点计算)或在扫描电压、电流和/或参数何形状的位置和/或由布置工具24和/或路由工具26分配的几何形状之间的互连)是否满足8设计中DRC违规的存在和/或位置的数据)用于训练机器学习模型以基于新电子电路布置布局(例如，在执行路由之前)和过去的数据之间的相似性或偏差来预测或确定DRC违规的存[0045]路由拥挤去除平台30可以包括多个电子器件分析和/或设计工具，电子器件分析[0046]在一些实施例中，路由拥挤去除平台30包括DRC违规预测工具32和密度控制工具测或确定布置布局中的系统DRC违规的存在，并且调整或以其他方式提供对布置布局的一可以在执行路由之前从电子设计平台20接收布置布局，并且DRC违规预测工具32可以实现机器学习方法以例如基于过去的数据预测或确定布置布局中的系统DRC违规的存在，该过后电子器件设计中的DRC违规的数据)和接收的布置布局之间的相似性或偏差来预测或确规预测工具32接收与预测或确定的系统DRC违规相关联的位置或其他数据。密度控制工具34可以调整或推荐对布置布局进行调整，以基于预测或确定的系统DRC违规优化或改进布9100可以与图1中所示的路由拥挤去除平台30结合使用，并且可以包括图1中所示的路由拥平台20的布置工具24接收的布置布局中的系统违规预测电路132可以包括或者由计算机处理器执行，该计算机处理器配置为执行本文描[0052]DRC违规预测电路132可以通信地耦合到布置数据库102。DRC违规预测电路132可[0053]DRC违规预测电路132分析从布置数据库102检索的布置布局，以例如基于检索到的布置布局与过去的数据的比较或对通过机器学习模型(利用指示在执行路由之后电子器并且网格的每个单元或单位可以具有与布置布局的每个区电路110)来预测或确定布置布局中的系统DRC违规的存在，过去的数据指示在执行路由之实现以及基于样本数据(或训练数据)构建一个或多个模型以进行预测或决策的任何算法、[0057]DRC违规预测电路132和/或DRC机器学习电路110可以采用例如神经网络、深度学[0058]作为一个示例，DRC违规预测电路132和/或DRC机器学习电路110可以利用人工神经网络来开发、训练和/或更新可以用于预测或确定布置布局中的DRC违规的存在的模型。输入层处提供的训练数据映射到输出层处的已知输出信息(例如，在执行路由之后的输入例如DRC机器学习电路110内或者可以由DRC机器学习电路11可以包括例如神经网络的神经元之间的加权连接信息)，神经网络可以在输出层处确定所统DRC违规的存在，并且在一些实施例中，DRC违规预测电路132可以至少部分地基于通过DRC机器学习电路110的训练开发或以其他方式学习的知识、推断等来做出一些预测或确数据库112可以存储在例如任何计算机可读存储介质中。系统DRC数据库112可以包括将系相邻网格单元或单位的分组)或布置子区域(例如，单个网格单元或单位)中的一个或多个来训练DRC机器学习电路110，该信息可以表示已经确定存在于实际电子器件设计中的DRC违规，并且可以基于存储在系统DRC数据库112中的信息来更新或修改包含在DRC机器学习包括标签的训练数据，DRC机器学习电路110和/或DRC违规预测电路132可以从标签的训练布局的区域或网格中的网络的数量、布置布局的区域或网格中的多个多高度单元的数量。发和/或通过训练过程存储在系统DRC数据库11布置布局相关联的一个或多个特征之间的关系，该一个或多个特征可以在统计上与DRC违[0070]可以使用整个布局网格(例如，在执行路由之后的整个布置布局，包括指示系统如通过余弦相似性已经识别出DRC违规的集群)，以产生一个或多个“局部”模型(参见图其中预测或确定发生多个邻近的DRC违规。集群网格可以表示一个或多个网格区域或具有以指示例如与一个或多个提取的特征、模式或模式模型相关联的系统DRC违规的高发生概[0073]在一些实施例中，DRC违规预测电路132和/或DRC机器学习电路110可以至少部分地基于系统DRC标记116来预测或确定特定布置布局或布局区域中的一个或多个系统DRC违[0074]再次参考图1，密度控制工具34可以基于在路由布置布局(例如通过路由工具26)之后布置布局中将存在的DRC违规的预测或确定的存在和/或位置来调整分析的布置布局。