【技术实现步骤摘要】
本专利技术属于集成电路，具体是一种基于特征融合与残差注意力的半监督光刻热点检测方法。
技术介绍
1、集成电路的工艺节点随着半导体工艺的不断发展而持续缩小，光刻光源波长与集成电路特征尺寸之间的不匹配引发了可造成光刻成像畸变的光学邻近效应(ope)，严重影响了集成电路的制造良率。因此，原先光刻系统的分辨率无法缓解固有的光学邻近效应，这会导致晶圆成像的失真。为了提高成品率，各种分辨率增强技术(ret)已应用于该行业。然而，由于掩模设计不当或分辨率增强技术本身的局限性，电路版图的某些区域可能仍然会发生短路或开路等缺陷，这些区域称为光刻热点。因此，光刻热点的检测和加工是提高芯片制造成品率的重要措施。
2、光刻热点的检测方法包括：光刻模拟、模式匹配、机器学习、深度学习。其中，光刻模拟、模式匹配可以精准地检测光刻热点，但两者均需要消耗大量的时间和计算资源，从而延长了芯片的制造周期。机器学习通过数据驱动优化模型性能，无需依赖专家经验，在光刻版图热点检测领域应用广泛，主要从改进特征提取模型和检测分类模型两方面进行创新，提升检测精度。但仍存在一些局限性：特征提取过程操作频繁；由于光刻版图越来越复杂，检测模型的泛化能力较弱。与机器学习方法相比，深度学习省去了繁琐的手动特征提取过程，并且可以使用卷积神经网络自动提取图像特征。
3、传统的监督学习方法需要大量手动标记的数据进行训练，但在实际制造中，精准标记热点需要专业知识，且非常耗时耗力。相比之下，未标记的数据相当丰富，但它们没有被充分利用。基于半监督学习的方法则能够在有限的标记数
技术实现思路
1、本专利技术的目的是提供一种基于特征融合与残差注意力的半监督光刻热点检测方法，以解决现有方法尚未充分考虑光刻版图中不同类别样本数量分布不平衡，标记数据稀缺以及模型训练开销大的问题。
2、为了达到上述目的，本专利技术采用如下的技术方案：
3、一种基于特征融合与残差注意力的半监督光刻热点检测方法，包括以下步骤：
4、s1：将包含165016张图像的iccad 2012数据集作为总数据集，将训练数据集划分为有标签数据集和无标签数据集；将上述数据集进行数据压缩；
5、s2：将经过处理后的数据输入到特征融合模块，从初始多层次特征捕获多感受野多尺度特征，然后集成这些特征来强化初始多层次特征中的显著性特征信息；
6、s3：将经过融合的特征表示输入到分类、聚类网络中进行学习，通过复用残差模块，在加深整个网络的同时，由于短路连接的特性，可以实现更深的神经网络结构而减轻梯度消失问题，并采用不同的损失函数进行梯度反传更新网络参数，实现网络收敛；
7、s4：将步骤s1中得到的测试数据传入到步骤s2、步骤s3经过训练的网络中，得到光刻热点的分类结果。
8、进一步地，步骤s1中，将训练数据集划分为有标签数据集和无标签数据集包括从训练集中分别抽取比例为0.1、0.3、0.5、0.7、0.9、1.0的数据作为有标签数据，相应的余下数据作为无标签数据。
9、进一步地，步骤s1中，压缩数据包括将原始布局图像划分为n×n个子区域，并经过离散余弦函数转换为频域，公式如下：
10、
11、这里b是对原始布局图像进行划分的子区域的大小，(x,y)和(m,n)分别是原始布局图像和频域的索引。对每个子区域应用离散余弦变换，将空间域的图像转换为频域的离散余弦系数；从每个展开的向量中选取前k个元素，最终形成形状为n×n×k的特征张量。
12、进一步地，步骤s2中，特征融合模块包括构建基于inception的特征融合网络，使用1×1、3×3、5×5等不同大小的卷积核和池化层捕获不同尺度的特征，并采用分离卷积的方式对卷积核进行拆分，以减少参数量和计算成本。
13、进一步地，步骤s3中，分类、聚类网络包括构建基于cbam通道空间注意力机制的残差模块，该模块包括2层卷积以及一个跳跃连接；分类、聚类网络具有相同的网络结构，包括第一块7×7的卷积块用于对底层特征进行提取，第二块最大池化层用于降低空间维度、第三块残差模块以及第四块残差模块。分类网络采用交叉熵损失函数进行梯度的反向传播，公式如下：
14、
15、这里n是输入的样本总数，k模型的分类类别数，yi和分别是真实标签与模型预测值的独热编码，是由每个样本的权重，其中标记样本设置为1，无标记样本则是根据聚类网络提供的权重值，是根据每个类别的样本数量计算的权重。聚类网络根据kl散度提供的成对损失计算损失函数，kl散度是两个分布的相似性的度量，公式如下：
16、
17、这里k对应类别，与分别是样本xi，xj对应的softmax层的输出。最终的聚类网络损失函数如下：
18、
19、同时根据聚类网络计算的kl散度进一步得到无标记样本的权重，根据权重选出置信度高的无标记样本进入下一轮训练。
