半导体器件的布局方法、装置、可读存储介质、终端制造方法及图纸

一种半导体器件的布局方法、装置、可读存储介质、终端，所述方法包括：确定多个半导体器件的端口信息以及各个待连接端口的初始坐标；采用各个待连接端口的序号、初始坐标、待连接的对方端口的序号作为节点信息，利用第一卷积神经网络模型输出所述各个待连接端口的特征向量矩阵；利用第二卷积神经网络模型输出所述特征向量作为均值向量；以及，利用第三卷积神经网络模型输出所述特征向量的方差向量；采用所述均值向量和所述方差向量构建正态分布，并采样得到每个待连接端口的采样坐标信息；基于所述采样坐标信息、所述布局区域范围的关系和DRC检测，形成第一目标布局。本发明专利技术可以提供更高质量的布局基础。高质量的布局基础。高质量的布局基础。

【技术实现步骤摘要】
半导体器件的布局方法、装置、可读存储介质、终端


[0001]本专利技术涉及半导体器件
，尤其涉及一种半导体器件的布局方法、装置、可读存储介质、终端。

技术介绍

[0002]随着集成化程度的提高，集成电路设计的复杂度也随之增加，布局作为其中的重要环节，不仅会影响后续的绕线质量，更对整个半导体器件的性能优化起到重要作用。
[0003]在现有的布局技术中，采用布局工具确定半导体器件的各个端口的坐标，然后放置半导体器件，并通过人工检查确定调整。
[0004]然而，上述半导体器件的布局准确性有待提高。

