申请/专利权人：华南理工大学

申请日：2022-09-22

公开（公告）日：2023-05-05

公开（公告）号：CN115481570B

主分类号：G06F30/27

分类号：G06F30/27;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2023.05.05#授权;2023.01.03#实质审查的生效;2022.12.16#公开

摘要：本发明公开了一种基于残差网络的DTCO建模方法，属于芯片研发中工艺设计协同优化的技术领域，该方法所建半导体模型可以更快速地表征半导体器件，具有模型精度高、鲁棒性好的特点；包括如下步骤：S1获取神经网络替代模型的器件模型数据集数据，将器件模型数据集数据分割为初始训练集数据和初始测试集数据；S2对S1获得的初始训练集数据和初始测试集数据进行预处理得到预处理训练集和预处理测试集；S3创建神经网络替代模型，对神经网络替代模型中的隐藏层进行残差块堆叠结构处理；S4将S2获得的预处理训练集和预处理测试集放入残差网络结构进行参数的训练，得到器件神经网络替代模型。

主权项：1.一种基于残差网络的DTCO建模方法，其特征在于，包括如下步骤：S1获取神经网络替代模型的器件模型数据集数据，将器件模型数据集数据分割为初始训练集数据和初始测试集数据；S2对S1获得的初始训练集数据和初始测试集数据进行预处理得到预处理训练集和预处理测试集；S3创建神经网络替代模型，对神经网络替代模型中的隐藏层进行残差块堆叠结构处理；S4将S2获得的预处理训练集和预处理测试集放入残差网络结构进行参数的训练，得到器件神经网络替代模型；所述步骤S2中，预处理为对初始训练集数据和初始测试集数据的偏置条件、几何结构及掺杂信息进行lgMADZ-score标准化处理，包括数据清洗、归一化操作、添加标签信息、初始化权重和参数特征标准化操作，所述参数特征标准化的函数公式为：xi′＝lgxi； 其中，xi为训练集或测试集中的原数据，median为统计量函数，为数据的中位数，xi′为训练集或测试集中的替换数据，zi为训练集或测试集中原数据与替换数据的中位数绝对偏差；所述步骤S3中，残差块堆叠处理为在隐藏层上构建一系列残差块，每个残差块的计算公式为：Xl+1＝Xl+FXl,Wl；其中，Xl为上一个阶段隐藏层的直接映射,FXl,Wl为上一个阶段隐藏层经过全连接权重加成的映射；所述残差块内使用BatchRenormalization对参数进行归一化处理，BatchRenormalization的函数公式为： yi＝γxi′+β；μ′＝μ+αμB-μ；σ′＝σ+ασB-σ；其中，B为小批量范围，μB为小批量范围内的均值，xi为残差块中的参数，m为小批量范围内的参数，σB为小批量范围内的样本标准差，stop_gradient为停止迭代的梯度，σ为残差块中参数的标准差，r和d为采用小批量处理的迭代次数修正因子，μ为残差块中参数的均值，xi′为经过小批量修正的残差块中的参数，γ为需要训练的权重，β为需要训练的偏置，α为移动平均更新率，μ′为残差块中参数的均值经过小批量处理后的更新，σ′为残差块中参数的样本标准差经过小批量处理后的更新；所述步骤S4中，具体包括如下步骤：S4.1将S2获得的预处理训练集的网表信息输入残差网络模型，将残差网络模型的输出结果与预处理训练集的特征数据进行比较，得到MSE损失函数值后进行反向传播，调整神经网络替代模型中的参数权重；S4.2重复步骤S4.1，将所获得的MSE损失函数值与上一轮MSE损失函数值比较，若MSE损失函数值下降，则继续沿此变化梯度修改网络参数的权重，重复步骤S4.2；S4.3将预处理测试集数据的网表信息输入步骤S4.1获得的神经网络替代模型，将神经网络替代模型输出结果与预处理测试集的特征数据进行比较，得到R-Squared评价指标值；S4.4重复步骤S4.1至4.3，将本轮所获得的R-Squared评价指标值与上一轮R-Squared评价指标值比较，若R-Squared评价指标值增大，则继续重复步骤S4.1，若R-Squared评价指标值数轮内没有增大，判断R-Squared评价指标值是否达到预设的模型精度阈值，若没有预设的模型精度阈值则重复步骤S4.1至4.3，若达到预设的模型精度阈值即停止模型训练，得到器件神经网络替代模型。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于残差网络的DTCO建模方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD