[发明专利]一种基于机器学习的高能效电容提取方法

权利要求书

1.一种基于机器学习的高能效电容提取方法，其特征在于，该方法包括：

准备数据集阶段：随机生成足量不同工艺标准下不同导体排布的输入样例，通过数据预处理后输入到FasterCap工具，并对FasterCap输出数据作为XGBoost标签；同时，将二维横截面结构视为一种图像，使用自适应窗口提取和网格化的方法，将任意数量导体的任意排布方式表征为相应的二维矩阵形式，由随机生成的输入样例得到XGBoost的输入；

训练机器学习模型：将XGBoost输入和XGBoost标签组成数据集，通过大量数据集分别训练并得到自电容和耦合电容的两个XGBoost机器学习模型；

问题求解：将待提取电容的芯片的二维横截面结构按相同的自适应窗口提取和网格化方法作为电容提取器的输入，在电容提取器输出端得到主导体自电容和与相邻导体之间的耦合电容，实现全芯片的寄生电容提取。

2.根据权利1所述的一种基于机器学习的高能效电容提取方法，其特征在于，自适应窗口的尺寸由模拟实验时环境导体与主导体之间的耦合电容减小到主导体自电容的1％决定。

3.根据权利1所述的一种基于机器学习的高能效电容提取方法，其特征在于，网格化数据表示时考虑三个金属层的结构模型，主导体位于中间层的中心，每层导体数量不固定。

4.根据权利1所述的一种基于机器学习的高能效电容提取方法，其特征在于，网格采用均匀划分的方式，根据密度将每个导体层表示为向量x，并通过以下编码方式将主导体和环境导体的信息包含到其中：

如果主导体覆盖第i个网格，则有x_i＝d_i+1；

如果环境导体覆盖第i个网格，则使x_i＝-d_i；

其中，d_i表示提取窗口的密度。

5.根据权利1所述的一种基于机器学习的高能效电容提取方法，其特征在于，使用XGBoost机器学习提取电容的方法，通过离线训练的方式实现。