技术实现思路

[0005]本专利技术解决的技术问题是提供一种半导体器件的布局方法、装置、可读存储介质、终端，可以提高器件布局的聚类效果以及半导体器件的端口坐标信息的准确性，从而提供更高质量的布局基础。
[0006]为解决上述技术问题，本专利技术实施例提供一种半导体器件的布局方法，包括：步骤A：确定多个半导体器件的端口信息以及各个待连接端口的初始坐标，其中，所述端口信息包含所述半导体器件之间成对的待连接端口的序号以及各个半导体器件的各个端口的布局区域范围；步骤B：采用各个待连接端口的序号、初始坐标、待连接的对方端口的序号作为节点信息，利用第一卷积神经网络模型输出所述各个待连接端口的特征向量矩阵；步骤C：利用第二卷积神经网络模型输出所述特征向量作为均值向量；以及，利用第三卷积神经网络模型输出所述特征向量的方差向量；步骤D：采用所述均值向量和所述方差向量构建正态分布，并采样得到每个待连接端口的采样坐标信息；步骤E：基于所述采样坐标信息、所述布局区域范围的关系和DRC检测，形成第一目标布局。
[0007]可选的，所述方法还包括：如果各个待连接端口的采样坐标信息均位于所述布局区域范围内，则形成所述半导体器件的至少一个当前版布局，并对所述当前版布局进行DRC检测；如果所述当前版布局的DRC检测分数不小于预设分数，则将所述当前版布局作为第一目标布局。
[0008]可选的，所述基于所述采样坐标信息、所述布局区域范围的关系和DRC检测，形成第一目标布局还包括：如果存在待连接端口的采样坐标信息超出所述布局区域范围，或者当前版布局的DRC检测分数小于所述预设分数，则更新所述第一卷积神经网络中的权重矩阵，返回执行步骤B至步骤E。
[0009]可选的，更新所述第一卷积神经网络中的权重矩阵包括：基于所述权重矩阵，构建损失函数；采用迭代算法，对所述权重矩阵进行优化，直至所述损失函数收敛，并以当前权重矩阵作为更新后的权重矩阵；采用所述更新后的权重矩阵作为所述第一卷积神经网络中的第一层的权重矩阵。
[0010]可选的，采用下述损失函数：
[0011][0012]r(W)＝p
W
(a|s)/p
W_old
(a|s)
[0013]其中，W用于表示更新后的权重矩阵，Loss
CLIP
(W)用于表示损失函数，r(W)用于表示采用基于更新后的权重矩阵得到的第一卷积神经网络的采样概率与采用基于更新前的权重矩阵得到的第一卷积神经网络的采样概率之间的比值，p
W
(a|s)用于表示采用基于更新后的权重矩阵得到的第一卷积神经网络的采样概率，p
W_old
(a|s)用于表示采用基于更新前的权重矩阵得到的第一卷积神经网络的采样概率，a用于表示是否进行采样，s用于表示提取的特征向量与邻接矩阵，a|s用于表示在条件s下采样得到a的概率值，用于表示对得到的向量进行平均运算得到的平均值，用于表示DRC检测分数，clip(r(W),1
‑
ε,1+ε)用于表示限制幅度函数，即当r(W)大于等于1+ε时取值为1+ε，当r(W)小于等于1
‑
ε时取值为1
‑
ε，ε用于表示预设常量，min()用于表示最小值函数。
[0014]可选的，确定多个半导体器件的端口信息包括：在网表NETLIST文件中获取所述半导体器件的端口之间的连接关系；根据所述端口之间的连接关系确定各个待连接端口，以及确定成对的待连接端口的序号。
[0015]可选的，所述第一卷积神经网络为图卷积神经网络；采用各个待连接端口的序号、初始坐标、待连接的对方端口的序号作为节点信息，利用第一卷积神经网络模型输出所述各个待连接端口的特征向量矩阵包括：采用各个待连接端口的序号、初始坐标、待连接的对方端口的序号作为节点信息，构建特征矩阵以及邻接矩阵；将所述特征矩阵以及邻接矩阵输入所述第一卷积神经网络，输出所述各个待连接端口的特征向量矩阵。
[0016]可选的，所述第一卷积神经网络采用softplus函数作为激活函数。
[0017]可选的，采用下述公式表示所述第一卷积神经网络的层特征传播公式，其中，所述特征向量矩阵由经过所述第一卷积神经网络的最后一层输出的特征向量构成：
[0018][0019][0020]其中，A用于表示邻接矩阵，I用于表示单位矩阵，用于表示的度矩阵，用于表示对所述邻接矩阵A的归一化处理，H
(l)
用于表示第l层的特征矩阵，H
(l+1)
用于表示第l+1层的特征矩阵，W
(l)
用于表示第l层的权重矩阵，σ()用于表示激活函数。
[0021]可选的，所述第二卷积神经网络采用Tanh函数作为激活函数；利用第二卷积神经网络模型输出所述特征向量作为均值向量包括：将所述特征向量矩阵输入所述第二卷积神经网络，并以最后一层输出的n个第一特征向量分别作为各个待连接端口的均值向量；其中，n用于表示所述待连接端口的数量。
[0022]可选的，所述第三卷积神经网络采用Softplus函数作为激活函数；利用第三卷积神经网络模型输出所述特征向量的方差向量包括：将所述特征向量矩阵输入所述第三卷积神经网络，并以最后一层输出的n个第二特征向量分别作为各个待连接端口的方差向量；其中，n用于表示所述待连接端口的数量。
[0023]可选的，利用第二卷积神经网络模型输出所述特征向量作为均值向量；以及，利用第三卷积神经网络模型输出所述特征向量的方差向量包括：利用第二神经网络模型分别得到各个待连接端口的横坐标的均值向量以及纵坐标的均值向量；利用第三神经网络模型分别得到各个待连接端口的横坐标的方差向量以及纵坐标的方差向量。