20、进一步地，还包括定义性能指标，通过该定义的性能指标对网络的优异进行评价。进一步地，定义的性能指标包括召回率(recall)、精确率(precision)、误报数(fa)、f1分数以及总体检测和仿真时间(odst)；召回率是在网络中能够正确的识别出热点的数量比上热点的总数量；精确率是正确预测的热点数量与预测热点总数的比值；误报数为通过模型预测为热点的实际非热点的数量；f1分数是统计学中用来衡量二分类模型精确度的一种指标，可以看作是模型精确率和召回率的加权平均。odst是模型检测为热点的布局图案的光刻仿真时间与学习模型评估时间的和，这里tev是模型的测试时间。公式如下：
21、odst＝tev+10s×fa
22、与现有技术相比，本方案原理及优势如下：
23、(1)、相对于传统的基于深度学习的光刻热点检测方法，本方案的基于特征融合与残差注意力的半监督光刻热点检测方法采用基于inception的特征融合网络可以有效地提取局部与全局特征，最后将特征进行融合以解决卷积神经网络(convolutional neuralnetwork,cnn)表征不足的问题。
24、(2)、本方法构建基于cbam通道空间注意力机制的残差模块以实现分类、聚类联合多任务网络，通过联合学习的分类和聚类模型执行分类任务，伪标签预测任务以及提供伪标签置信度。基于注意力的机制被广泛用于该框架，将热点检测任务与注意力机制相结合，实现在低误报的情况下最大限度的提高模型的准确率。
25、(3)、光刻热点的数量是远远少于光刻非热点的数量本文档来自技高网...
【技术保护点】
1.一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，步骤S1中，从训练集中分别抽取比例为0.1、0.3、0.5、0.7、0.9、1.0的数据作为有标签数据，相应的余下数据作为无标签数据。
3.根据权利要求2所述的一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，将处理后的数据集通过离散余弦变换进行压缩，将原始数据压缩成尺寸为12*12*32的特征表示，作为网络的输入。
4.根据权利要求1所述的一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，步骤S2中，将经过处理后的数据传入到基于Inception模块的特征融合网络中，使用不同大小的卷积核和池化层来捕获不同尺度的特征，并采用分离卷积的方式对上述卷积核进行拆分，以减少参数数量和计算成本。
5.根据权利要求1所述的一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，步骤S3中，将经过融合的特征表示传入到由分类、聚类网络组成的联
6.根据权利要求4所述的一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，在聚类流中，通过KL散度对无标签数据及相应的伪标签分配权重，再根据权重选择一定数量的置信度高的无标签数据与原始的有标签数据同步进入训练，通过逐步扩展训练数据集，并将置信度较高的无标签样本引入，模型能够从额外的信息中学习，并增强其表示和泛化能力，最终实现网络收敛。
7.根据权利要求1所述的一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，包括定义性能指标，通过该定义的性能指标对网络的优异进行评价；定义的性能指标包括光刻热点的召回率(recall)、误报数(FA)以及总体检测和仿真时间(ODST)；召回率为在网络中能够正确的识别出热点的数量比上热点的总数量；误报数为通过模型预测为热点的实际非热点的数量；ODST是模型检测为热点的布局图案的光刻仿真时间与学习模型评估时间的总和。
...【技术特征摘要】
1.一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，步骤s1中，从训练集中分别抽取比例为0.1、0.3、0.5、0.7、0.9、1.0的数据作为有标签数据，相应的余下数据作为无标签数据。
3.根据权利要求2所述的一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，将处理后的数据集通过离散余弦变换进行压缩，将原始数据压缩成尺寸为12*12*32的特征表示，作为网络的输入。
4.根据权利要求1所述的一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，步骤s2中，将经过处理后的数据传入到基于inception模块的特征融合网络中，使用不同大小的卷积核和池化层来捕获不同尺度的特征，并采用分离卷积的方式对上述卷积核进行拆分，以减少参数数量和计算成本。
5.根据权利要求1所述的一种基于特征融合与残差注意力的半监督光刻热点检测方法，其特征在于，步骤s3中，将经过融合的特征表示传入到由分类、聚类网络组...
【专利技术属性】
技术研发人员：徐辉，肖鑫忠，马瑞君，黄文馨，袁野，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。