[0075]密度控制工具34可以例如增大布置布局的区域(其中预测或确定存在一个或多个[0076]图3A是示出布置布局的区域310的示意图，其中预测或以其他方式确定存在一个并且如果布置布局是例如通过路由工具26进行路由，则可以预测或确定布置布局的区域统100分析的布置布局的区域可以具有各种尺寸，并且可以包括任意数量的网格单位或网具34可以指示或以其他方式使电子设计平台20(例如，布置工具24)增大布置布局的单元[0081]在一些实施例中，路由拥挤去除平台30和/或DRC违规预测系统100可以基于布置计方法可以例如通过图1中示出并描述的电子设计平台20和路由由工具26可以通过在执行CTS之后在由布置工具24提供的布置布局中的单元或几何形状之学习模型，诸如由DRC违规预测电路132和/或DRC机器学习电路110实现以及可以至少部分括特征提取工具25，特征提取工具25提取与电子器件布局的一个或多个特征相关联的信提取工具25分析电子器件布局的多个区域并且提取与多个区域中的每个区域相关联的特具25可以实现为可操作以执行本文关于特征提取工具2[0090]图5是示出示例电子器件布局500的图，电子器件布局500可以由电子设计平台20[0092]特征提取工具25可以逐个区域地分析和提取来自电子器件布局500的特征，并且个第一区域501中的每个的特征，第一区域501可以是电子器件布局500的单独的网格单元施例中，特征提取工具25可以提取电子器件布局500的多个第三区域503中的每个的特征，501的特定区域集合中的每个的特征，并且还可以从围绕第一区域501的第二区域(诸如第提取的特征相关联的数据执行数据清理。数据清理可以包括对提取的特征数据的任何处DRC违规预测电路132和/或DRC机器学习电路110实现以及可以例如至少部分地存储在系统DRC数据库112和/或处理模式数据库114中的机器学习模型。414处的数据清除可以由路由[0095]在416处，分析在414处由数据清理处理的数据以确定数据(例如，提取的特征数据)是否表示用于训练模型的足够新的数据。例如，如果数据不同于已经存储在例如系统DRC数据库112和/或处理模式数据库114中的数据，则数据可以确定为表示足够新的数据。[0096]响应于在416处确定由数据清理清除的提取的特征数据表示用于训练模型的足够并且模型训练可以训练模型，该模型可以至少部分地存储在例如系统DRC数据库112和/或以存储用于预测布置布局中的一个或多个DRC违规的存在的多个机器学习模型，并且可以的一个或多个区域或子区域(例如，单个网格单元或相邻网格单元的分组)中的DRC违规的执行路由之前预测或确定在特定布置布局中是否存在一个由DRC违规预测电路132和/或DRC机器学习电路110预测或确定特定的布置布局中是否存在[0100]DRC违规预测电路132和/或DRC机器学习电路110可以通过在424处进行DRC推断来DRC机器学习电路110可以通过将从布置布局的每个区域提取并与布置布局的每个区域相定是否存在一个或多个系统DRC违规。如果预测布置布局的任何区域都没有系统DRC违规，[0103]在一些实施例中，路由拥挤去除平台30可以基于布置布局中的预测或确定的DRC确定的系统DRC违规，可以调整或以其他方式优化布置工具24用于生成或产生后续布置布[0104]图6A是示出第一电子器件设计610和第二电子器件设计620中的原始DRC分布的练机器学习模型，诸如由DRC违规预测电路132和/或DRC机器学习电路110实现以及可以至6A所示，第一电子器件设计610具有较少的DRC违规，而第二电子器件设计620具有更多的[0105]在第一和第二电子器件设计610、620中示出的原始DRC分布可以例如由验证工具[0107]图6B示出了相对于电子器件设计的原始DRC分布执行概率质量函数变换而得到的原始DRC分布、第二电子器件设计620中的原始DRC分布或者第一和第二电子器件设计610、[0108]通过对原始DRC分布数据执行概率质量函数变换，可以在训练学习模型时减少或因此概率指示在特定坐标处发生DRC违规的更高机会，从而减少来自较低概率位置(例如，在很少或不发生DRC违规)的噪声。概率质量函数变换映射650表示电子器件布局的各个位数据转换为系统DRC数据或系统DRC违规数据，系统DRC违规数据指示电子器件设计中存在量函数变换映射650中指示的概率与一个或多个阈值进行比较，以提供第一区域652和/或[0109]在一些实施例中，DRC机器学习电路110可以实现混合的全局和局部机器学习方个布置布局进行训练，并且可以用于预测或确定整个特定布置布局的DRC违规的存在和位[0110]图7A是示出训练设计710的实际DRC分布映射的图，训练设计710可以称为全局模位置可以包括或者基于具有相同布置布局的多个不同电子器件的DRC违规的位置(可以提供为训练数据以用于训练和生成训练设计710)。x轴和y轴可以指示训练设计710的距离的[0111]图7B是示出可以例如由DRC机器学习电路110从训练设计710生成的模式720式720，其中每个这样的模式720指示训练设计710的不同特征之间的关系。在一些实施例指示电子器件设计中和/或电子器件设计的一个或多机器学习电路110可以分析训练设计710并且可以使用余弦相似性以确定训练设计710的各局或通过比较布置布局的区域与路由拥挤模式720来执行预测或确定(例如，由DRC违规预局中的DRC违规的存在与和布置布局相关联的一个或多个特征之间的关系，该特征可以在的一个或多个特征中的每个可以在统计上与DRC违规的存在相关，该一个或多个特征中的[0115]图8A是示出电子器件设计810的实际DRC分布映射的图，电子器件设计810确定为图中所示的点表示。