电路设计的候选热点位置的基于机器学习的淘汰选择制造技术

一种方法(700)可以包括访问(702)电路设计的所制造的电路上的热点位置的输入数据集合(210)的步骤。该热点位置可以通过高精度成像过程从由低精度成像过程确定的电路设计的候选位置的集合中确认。该方法(700)还可以包括：将热点位置与电路设计的布局数据(240)相关联(704)，从布局数据(240)的光学邻近校正(OPC)片段中提取(706)热点位置的片段特征向量(250、410、510)，处理(708)片段特征向量(250、410、510)，提供(710)经处理的片段特征向量作为用于训练机器学习模型(610)的训练集。以及应用(712)机器学习模型(610)以对由低精度成像过程确定的候选位置的不同集合进行淘汰选择。汰选择。汰选择。

【技术实现步骤摘要】
【国外来华专利技术】电路设计的候选热点位置的基于机器学习的淘汰选择

技术介绍

[0001]例如集成电路等电子电路被用于现代社会的几乎每个方面，从汽车到微波到个人计算机等等。电路的设计可以涉及许多步骤，称为“设计流程”。设计流程的特定步骤通常取决于正被设计的电路的类型、其复杂性、设计团队以及将制造电路的电路制造商或代工厂。电子设计自动化(Electronic Design Automation，EDA)应用支持在制造之前对电路的设计和验证。EDA应用可以实施各种EDA过程，例如，功能、工具或特征，以在设计流程的各个阶段分析、测试或验证电路设计。
附图说明
[0002]在以下详细描述中参考附图描述了某些示例。
[0003]图1示出了支持候选热点位置的基于机器学习(Machine Learning，“ML”)的淘汰选择(down selection)的计算系统的示例。
[0004]图2示出了支持候选热点位置的基于ML的淘汰选择的特征向量提取的示例。
[0005]图3示出了由热点处理引擎从布局数据中确定热点片段和非热点片段以及相应的特征向量提取的示例。
[0006]图4示出了由支持候选热点位置的基于ML的淘汰选择的热点处理引擎对片段特征向量进行归一化和变换处理的示例。
[0007]图5示出了由热点处理引擎对片段特征向量进行数据平衡的示例。
[0008]图6示出了由ML模型应用引擎应用ML模型来淘汰选择候选热点位置的示例。
[0009]图7示出了系统可以实施以支持候选热点位置的基于ML的淘汰选择的逻辑的示例。
[0010]图8示出了支持候选热点位置的基于ML的淘汰选择的计算系统的示例。
具体实施方式
[0011]现代电路设计技术可以提供各种机制来检测在所制造的电路中可能出现的潜在缺陷或实际缺陷。对所制造的芯片的物理检查是检测实际出现的电路缺陷和电路热点的一种方法。如本文所用，“热点”可以指代电路中任何有缺陷的区域(例如，电路设计所不期望的未正确制造的电路部件或电路设计本身的瑕疵)。在所制造的电路晶片上，电路热点在本质上通常是复杂的，因为电路设计特性和制造工艺参数的变化可能导致电路缺陷由多个因素的组合而产生。
[0012]一些热点检测过程可能涉及使用多种类型的成像技术来检测所制造的晶片中的电路缺陷。这些多类型检查技术通常使用高通量成像过程，例如亮场检查(Bright Field Inspection，“BFI”)过程，以识别晶片的候选热点位置或电路缺陷。这样的高吞吐量成像过程可能是低精度的，因为返回的BFI输出可能具有高信噪比、较高程度的不确定性，并且具有90％或更高的假阳性率。此外，诸如BFI等的低精度成像过程可以输出数十万个或更多的候选热点位置，这可能需要进一步的调查以确认实际的热点。
Correction，“OPC”)片段中提取热点位置的片段特征向量，包括热点位置的热点片段特征向量和非热点片段特征向量。热点处理引擎110可以进一步处理片段特征向量，使得热点片段特征向量占片段特征向量中的特征向量的总数的阈值百分比，并且提供经处理的片段特征向量作为训练集，用于训练机器学习模型。在操作中，ML模型应用引擎112可以应用机器学习模型来淘汰选择由低精度成像过程确定的候选位置的不同集合。
[0020]下面将更详细地描述这些和其他基于ML的淘汰选择特征。特别地，参考图2至图5描述支持候选热点位置的基于ML的淘汰选择的示例热点处理特征，并且参考图6描述用于淘汰选择候选热点位置的示例ML模型应用特征。本文描述的许多示例分别使用BFI和SEM成像过程来呈现作为低精度和高精度成像过程的示例。然而，基于ML的淘汰选择特征不特别限于BFI或SEM，并且可以一致地应用于电路设计的任何类型的多类型缺陷验证。
[0021]图2示出了支持候选热点位置的基于ML的淘汰选择的特征向量提取的示例。图2中的示例是使用热点处理引擎110作为说明性实施方式示例来呈现的，尽管本文也设想了所描述特征的各种其他计算实施方式。
