A system for using machine-learning to create a model for performing
integrated circuit layout extraction is disclosed. The system of the
present invention has two main phases: model creation and model
application. The model creation phase comprises creating one or more
extraction models using machine-learning techniques. First, a complex
extraction problem is decomposed into smaller simpler extraction problems.
Then, each smaller extraction problem is then analyzed to identify a set
of physical parameters that fully define the smaller extraction problem.
Next, models are created using machine learning techniques for all of the
smaller simpler extraction problems. The machine learning is performed by
first creating training data sets composed of the identified parameters
from typical examples of the smaller extraction problem and the answers to
those example extraction problems as solved using a highly accurate
physics-based field solver. The system them uses the created training sets
to train neural networks that will be used to model the extraction
problems. Bayesian inference is used to train the neural networks models.
Bayesian inference may be implemented with normal Monte Carlo techniques
or Hybrid Monte Carlo techniques. After the creation of a set of models
for each of the smaller simpler extraction problems, the machine-learning
based models may be used for extraction.
Un sistema para usar ma'quina-aprender crear un modelo para realizar la extracción de la disposición de circuito integrado se divulga. El sistema de la actual invención tiene dos fases principales: uso modelo de la creación y del modelo. La fase modelo de la creación abarca crear unos o más modelos de la extracción usando técnicas ma'quina-que aprenden. Primero, un problema complejo de la extracción se descompone en problemas más simples más pequeños de la extracción. Entonces, cada problema más pequeño de la extracción entonces se analiza para identificar un sistema de los parámetros físicos que definen completamente el problema más pequeño de la extracción. Después, se crean los modelos usando las técnicas el aprender de máquina para todos los problemas más simples más pequeños de la extracción. El aprender de máquina es realizado por los primeros modems del entrenamiento que crean integrados por los parámetros identificados de ejemplos típicos del problema más pequeño de la extracción y de las respuestas a esos problemas de la extracción del ejemplo según lo solucionado usando a un solver fi'sica-basado altamente exacto del campo. El sistema ellos aplicaciones que el entrenamiento creado fija para entrenar a las redes de los nervios que serán utilizadas para modelar los problemas de la extracción. La inferencia bayesian se utiliza para entrenar a los modelos de las redes de los nervios. La inferencia bayesian se puede poner en ejecucio'n con las técnicas normales de Monte Carlo o las técnicas híbridas de Monte Carlo. Después de que la creación de un sistema de los modelos para cada uno de los problemas más simples más pequeños de la extracción, los modelos basados ma'quina-que aprenden se pueda utilizar para la extracción.
