[发明专利]基于深度学习的布局后布线违例预测方法及可读存储介质

说明书

本发明公开了一种基于深度学习的布局后布线违例预测方法及可读存储介质，包括：按照预设窗口对第一版图信息进行分割，以得到每个预设窗口对应的第一特征信息；根据第一特征信息得到每个第一特征信息对应的第一特征图像；根据同一预设窗口对应的所有第一特征图像得到第一五维张量图像；根据预设窗口得到对应的第一设计规则违反图像；得到训练完的第一网络模型；基于训练完的第一网络模型，得到第一训练模型；得到第二训练模型；得到最终训练模型；将待预测数据输入至最终训练模型得到预测结果。本发明在设计规则违反非常多的情况下可以及时的调整布局，可以指导布局优化，减少布线后的设计规则违反，优化布局布线流程。

技术领域

本发明属于集成电路技术领域，具体涉及一种基于深度学习的布局后布线违例预测方法及可读存储介质。

背景技术

21世纪以来，微电子领域技术不断发展，集成电路正在不断地向超大规模、极低功耗和超高速的方向发展。芯片特征尺寸已经达到了7纳米级并且还在不断的缩小。特征尺寸的下降使集成电路中的各种寄生效应越来越多，随着集成电路性能要求的提高，提出了更多的约束条件和设计规则，在完成布局后需要进行设计规则检查(Design Rule Check)。

单位面积上更高的集成度，复杂的设计流程以及较长的设计周期，也对辅助设计软件提出了更高的要求，例如优化设计流程，提高设计效率以缩短设计时间，减少后续人工的修改工作量等。在更高的工艺节点下，根据全局布线的结果去指导详细布线出现的违规越来越多，需要手动修复DRV(设计规则检查的违反，Design Rule Violation)，在违规严重的情况下甚至需要返回布局阶段修改，耗费大量的时间。

目前针对设计规则违法预测这一相关技术，大部分都是使用文本数据进行预测，使用支持向量机(Support Vector machines，SVM)、所属类别多元自适应回归样条(multivariate adaptive regression splines，MARS)、卷积神经网络(ConvolutionalNeural Nets，CNN)等模型，将布局后的数据或全局布线后的数据特征作为输入，输出可布线性或者违规预测，预测单位是整个版图设计或者较少的布线网格(gcell)窗口。

但是，目前的预测方法只能对违规进行预测，不能预测违规的详细位置，不能对违规进行精确的预测。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于深度学习的布局后布线违例预测方法及可读存储介质。本发明要解决的技术问题通过以下技术方案实现：

一种基于深度学习的布局后布线违例预测方法，包括：

按照预设窗口对第一版图信息进行分割，以得到每个所述预设窗口对应的第一特征信息，所述第一特征信息包括拥塞、矩形线密度、宏模块和引脚密度；

根据所述第一特征信息得到每个所述第一特征信息对应的第一特征图像，所述第一特征图像包括第一拥塞图像、第一矩形线密度图像、第一宏模块图像和第一引脚密度图像；

根据同一所述预设窗口对应的所有所述第一特征图像得到第一五维张量图像；

根据所述预设窗口得到对应的第一设计规则违反图像；

将n₁个所述第一五维张量图像和m₁个所述第一设计规则违反图像输入至第一网络模型得到训练完的第一网络模型，其中，所述第一网络模型为由将全卷积神经网络模型最后的全连接层修改为反卷积层得到；

基于训练完的第一网络模型，在第一层至第五层中的至少一层池化层后添加反卷积层，并将n₁个所述第一五维张量图像和m₁个所述第一设计规则违反图像输入至修改后的第一网络模型，以得到第一训练模型；