AdaScale-HDNet：基于SKConv和AFPN的自适应缩放光刻热点检测网络

《Memories - Materials, Devices, Circuits and Systems》：AdaScale-HDNet: Adaptive scale lithography hotspot detection network based on SKConv and AFPN

　　许辉|周成龙|王文军|王国帅|霍云红|马瑞军中国安徽科学技术大学计算机科学与工程学院，淮南市232001摘要在纳米尺度下，光刻热点检测是集成电路设计流程中的关键步骤，有助于降低制造风险并提高成品率。然而，实际应用往往受到数据严重不平衡、高维布局数据带来的高昂计算成本以及传统模型在不同空间尺度上适应性较差的限制。为解决这些问题，本文提出了AdaScale-HDNet这一自适应框架，它结合了频域特征压缩、动态多尺度卷积以及注意力引导的特征融合技术。通过利用渐近特征金字塔结构与优化后的损失函数，该模型能够在保持高计算效率的同时有效捕捉精细的几何细节。在ICCAD-2012和ICCAD-2019基准测试上的实验结果表明，AdaScale-HDNet的平均准确率高达98.0%，且误报率极低（如在ICCAD-2012中平均仅为636次），其在检测鲁棒性和可扩展性方面均优于现有的先进设计制造方法。引言随着半导体技术节点的不断发展，晶体管数量呈指数级增长，其尺寸也在不断缩小，这对芯片制造带来了巨大挑战。在先进工艺中，芯片的最小特征尺寸已远远低于光刻所使用的波长。根据瑞利分辨率准则，这种日益扩大的差异限制了最小可打印特征的大小。因此，尝试打印这些亚波长特征会引发严重的衍射效应和光学模糊，从而导致图像对比度大幅下降，进而严重影响晶圆和掩模上图案的精度。在物理验证过程中，尤其是通过光刻模拟和可制造性分析，那些图案精度低或出现严重变形的结构会被识别为“热点”，如图1所示的非热点图案相对。早期且准确的检测至关重要，因为它不仅能有效避免高昂的成品率损失，还能大幅减少耗时昂贵的全芯片光刻模拟过程。此外，识别这些热点还为优化后续的光学邻近校正和逆向光刻技术流程提供了重要依据，从而有助于实现更好的设计制造优化。多年来，人们提出了多种光刻热点检测方法，这些方法大致可分为四类：基于模拟的方法、模式匹配方法、基于机器学习的方法以及基于深度学习的方法。首先，基于物理原理的光刻模拟方法[1][2]试图通过精确模拟光刻机的曝光过程来预测芯片制造中的图案形成过程。然而，由于实际芯片布局中包含的晶体管数量极为庞大，完整的光刻模拟过程在计算时间和资源需求方面都极其耗费精力。为加快验证速度，人们基于模式识别和图像处理技术提出了模式匹配方法[3][4]。该方法通过比较技术库中预定义的模板图案与VLSI设计布局之间的差异来识别热点区域。在模式匹配方法中，杨等人[3]提出了一种改进的基于切线空间的距离度量方法，用于热点图案的分析与分类。此外，文等人[4]通过整合基于密度的布局编码、主成分分析以及自定义的街区距离方法，进一步提升了验证效率。不过，由于技术库中的数据集规模有限，这种方法无法有效检测未知或新型的缺陷图案。鉴于预定义模板的局限性，人们基于统计理论和数学模型提出了基于机器学习的方法[5][6][7][8]。这类方法通过数学建模对输入数据进行分析，依靠手动设计的特征提取器来发现数据中的内在规律和模式，从而实现热点检测。例如，丁等人[5]将分层人工神经网络与支持向量机模型相结合，有效降低了误报率。在此基础上，丁等人[6]进一步开发了一种元分类器，结合基本模式匹配和机器学习分类器，实现了更优的检测性能。此外，松泽等人[7]采用了AdaBoost和决策树相结合的混合方法，以实现快速的热点检测。最近，张等人[8]通过利用优化的同心圆采样特征[9]以及在线学习机制，显著提升了检测性能。这些方法通常具有较低的计算复杂度和良好的可解释性，但其最大缺点在于难以捕捉数据中的复杂模式。