摘要：提出一种使用遗传算法在高层次综合中完成互连优化的方法 .相比同类的研究 ,该方法的主要优势在于提出一种新颖的编码方法 ,并设计了相应的遗传算子 ,避免了在计算过程中不可行解的产生 .

摘要：在SoC设计中,IP的使用可以缩短设计周期、降低设计风险,已经成为SoC设计不可缺少的部分.IP共性技术,包括IP保护、IP评测是IP核使用中面临的重要问题.针对以上两个问题提出了综合的解决方案,提出了在IP打包过程中对IP进行评测的方法,搭建了兼容主流EDA工具的IP打包评测平台,并在此平台上完成了一款8051核的打包评测.

摘要：基于奇数周期理论,提出一种新型快速高效率的双重图形技术(DPT)拆分方法。对于图形拆分过程中遇到的剩余违规冲突问题,分析其存在的原因,阐述了已知解决途径;基于奇数周期理论,详细阐述了新型图形拆分方法的实现步骤,该方法主要适用于未在设计阶段考虑兼容DPT的设计版图,能够对版图顺利完成包含更改设计和引入切割的图形拆分过程;采用新方法拆分实际版图,进一步证明了该方法能够同时减少剩余冲突和引入切割数目;采用EDA工具模拟了拆分之后进行光源掩膜优化(SMO)和光学临近效应修正(OPC)的光刻分辨率增强流程,验证了DPT能够提高分辨率、增大光刻工艺窗口。

摘要：基于机器学习的坏点检测技术已经成为光刻坏点检测的重要研究方向,在新技术节点开发与物理设计验证中具有重要意义。按照基于机器学习的光刻坏点检测技术的流程,依次介绍了特征提取、机器学习模型建模和待测样本提取等步骤中面临的问题,综述了近年研究中针对以上问题提出的关键技术及其优劣。对基于机器学习的坏点检测技术的发展方向和面临的挑战进行了展望。目前,完全基于机器学习技术的坏点检测技术中数据生成成本巨大,精度尚不满足集成电路行业应用的要求,因此与光刻仿真模型、图形匹配等传统方法的结合是基于机器学习的坏点检测技术最容易应用于实际生产的技术途径。

摘要：分析目前几大IP质量评测标准特点,指出当前用于转让和交互的IP评测标准,着重于共同特征,缺乏个性特征,特别是针对功能特征的描述。基于功能分类,提出面向IP设计流程和IP功能目录的第三方质量评测方法。将IP功能特征引入质量空间,新的IP质量评测标准更客观、可行。作为方法示例,介绍运算处理类软IP核的质量评测过程。

摘要：定向自组装(DSA)是一种新型的光刻分辨率增强技术,为了探究制约DSA应用于大规模集成电路制造的因素,采用仿真手段评估了DSA工艺条件以及不同版图设计对DSA的影响。基于Cahn-Hilliard方程,模拟了不同"吸附"强度及退火时间下的线条图形光刻轮廓,分析了上述工艺条件对光刻结果的影响,发现增加退火时间、增强衬底的"吸附"强度可以有效减小电路制造缺陷。基于7 nm设计规则,改变引导图形周期,得到线条图形线宽粗糙度(LWR)以及通孔图形的光刻轮廓图,分析了引导图形周期和LWR及轮廓图质量的关系,得出当引导图形周期为2倍共聚物自然周期(2L0)时,可以得到更好的光刻图形质量,并通过2L0周期扰动实验进一步验证了该结论。

摘要：晶圆缺陷是指在晶圆制造过程中,因氧化温度不均、蚀刻问题等异常造成的晶粒功能异常。随着芯片产业的发展,制造工艺向更先进制程迈进,所实现的集成电路的规模和复杂度也日益增加。这使得晶圆的制造工艺更加复杂,晶圆缺陷出现的概率和种类也随之增加。为了提高生产良率,改善工艺制程,识别出缺陷模式并找出对应的工艺问题至关重要。传统的缺陷识别主要依赖于人工设计的特征提取方法,需要有专业的知识及复杂的调试过程。近年来,基于机器学习的识别方法在识别晶圆模式缺陷上取得了一定进展,不少方法识别单一缺陷的精度达到95%以上,也拥有精确识别混合缺陷的能力。然而,带标记晶圆图数据缺乏、样本数据不平衡、新缺陷模式的出现都是其发展路上的挑战。本文总结了几十年来基于机器学习的晶圆图缺陷模式识别方法,从浅层学习和深度学习两个方面介绍了前人的工作。同时针对晶圆识别问题中严重的样本数据不平衡问题,本文重点总结了现有用于解决晶圆图样本数据不平衡问题的方法。根据当前晶圆图缺陷模式识别的产业需求和现状分析,更稳定、更精确的基于半监督或自监督深度学习的识别方法以及获取更高质量数据集的数据增强方法必将成为未来发展主流。

摘要：超大规模集成电路(VLSI)中的详细布线是物理设计中一个重要且具有挑战性的环节.在这一阶段,所有导线的路径都会被确定下来,布线的优劣直接关系到芯片的面积和性能,路径搜索是布线中最为耗时的步骤之一.本文介绍了基于网格的布线模型,将布线问题抽象为一个图搜索问题或者多商品流问题;总结了迷宫搜索算法、A*算法、整数线性规划(ILP)算法和并行加速算法在路径搜索中的应用和针对设计约束作出的优化,结合在布线器中应用情况分析其优劣;总结回顾了基于机器学习求解算法的研究进展,分析了存在的问题,并对详细布线算法的发展趋势做了展望.分析表明,A*算法在布线质量、稳定性和速度等方面的综合性能较其他算法更为优异,其难点在于设计合理的布线排序策略和图模型.强化学习具有巨大的研究潜力,目前的研究仅在规模较小的设计中测试,仍需要进一步改进和探索.