[0022]为了支持候选热点位置的基于ML的淘汰选择，热点处理引擎110可以访问热点数据并将其处理成用于机器学习模型的训练数据，该机器学习模型被配置为支持候选热点位置的淘汰选择。原始热点数据可能不是直接可以作为机器学习训练数据，例如作为基于图像的识别或用于检测这种原始图像的模糊模式匹配技术可能不能准确地或全面地识别潜在的电路热点(并且因此可能不足以作为训练集并限制使用这种原始数据训练的ML模型的分类、预测或淘汰选择能力)。然而，本文描述的热点处理特征可以提供各种相关、分析和平衡能力，以将EDA、电路或其他相关数据处理成训练集，通过该训练集可以以全芯片设计的提高的效率、准确性和覆盖率来实施基于ML的候选热点位置的淘汰选择。
[0023]在一些实施方式中，热点处理引擎110可以提取在电路设计的所制造的电路上实际检测到的热点(例如，缺陷)的代表性数据。一种这样的形式是提取特征向量，如本文更详细讨论的，热点处理引擎110可以从热点数据中提取该特征向量以捕获、表征或表示在所制造的电路上检测到的特定热点。在图2的示例中，热点处理引擎110可以访问输入数据集合210，该输入数据集合210可以包括在特定电路设计的所制造的电路220上检测到的热点位置。
[0024]输入数据集合210可以以任何数量的形式表示，并且可以基于用于识别所制造的电路220上的电路缺陷的特定成像或检测技术而变化。在一些示例中，所制造的电路220可以包括以特定工艺参数制造的一个或多个电路晶片或电路批次。所制造的电路220上的缺陷可以使用任何数量的电路成像技术(例如BFI技术、SEM技术或任何其他电路检查过程)来物理地检测。在这种情况下，热点位置可以在输入数据集合210中表示为位置标识符、电路坐标、捕获的图像数据(例如，以检测到的热点位置为中心)等。
[0025]在特定示例中，输入数据集合210的热点位置可以经由高精度成像过程(例如SEM检查)来确认或以其他方式验证。这种确认和验证可以从通过低精度成像过程(例如BFI)确定的候选热点位置来确定。如本文所使用的，低精度成像过程和高精度成像过程可以指组合使用以检测候选热点位置和来自候选热点位置的后续缺陷验证的任何电路热点检测过程。其意味着，低精度成像过程可以指用于检测(例如，在所制造的电路上的)候选热点位置的任何初始电路分析过程，而高精度成像过程可以指用于确认位于候选热点位置中的至少
一些候选热点位置处的实际电路缺陷的任何后续电路分析过程。
[0026]在这点上，输入数据集合210中的(例如经由SEM确认的)每个热点位置可以具有经由低精度成像技术(例如BFI)确定的相应候选位置。作为图2中所示的说明性示例，输入数据集合210包括被标记为热点位置1的热点位置的热点数据，热点位置1可以被检测并被表示为以热点位置1为中心的SEM图像230。在热点位置1的SEM图像230中检测到的特定电路缺陷可以是夹断(pinch)型缺陷。
[0027]热点处理引擎110本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：通过计算系统：访问(702)电路设计的所制造电路上的热点位置的输入数据集合(210)，其中，所述热点位置是通过高精度成像过程从由低精度成像过程确定的所述电路设计的候选位置的集合确定的；将所述热点位置与所述电路设计的布局数据(240)相关联(704)；从所述布局数据(240)的光学邻近校正(OPC)片段中提取(706)所述热点位置的片段特征向量(250、410、510)，包括所述热点位置的热点片段特征向量(251、411、511)和非热点片段特征向量(252、412、512)；处理(708)所述片段特征向量(250、410、510)，使得所述热点片段特征向量(251、411、511)占所述片段特征向量(250、410、510)中的特征向量的总数的阈值百分比；提供(710)经处理的片段特征向量作为用于训练机器学习模型(610)的训练集；以及应用(712)所述机器学习模型(610)以对由所述低精度成像过程确定的候选位置的不同集合进行淘汰选择。2.根据权利要求1所述的方法，其中，所述输入数据集合(210)还包括所述电路设计的非热点位置，并且所述方法还包括：将所述非热点位置与所述布局数据(240)相关联；以及从所述布局数据(240)中提取与所述非热点位置对应的非热点片段特征向量。3.根据权利要求1或2所述的方法，其中，提取包括：对于给定的热点位置，基于所述电路设计中所述给定热点位置的位置以及用于检测所制造的电路中所述给定热点位置的成像技术的不确定范围，确定用于所述布局数据(240)的提取窗口。4.根据权利要求1至3中任一项所述的方法，其中，提取还包括，对于所述给定热点：将距所述热点位置的阈值距离范围内的OPC片段确定为热点片段(320)；以及从所述热点片段(320)中提取所述给定热点位置的热点片段特征向量。5.根据权利要求4所述的方法，其中，提取还包括，对于所述给定热点：识别与所确定的所述热点片段(320)中的至少一个热点片段位于同一多边形上的不确定片段(330)；丢弃所述不确定片段(330)；将不...

【专利技术属性】
技术研发人员：马远升，洪乐，
申请(专利权)人：西门子工业软件有限公司，
类型：发明
国别省市：