[发明专利]一种基于机器学习的高能效电容提取方法

说明书

本发明公开了一种基于机器学习的高能效电容提取方法，涉及利用机器学习模型进行寄生电容提取来提升参数提取的效率；通过基于网格的数据表示通用地表示互连线结构；以自适应提取窗口的思想降低参数提取工作量并增强该技术不同半导体工艺的鲁棒性；为二维互连线结构建立电容提取机器学习模型，对于目标互连线结构进行网格参数提取并输入机器学习模型中，获得寄生电容参数。相较于现有电容提取技术，该电容提取器在准确度、速度和时间空间消耗上都达到了优良的性能。

技术领域

本发明涉及寄生电容参数提取技术领域，特别涉及一种基于机器学习的高能效电容提取方法。

背景技术

随着半导体工艺不断发展、电路规模的不断增大，导体互联线之间的寄生电容对估算时序的影响越来越大。尤其在先进工艺下，互连线无法以简单的长方体金属线进行模拟，互连线模型精度和复杂度大幅提升，也导致电容参数提取问题的难度迅速上升。互联线寄生电容的提取是电路时序分析、功耗分析、信号完整性分析、电源完整性分析等重要电路指标分析的基础，准确快速的寄生电容提取器对保证芯片设计质量、满足严苛的功耗、性能、面积指标要求和缩短设计周期至关重要。这就要求研究人员开发更为先进的高性能求解器以满足当前及未来的芯片设计需求。

寄生电容提取器通过接收电路互连线的排布(包括顶视图和横截面图)、互连线材料参数、周围环境电磁参数等信息来计算互连线之间的寄生电容。提取器往往确定某一导体为主导体，并计算该主导体的自电容、主导体与其他导体之间的耦合电容。随着机器学习技术的发展，其在寄生参数提取技术中得到了应用，具有较好的性能。其中，XGBoost机器学习模型具有灵活、高效、轻便的特点，在各领域的具体应用上展现出巨大潜力。

现有技术主要分为三个步骤，首先对海量互连线结构进行精确的电容计算并进行集合参数提取以形成模式库，然后对于需要进行计算的目标互连线结构进行几何参数提取，最后将目标结构的几何参数与模式库中的各项进行匹配以计算电容。

现有技术主要存在的不足有：1.模式库的建立随着半导体工艺技术的日趋复杂化而面临巨大挑战，低介电常数介质、非垂直界面导体、气泡介质等先进工艺结构导致互连线建模精度下降、建模时间大幅增加。2.芯片规模增大意味着需要对目标互连线结构进行的几何参数提取工作量大幅增大，这将占用大量的计算时间和空间。3.现有方法可能出现模式不匹配的情况，即目标互连线结构在模式库中找不到能与之匹配的模式、只能得到一个近似解，这些误差积累将大大影响寄生电容提取的精度。

基于上述问题，为了提高寄生电容提取技术的效率和通用性，提出了一种基于机器学习的高能效电容提取方法。

发明内容

本发明的目的在于针对目前已有的基于模式匹配的全芯片提取方法误差大、过程繁琐的问题，通过一种新的基于网格的数据表示，以及自适应提取窗口的思想，提出在全芯片电容提取中为二维结构建立神经网络电容模型的机器学习方法，设计了基于FasterCap并结合XGBoost机器学习模型的高能效电容提取器。通过该方法产生的总电容误差和耦合电容误差在合理范围内，表现出优异性能的同时更具有通用性。

本发明的目的是通过以下技术方案来实现的：

一种基于机器学习的高能效电容提取方法，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；