也就是说，点表示电子器件设计810内的特定DRC违规的地理位置(例[0116]图8B是示出电子器件设计820的实际DRC分布映射的图，电子器件设计820确定为且可以训练每个这样的分类器以预测布置布局中的一个或多个DRC违规的存在和/或布置[0119]可以通过在各种阈值设置下针对特定分类器绘制真阳性率(TPR)(y轴)与假阳性定分类器正确识别可路由布置布局的比率。假阳性率(FPR)是指特定分类器错误地将实际如，特定分类器和/或阈值设置(或ROC曲线中的特定曲线))是最可预测选择可路由性或不路110来选择产生关于DRC违规的最佳预测结果(例如，预测布置布局是可路由的还是不可[0121]一旦选择了产生最佳预测结果的分类器和/或每个分类器的特定阈值设置，就可以例如由DRC机器学习电路110和/或DRC违规预测电路132利用这样的分类器和/或特定阈[0122]在一些实施例中，系统DRC回归量可以用于基于概率质量函数变换训练用于预测此可以调整用于预测系统DRC违规的存在的灵敏度，并且在一些实施例中，可以基于系统[0123]可以基于概率质量函数变换(例如，图6B中所示的概率质量函数变换映射650)来如从概率质量函数变换映射650确定的)设置为等于或高于指示存在系统DRC违规的阈值来变换映射1110可以以与上面关于概率质量函数变换映射650描述的相同的方式生成(例如，它可以基于来自一个或多个电子器件设计的原始DRC分布(诸如图6A和图6B所示的原始DRC[0127]图11B至图11D是示出例如在路由电子器件设计之前预测特定电子器件设计的布预测或匹配系统DRC违规，系统DRC违规例如从实际电子器件设计的原始DRC分布的概率质DRC违规预测方法可以至少部分地由例如关于图1中示出和描述的路由拥挤去除平台30和/或由关于图2中示出和描述的DRC违规预测[0132]在1202处，从布置数据库(诸如DRC违规预测系统100的布置数据库102)接收与布可以与例如由电子设计平台20的布置工具24生成规预测电路132和/或DRC机器学习电路110预测或确定在布置布局的任何网格区域中是否[0137]图12B是示出图12A的流程图1200的网格区域检查(1204)和路由DRC检测(1206)的[0138]在1252处，例如通过DRC违规预测电路132和/或DRC机器学习电路110检查布置布[0139]在1254处，DRC违规预测电路132和/或DRC机器学习电路110在对布置布局执行路学习电路110检查布置布局的下一个区域。如果预测布置布局的区域中没有一个区域具有系统DRC集群。可以针对预测或确定具有一个或多个DRC违规的每个检查区域导出系统DRC导出的系统DRC集群的框或边界，同时最小化或以其他方式将边界框的区域限制到所识别[0143]响应于识别特定布置布局中的一个或多个预测的系统DRC集群，可以执行一个或例预测的路由违规(例如，系统DRC违规)的减少，可以显著减小物理半导体器件的芯片面[0147]根据一个实施例，系统设计规则检查(DRC)违规预测系统包括设计规则检查违规规则检查违规预测电路可以例如从布置布局数据库或从电子设计平台的布置工具接收布的后续路由而在布置布局中是否存在一个或多个系统挤模式相关联的所述信息预测在所述布置布局中是否存在一个或多个系统设计规则检查路由拥挤模式相关联的所述信息预测在所述布置布局中是否存在一个或多个系统设计规路由拥挤模式相关联的所述信息预测在所述布置布局中是否存在一个或多个系统设计规路由拥挤模式相关联的所述信息预测在所述布置布局中是否存在一个或多个系统设计规概率信息指示在所述多个路由拥挤模式中发生一个或多个系统设计规则检查违规的概率，路由拥挤模式相关联的所述信息预测在所述布置布局中是否存在一个或多个系统设计规概率信息指示在所述多个路由拥挤模式中发生一个或多个系统设计规则检查违规的概率，路由拥挤模式相关联的所述信息预测在所述布置布局中是否存在一个或多个系统设计规概率信息指示在所述多个路由拥挤模式中发生一个或多个系统设计规则检查违规的概率，机器学习电路在使用时，基于所述概率信息来识别处理模式中的系统设计规则检查集群，之间的余弦相似性来识别所述处理模式中的所述系路由拥挤模式相关联的所述信息预测在所述布置布局中是否存在一个或多个系统设计规概率信息指示在所述多个路由拥挤模式中发生一个或多个系统设计规则检查违规的概率，机器学习电路在使用时，基于所述概率信息来识别处理模式中的系统设计规则检查集群，规则检查集群来识别所述布置布局中的预测的系统设计路由拥挤模式相关联的所述信息预测在所述布置布局中是否存在一个或多个系统设计规概率信息指示在