Processing

Please wait...

PATENTSCOPE will be unavailable a few hours for maintenance reason on Tuesday 25.01.2022 at 9:00 AM CET
Settings

Settings

Goto Application

1. WO2022010467 - MACHINE LEARNING-BASED DOWN SELECTION OF CANDIDATE HOTSPOT LOCATIONS OF CIRCUIT DESIGNS

Publication Number WO/2022/010467
Publication Date 13.01.2022
International Application No. PCT/US2020/041141
International Filing Date 08.07.2020
IPC
G06F 30/398 2020.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
30Computer-aided design
30Circuit design
39Circuit design at the physical level
398Design verification or optimisation, e.g. using design rule check , layout versus schematics or finite element methods
G06F 30/27 2020.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
FELECTRIC DIGITAL DATA PROCESSING
30Computer-aided design
20Design optimisation, verification or simulation
27using machine learning, e.g. artificial intelligence, neural networks, support vector machines or training a model
Applicants
  • SIEMENS INDUSTRY SOFTWARE INC. [US]/[US]
Inventors
  • MA, Yuansheng
  • HONG, Le
Agents
  • CHEN, Lawrence
Priority Data
Publication Language English (en)
Filing Language English (EN)
Designated States
Title
(EN) MACHINE LEARNING-BASED DOWN SELECTION OF CANDIDATE HOTSPOT LOCATIONS OF CIRCUIT DESIGNS
(FR) SÉLECTION DESCENDANTE BASÉE SUR L'APPRENTISSAGE AUTOMATIQUE D'EMPLACEMENTS DE POINT D'ACCÈS PUBLICS CANDIDATS DE CONCEPTIONS DE CIRCUIT
Abstract
(EN) A method (700) may include the steps of accessing (702) an input data set (210) of hotspot locations on manufactured circuits of a circuit design. The hotspot locations may be confirmed through a high precision imaging process from a set of candidate locations of the circuit design determined by a low precision imaging process. The method (700) may further include correlating (704) the hotspot locations to layout data (240) for the circuit design, extracting (706) fragment feature vectors (250, 410, 510) for the hotspot locations from optical proximity correction (OPC) fragments of the layout data (240), processing (708) the fragment feature vectors (250, 410, 510), providing (710) the processed fragment feature vectors as a training set for training a machine-learning model (610), and applying (712) the machine-learning model (610) to down select a different set of candidate locations determined by the low precision imaging process.
(FR) Un procédé (700) peut comprendre les étapes consistant à accéder (702) à un ensemble de données d'entrée (210) d'emplacements de point d'accès publics sur des circuits fabriqués d'une conception de circuit. Les emplacements de point d'accès publics peuvent être confirmés par l'intermédiaire d'un processus d'imagerie de haute précision à partir d'un ensemble d'emplacements candidats de la conception de circuit déterminée par un procédé d'imagerie de faible précision. Le procédé (700) peut en outre comprendre la corrélation (704) des emplacements de point d'accès publics avec des données de disposition (240) pour la conception de circuit, l'extraction (706) de vecteurs de caractéristiques de fragments (250, 410, 510) pour les emplacements de point d'accès publics à partir de fragments de correction de proximité optique (OPC) des données de disposition (240), le traitement (708) des vecteurs de caractéristiques de fragments (250, 410, 510), la fourniture (710) des vecteurs de caractéristiques de fragment traités en tant qu'ensemble d'apprentissage pour entraîner un modèle d'apprentissage automatique (610), et l'application (712) du modèle d'apprentissage automatique (610) pour effectuer une sélection descendante d'un ensemble différent d'emplacements candidats déterminés par le procédé d'imagerie de faible précision.
Latest bibliographic data on file with the International Bureau