基于深度学习的布局后布线违例预测方法及可读存储介质技术

本发明专利技术公开了一种基于深度学习的布局后布线违例预测方法及可读存储介质，包括：按照预设窗口对第一版图信息进行分割，以得到每个预设窗口对应的第一特征信息；根据第一特征信息得到每个第一特征信息对应的第一特征图像；根据同一预设窗口对应的所有第一特征图像得到第一五维张量图像；根据预设窗口得到对应的第一设计规则违反图像；得到训练完的第一网络模型；基于训练完的第一网络模型，得到第一训练模型；得到第二训练模型；得到最终训练模型；将待预测数据输入至最终训练模型得到预测结果。本发明专利技术在设计规则违反非常多的情况下可以及时的调整布局，可以指导布局优化，减少布线后的设计规则违反，优化布局布线流程。

【技术实现步骤摘要】
基于深度学习的布局后布线违例预测方法及可读存储介质
本专利技术属于集成电路
，具体涉及一种基于深度学习的布局后布线违例预测方法及可读存储介质。
技术介绍
21世纪以来，微电子领域技术不断发展，集成电路正在不断地向超大规模、极低功耗和超高速的方向发展。芯片特征尺寸已经达到了7纳米级并且还在不断的缩小。特征尺寸的下降使集成电路中的各种寄生效应越来越多，随着集成电路性能要求的提高，提出了更多的约束条件和设计规则，在完成布局后需要进行设计规则检查(DesignRuleCheck)。单位面积上更高的集成度，复杂的设计流程以及较长的设计周期，也对辅助设计软件提出了更高的要求，例如优化设计流程，提高设计效率以缩短设计时间，减少后续人工的修改工作量等。在更高的工艺节点下，根据全局布线的结果去指导详细布线出现的违规越来越多，需要手动修复DRV(设计规则检查的违反，DesignRuleViolation)，在违规严重的情况下甚至需要返回布局阶段修改，耗费大量的时间。目前针对设计规则违法预测这一相关技术，大部分都是使用文本数据进行预测，使用支持向量机(SupportVectormachines，SVM)、所属类别多元自适应回归样条(multivariateadaptiveregressionsplines，MARS)、卷积神经网络(ConvolutionalNeuralNets，CNN)等模型，将布局后的数据或全局布线后的数据特征作为输入，输出可布线性或者违规预测，预测单位是整个版图设计或者较少的布线网格(gcell)窗口。但是，目前的预测方法只能对违规进行预测，不能预测违规的详细位置，不能对违规进行精确的预测。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术提供了一种基于深度学习的布局后布线违例预测方法及可读存储介质。本专利技术要解决的技术问题通过以下技术方案实现：一种基于深度学习的布局后布线违例预测方法，包括：按照预设窗口对第一版图信息进行分割，以得到每个所述预设窗口对应的第一特征信息，所述第一特征信息包括拥塞、矩形线密度、宏模块和引脚密度；根据所述第一特征信息得到每个所述第一特征信息对应的第一特征图像，所述第一特征图像包括第一拥塞图像、第一矩形线密度图像、第一宏模块图像和第一引脚密度图像；根据同一所述预设窗口对应的所有所述第一特征图像得到第一五维张量图像；根据所述预设窗口得到对应的第一设计规则违反图像；将n1个所述第一五维张量图像和m1个所述第一设计规则违反图像输入至第一网络模型得到训练完的第一网络模型，其中，所述第一网络模型为由将全卷积神经网络模型最后的全连接层修改为反卷积层得到；基于训练完的第一网络模型，在第一层至第五层中的至少一层池化层后添加反卷积层，并将n1个所述第一五维张量图像和m1个所述第一设计规则违反图像输入至修改后的第一网络模型，以得到第一训练模型；将n2个所述第一五维张量图像和对应的m2个所述第一设计规则违反图像输入至所述第一训练模型得到第二训练模型；将第二版图信息对应的第二五维张量图像和第二设计规则违反图像输入至所述第二训练模型得到最终训练模型；将待预测数据输入至所述最终训练模型得到预测结果。在本专利技术的一个实施例中，按照预设窗口对第一版图信息进行分割，以得到每个所述预设窗口对应的若干第一特征信息，包括：获取所述第一版图信息；以a*b个布线网格将所述第一版图信息划分为若干与所述布线网格大小对应的窗口；基于a1*b1个所述布线网格，将所述第一版图信息分割为若干个预设窗口，其中，a1<a，b1<b；根据所述预设窗口得到所述第一特征信息。在本专利技术的一个实施例中，所述布线网格的长和宽均等于标准单元的高度。在本专利技术的一个实施例中，根据所述第一特征信息得到每个所述第一特征信息对应的第一特征图像，包括：将每个所述第一特征信息均转换为相同尺寸的所述第一特征图像，所述第一特征图像为多通道图像。在本专利技术的一个实施例中，根据同一所述预设窗口对应的所有所述第一特征图像得到第一五维张量图像，包括：将同一所述预设窗口对应的所述第一拥塞图像、所述第一矩形线密度图像、所述第一宏模块图像和所述第一引脚密度图像叠加成为第一三维图像；将若干所述第一三维图像转换为第一五维张量图像。在本专利技术的一个实施例中，根据所述预设窗口得到对应的第一设计规则违反图像，包括：获取所述第一版图信息的设计规则违反信息；将每个所述预设窗口对应的所述设计规则违反信息转换为所述第一设计规则违反图像，所述第一设计规则违反图像为掩码图。在本专利技术的一个实施例中，基于训练完的第一网络模型，在第一层至第五层中的至少一层池化层后添加反卷积层，并将n1个所述第一五维张量图像和m1个所述第一设计规则违反图像输入至修改后的第一网络模型，以得到第一训练模型，包括：基于训练完的第一网络模型，在第四层池化层后添加反卷积层，并将n1个所述第一五维张量图像和m1个所述第一设计规则违反图像输入至修改后的第一网络模型得到第二网络模型；基于第二网络模型，在第二层或第三层池化层后添加反卷积层，并将n1个所述第一五维张量图像和m1个所述第一设计规则违反图像输入至修改后的第二网络模型得到所述第一训练模型。在本专利技术的一个实施例中，将第二版图信息对应的第二特征信息和第二设计规则违反图像输入至所述第二训练模型得到最终训练模型，包括：获取所述第二版图信息；根据所述第二版图信息得到若干第二五维张量图像和若干第二设计规则违反图像；将所述第二五维张量图像和所述第二设计规则违反图像输入至所述第二训练模型，在损失曲线收敛时得到最终训练模型。在本专利技术的一个实施例中，所述待预测数据包括三维图像或五维张量图像。本专利技术同时提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。本专利技术的有益效果：本专利技术通过在布局后提取关键信息，从而不仅能够预测布线后会出现的设计规则违反，还能预测设计规则违反的详细位置，因此在设计规则违反非常多的情况下可以及时的调整布局，可以指导布局优化，减少布线后的设计规则违反，优化布局布线流程。以下将结合附图及实施例对本专利技术做进一步详细说明。附图说明图1是本专利技术实施例提供的一种基于深度学习的布局后布线违例预测方法的流程示意图；图2是本专利技术实施例提供的另一种基于深度学习的布局后布线违例预测方法的流程示意图；图3是本专利技术实施例提供的一种数据集生成过程的示意图；图4是本专利技术实施例提供的一种三维图像生成过程的示意图；图5是本专利技术实施例提供的一种模型输入数据的示意图；图6是本专利技术实施例提供的一种输出设计规则违例信息的示意图；图7是本专利技术实施例提供的一种计算机设备模块的示意图。具体实施方本文档来自技高网...