[0024]可选的，采用所述均值向量和所述方差向量构建正态分布，并采样得到各个待连接端口的采样坐标信息包括：采用各个待连接端口的横坐标的均值向量和方差向量构建第一正态分布，然后对所述第一正态分布进行采样，以分别得到各个待连接端口的横坐标，所述第一正态分布为n维正态分布；采用各个待连接端口的纵坐标的均值向量和方差向量构建第二正态分布，然后对所述第二正态分布进行采样，以分别得到各个待连接端口的纵坐标，所述第二正态分布为n维正态分布；组合同一待连接端口的横坐标以及纵坐标，以作为该待连接端口的采样坐标信息；其中，每个待连接端口的采样坐标信息为一个或多个；n用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种半导体器件的布局方法，其特征在于，包括：步骤A：确定多个半导体器件的端口信息以及各个待连接端口的初始坐标，其中，所述端口信息包含所述半导体器件之间成对的待连接端口的序号以及各个半导体器件的各个端口的布局区域范围；步骤B：采用各个待连接端口的序号、初始坐标、待连接的对方端口的序号作为节点信息，利用第一卷积神经网络模型输出所述各个待连接端口的特征向量矩阵；步骤C：利用第二卷积神经网络模型输出所述特征向量作为均值向量；以及，利用第三卷积神经网络模型输出所述特征向量的方差向量；步骤D：采用所述均值向量和所述方差向量构建正态分布，并采样得到每个待连接端口的采样坐标信息；步骤E：基于所述采样坐标信息、所述布局区域范围的关系和DRC检测，形成第一目标布局。2.根据权利要求1所述的半导体器件的布局方法，其特征在于，所述基于所述采样坐标信息、所述布局区域范围的关系和DRC检测，形成第一目标布局包括：如果各个待连接端口的采样坐标信息均位于所述布局区域范围内，则形成所述半导体器件的至少一个当前版布局，并对所述当前版布局进行DRC检测；如果所述当前版布局的DRC检测分数不小于预设分数，则将所述当前版布局作为第一目标布局。3.根据权利要求1或2所述的半导体器件的布局方法，其特征在于，所述方法还包括：如果存在待连接端口的采样坐标信息超出所述布局区域范围，或者当前版布局的DRC检测分数小于预设分数，则更新所述第一卷积神经网络中的权重矩阵，返回执行步骤B至步骤E。4.根据权利要求3所述的半导体器件的布局方法，其特征在于，更新所述第一卷积神经网络中的权重矩阵包括：基于所述权重矩阵，构建损失函数；采用迭代算法，对所述权重矩阵进行优化，直至所述损失函数收敛，并以当前权重矩阵作为更新后的权重矩阵；采用所述更新后的权重矩阵作为所述第一卷积神经网络中的第一层的权重矩阵。5.根据权利要求4所述的半导体器件的布局方法，其特征在于，采用下述损失函数：r(W)＝p
W
(a|s)/p
W_old
(a|s)其中，W用于表示更新后的权重矩阵，Loss
CLIP
(W)用于表示损失函数，r(W)用于表示采用基于更新后的权重矩阵得到的第一卷积神经网络的采样概率与采用基于更新前的权重矩阵得到的第一卷积神经网络的采样概率之间的比值，p
W
(a|s)用于表示采用基于更新后的权重矩阵得到的第一卷积神经网络的采样概率，p
W_old
(a|s)用于表示采用基于更新前的权重矩阵得到的第一卷积神经网络的采样概率，a用于表示是否进行采样，s用于表示提取的特征向量与邻接矩阵，a|s用于表示在条件s下采样得到a的概率值，用于表示对
得到的向量进行平均运算得到的平均值，用于表示DRC检测分数，clip(r(W),1
‑
ε,1+ε)用于表示限制幅度函数，即当r(W)大于等于1+ε时取值为1+ε，当r(W)小于等于1
‑
ε时取值为1
‑
ε，ε用于表示预设常量，min()用于表示最小值函数。6.根据权利要求1所述的半导体器件的布局方法，其特征在于，确定多个半导体器件的端口信息包括：在网表NETLIST文件中获取所述半导体器件的端口之间的连接关系；根据所述端口之间的连接关系确定各个待连接端口，以及确定成对的待连接端口的序号。7.根据权利要求1所述的半导体器件的布局方法，其特征在于，所述第一卷积神经网络为图卷积神经网络；采用各个待连接端口的序号、初始坐标、待连接的对方端口的序号作为节点信息，利用第一卷积神经网络模型输出所述各个待连接端口的特征向量矩阵包括：采用各个待连接端口的序号、初始坐标、待连接的对方端口的序号作为节点信息，构建特征矩阵以及邻接矩阵；将所述特征矩阵以及邻接矩阵输入所述第一卷积神经网络，输出所述各个待连接端口的特征向量矩阵。8.根据权利要求1所述的半导体器件的布局方法，其特征在于，所述第一卷积神经网络采用softplus函数作为激活函数。9.根据权利要求7或8所述的半导体器件的布局方法，其特征在于，采用下述公式表示所述第一卷积神经网络的层特征传播公式，其中，所述特征向量矩阵由经过所述第一卷积神经网络的最后一层输出的特征向量构成：征向量构成：其中，A用于表示邻接矩阵，I用于表示单位矩阵，用于表示的度...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：全智芯上海技术有限公司，
类型：发明
国别省市：