最终，光刻热点检测任务涉及大量包含复杂且深层热点模式和特征的布局数据。因此，基于深度学习的模型[10][11][12]逐渐成为更具优势的选择。这类模型能够自动从输入数据中提取特征，逐步学习数据不同层次上的抽象特征表示，从而有效解决处理复杂模式时的瓶颈问题。杨等人[10]提出了一种基于主动学习的布局图案采样和热点检测流程，既提高了热点检测的准确性，又降低了光刻模拟的开销。耿等人[11]则提出了一种带有注意力增强的深度卷积神经网络框架，可实现端到端的热点检测，有效降低了误报率，同时提升了推理效率。孙等人[12]提出了GNN-HSD，这是一种基于图神经网络的光刻热点检测方法，它将布局映射为具有多维特征的图结构，从而实现了更高的检测速度、更低的误报率以及更高的准确率。尽管深度学习在光刻热点检测领域展现出巨大潜力，但仍有若干关键问题有待解决。其中，数据集中的类别不平衡问题尤为突出——在大多数情况下，热点样本的数量远远少于非热点样本。如果不加以妥善处理，这种严重的不平衡会导致深度学习模型倾向于关注多数类（即非热点），从而严重降低检测性能。此外，数据集中的图像尺寸非常大；直接使用完整的布局作为输入会导致模型参数呈指数级增长，进而带来高昂的计算成本并大幅降低训练效率。大多数现有的热点检测方法通常假设在固定尺度下进行检测。然而，在某些特定尺度下，热点样本与非热点样本的特征可能极为相似，这使得模型难以有效区分它们。本文的主要贡献如下：1. 在核心网络中引入选择性核卷积机制，以动态选择和整合多尺度特征，解决了固定尺寸卷积核在适应多尺度热点时的局限性。2. 在每个残差块之后加入卷积块注意力模块，通过通道和空间注意力机制提升对缺陷特征的敏感度并抑制背景噪声。3. 提出渐近特征金字塔网络，逐步缩小多层级特征之间的语义差距，实现低层细节与高层语义的有效融合。4. 在ICCAD-2012和ICCAD-2019基准数据集上进行了全面实验，充分验证了所提出的AdaScale-HDNet的有效性和泛化能力。术语定义为评估我们所提模型的热点检测性能，定义了以下指标。表1展示了热点检测问题的混淆矩阵，其中TP#、FP#、TN#和FN#分别代表真阳性、假阳性、真阴性和假阴性。定义1 准确率[13]正确预测为热点的样本数与实际热点样本总数的比值。准确率=TP#/(TP#+FN#)定义2 误报率[13]真实情况为非热点，却被错误识别为热点的实例数量。ICCAD-2012和ICCAD-2019基准数据集的图像尺寸分别为1200×1200像素和3600×3600像素，数据量巨大且分辨率极高。直接将此类数据输入模型会导致计算复杂度呈指数级上升，内存消耗也会急剧增加，这不仅会大大降低训练和推理效率，还可能因特征冗余而引发过拟合问题。与此同时，光刻布局的实际生成过程实验设置所提出的热点检测器是使用Python编程语言和PyTorch库在一台配备2.50 GHz 12核Intel Xeon处理器以及NVIDIA RTX 3090显卡的Windows机器上实现并进行测试的。数据集与训练本实验使用了ICCAD-2012[20]数据集和ICCAD-2019[21]数据集。如表2所示，ICCAD-2012数据集包含28纳米技术节点下的四个基准测试案例以及32纳米技术节点下的一个基准测试案例。仅分析来自结论本文提出了一种名为AdaScale-HDNet的新型光刻热点检测网络，该网络整合了DCT、SKConv、CBAM和AFPN等技术。该模型在计算效率、多尺度特征表示以及关键区域注意力分配之间取得了良好的平衡，同时还通过数据增强和焦点损失算法有效解决了类别不平衡问题。基准测试结果表明，AdaScale-HDNet在平均准确率和误报控制方面均优于现有的先进方法，证明了其有效性。利益冲突声明作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。