【技术保护点】
1.一种基于深度学习的布局后布线违例预测方法，其特征在于，包括：/n按照预设窗口对第一版图信息进行分割，以得到每个所述预设窗口对应的第一特征信息，所述第一特征信息包括拥塞、矩形线密度、宏模块和引脚密度；/n根据所述第一特征信息得到每个所述第一特征信息对应的第一特征图像，所述第一特征图像包括第一拥塞图像、第一矩形线密度图像、第一宏模块图像和第一引脚密度图像；/n根据同一所述预设窗口对应的所有所述第一特征图像得到第一五维张量图像；/n根据所述预设窗口得到对应的第一设计规则违反图像；/n将n

【技术特征摘要】
1.一种基于深度学习的布局后布线违例预测方法，其特征在于，包括：
按照预设窗口对第一版图信息进行分割，以得到每个所述预设窗口对应的第一特征信息，所述第一特征信息包括拥塞、矩形线密度、宏模块和引脚密度；
根据所述第一特征信息得到每个所述第一特征信息对应的第一特征图像，所述第一特征图像包括第一拥塞图像、第一矩形线密度图像、第一宏模块图像和第一引脚密度图像；
根据同一所述预设窗口对应的所有所述第一特征图像得到第一五维张量图像；
根据所述预设窗口得到对应的第一设计规则违反图像；
将n1个所述第一五维张量图像和m1个所述设计规则违反图像输入至第一网络模型得到训练完的第一网络模型，其中，所述第一网络模型为由将全卷积神经网络模型最后的全连接层修改为反卷积层得到；
基于训练完的第一网络模型，在第一层至第五层中的至少一层池化层后添加反卷积层，并将n1个所述第一五维张量图像和m1个所述第一设计规则违反图像输入至修改后的第一网络模型，以得到第一训练模型；
将n2个所述第一五维张量图像和对应的m2个所述第一设计规则违反图像输入至所述第一训练模型得到第二训练模型；
将第二版图信息对应的第二五维张量图像和第二设计规则违反图像输入至所述第二训练模型得到最终训练模型；
将待预测数据输入至所述最终训练模型得到预测结果。


2.根据权利要求1所述的布局后布线违例预测方法，其特征在于，按照预设窗口对第一版图信息进行分割，以得到每个所述预设窗口对应的若干第一特征信息，包括：
获取所述第一版图信息；
以a*b个布线网格将所述第一版图信息划分为若干与所述布线网格大小对应的窗口；
基于a1*b1个所述布线网格，将所述第一版图信息分割为若干个预设窗口，其中，a1<a，b1<b；
根据所述预设窗口得到所述第一特征信息。


3.根据权利要求2所述的布局后布线违例预测方法，其特征在于，所述布线网格的长和宽均等于标准单元的高度。


4.根据权利要求1所述的布局后布线违例预测方法，其特征在于，根据所述第一特征信息得到每个所述第一特征信息对应的第一特征图像，包括：
将每个所述第一特征信息均转换为相同尺寸的所述第一特征图像，所述第一特征图像为多通道图像。...

【专利技术属性】
技术研发人员：樊沁春，张曦，李楠，
申请(专利权)人：西安国微半导体有限公司，
类型：发明
国别省市：陕西;61