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 training sets are then used to train the
models. In one embodiment, neural networks are used to model the
extraction problems. Bayesian inference is employed by one embodiment in
order to train the neural network 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.
Ένα σύστημα για την μηχανή-εκμάθηση να δημιουργείται ένα πρότυπο για την εκτέλεση της εξαγωγής σχεδιαγράμματος ολοκληρωμένων κυκλωμάτων αποκαλύπτεται. Το σύστημα της παρούσας εφεύρεσης έχει δύο κύριες φάσεις: πρότυπη δημιουργία και πρότυπη εφαρμογή. Η πρότυπη φάση δημιουργίας περιλαμβάνει τη δημιουργία ενός ή περισσότερων προτύπων εξαγωγής χρησιμοποιώντας τις τεχνικές μηχανή-εκμάθησης. Κατ' αρχάς, ένα σύνθετο πρόβλημα εξαγωγής αποσυντίθεται στα μικρότερα απλούστερα προβλήματα εξαγωγής. Κατόπιν, κάθε μικρότερο πρόβλημα εξαγωγής αναλύεται έπειτα για να προσδιορίσει ένα σύνολο φυσικών παραμέτρων που καθορίζουν πλήρως το μικρότερο πρόβλημα εξαγωγής. Έπειτα, τα πρότυπα δημιουργούνται χρησιμοποιώντας τις τεχνικές εκμάθησης μηχανών για όλα τα μικρότερα απλούστερα προβλήματα εξαγωγής. Η εκμάθηση μηχανών εκτελείται με πρώτα να δημιουργήσει τα σύνολα στοιχείων κατάρτισης που αποτελούνται από τις προσδιορισμένες παραμέτρους από τα χαρακτηριστικά παραδείγματα του μικρότερου προβλήματος εξαγωγής και τις απαντήσεις σε εκείνα τα προβλήματα εξαγωγής παραδείγματος ως λύνει χρησιμοποιώντας ιδιαίτερα ακριβές φυσική-βασισμένο στον solver τομέων. Τα σύνολα κατάρτισης χρησιμοποιούνται έπειτα για να εκπαιδεύσουν τα πρότυπα. Σε μια ενσωμάτωση, τα νευρικά δίκτυα χρησιμοποιούνται για να διαμορφώσουν τα προβλήματα εξαγωγής. Το Μπεϋζιανό συμπέρασμα υιοθετείται από μια ενσωμάτωση προκειμένου να εκπαιδευθούν τα νευρικά πρότυπα δικτύων. Το Μπεϋζιανό συμπέρασμα μπορεί να εφαρμοστεί με τις κανονικές τεχνικές Monte Carlo ή τις υβριδικές τεχνικές Monte Carlo. Μετά από τη δημιουργία ενός συνόλου προτύπων για κάθε ένα από τα μικρότερα απλούστερα προβλήματα εξαγωγής, τα μηχανή-εκμάθηση βασισμένα πρότυπα μπορούν να χρησιμοποιηθούν για την εξαγωγή.
