申请/专利权人：华南理工大学

申请日：2023-11-07

公开（公告）日：2024-05-17

公开（公告）号：CN117494644B

主分类号：G06F30/392

分类号：G06F30/392;G06F30/398;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2024.02.23#实质审查的生效;2024.02.02#公开

摘要：本发明公开了一种自监督学习的DTCO标准单元库版图布局方法。针对全自动标准单元库版图布局生成问题，该方法收集行业相关语义文件、标准单元库Spice网表文件、设计规则文件以及相对应的标准单元库版图布局信息的数据文件。建立自监督学习深度学习模型，采用无监督预训练结合监督微调的深度框架。在训练过程中，自适应动态调整深度学习模型的参数权重和超参数，直到生成内容满足某工艺节点设计规则的版图布局要求。该发明实现了标准单元库版图布局的全自动生成，降低了人工设计成本，可广泛应用于芯片设计流程的智能化和自动化。

主权项：1.一种自监督学习的DTCO标准单元库版图布局方法，其特征在于，包括如下步骤：S1.收集学习文件；S2.建立自监督学习深度学习模型，自监督学习方案采用无监督预训练结合监督微调的深度框架，无监督预训练直接将经清洗但未经标定的文本文件输入深度学习模型，监督微调为对深度学习模型投入经过清洗且标定的文本文件；S3.训练过程自适应动态调整深度学习模型的参数权重和超参数，直到生成内容满足指定工艺节点设计规则的版图布局要求；所述学习文件包括语义文件、标准单元库的Spice网表文件、设计规则文件以及相对应的标准单元库版图布局信息的数据文件；所述深度学习模型基于深度神经网络架构，所述深度神经网络架构是卷积神经网络，或循环神经网络，或变换器；在所述步骤S2的无监督预训练：所述深度学习模型被训练至具备理解未经标定的文本文件的状态；在所述步骤S2的监督微调：在无监督预训练之后，所述深度学习模型进入监督微调阶段；使用已经清洗和标定的文本文件对深度学习模型进行进一步训练，以提高性能；已经清洗和标定的文本文件包括使用人工标签的数据；在所述步骤S3中，训练过程根据深度学习模型的性能和生成结果来自动进行调整；训练过程需要多轮迭代，其中每一轮训练都会生成一组版图布局，并评估其与设计规则的符合程度，根据评估结果自适应地调整深度学习模型参数权重和超参数；如果生成的版图布局不符合设计规则，深度学习模型将进行相应的调整，以改进生成的结果，直到能够生成满足特定工艺节点设计规则的版图布局，并且在性能和质量方面达到设定的水平。

全文数据：

权利要求：

百度查询： 华南理工大学 一种自监督学习的DTCO标准单元库版图布局方法

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