《Integration》：Bidirectional gated mutual modulation network for lithography hotspot detection
编辑推荐：
•我们提出了一种用于光刻热点检测的BGMM框架，该框架采用并行的ResNet和Swin Transformer分支分别来建模局部几何细节和全局布局上下文，并通过BGCF模块融合这两种互补的表示方式，以提高热点检测性能。•我们设计了一个BGCF模块，以实现两个特征流之间的选择性交互
- •
我们提出了一种用于光刻热点检测的BGMM框架，该框架采用并行的ResNet和Swin Transformer分支分别来建模局部几何细节和全局布局上下文，并通过BGCF模块融合这两种互补的表示方式，以提高热点检测性能。
- •
我们设计了一个BGCF模块，以实现两个特征流之间的选择性交互和门控调制，从而在复杂场景中提高特征的一致性和可区分性。
- •
我们引入了知识蒸馏技术，将BGMM压缩成一个轻量级的学生模型，该模型只有0.07M个参数，将推理时间减少了75%，模型大小缩小到教师模型的1/15。
- •
实验表明，在最具挑战性的HTC基准测试ICCAD 2019-2上，所提出的方法相比现有的最先进方法提高了高达11.3%的召回率，同时最大误报率降低了5.8%。
引言
光刻热点检测是现代半导体设计流程中可制造性设计的一个关键组成部分。随着技术节点的不断缩小，布局特征大小接近甚至低于曝光波长，使得光刻成像过程变得越来越复杂。光学衍射和邻近效应在相邻图案之间引入了强烈的相互作用，导致某些布局配置容易产生印刷缺陷，如桥接或线端缩短。这些问题布局模式通常被称为光刻热点，它们与非热点模式只有微妙的几何差异，但可能导致严重的制造故障。因此，在设计阶段准确识别潜在的热点对于提高制造产量和减少物理验证中的昂贵迭代是至关重要的。
传统的热点检测方法主要依赖于光刻仿真[1]、[2]、[3]、[4]、[5]、[6]或模式匹配[7]、[8]、[9]。基于仿真的方法可以忠实模拟真实的成像过程，但它们会带来大量的计算成本，因此不适合快速的全芯片迭代分析。例如，LithoHoD[6]结合了光刻仿真器预测的变形信息与布局特征，并展示了很强的泛化能力，但代价是计算量很大。LithoExp[5]采用了两阶段检测器来精确定位缺陷，并使用光刻仿真误差作为监督；尽管其检测准确率超过了98%，但单个剪辑的推理时间达到了6.52毫秒。相比之下，模式匹配方法更高效。例如，Yu等人[8]通过提取关键设计规则来检测工艺热点，从而避免了大规模的光刻仿真。Wen等人[9]提出了一种模糊匹配热点检测模型，通过测量查询布局与已知热点模式之间的相似性来识别潜在热点。然而，这些方法对工艺条件和布局变化敏感，它们的泛化能力有限。
近年来，深度学习已被广泛引入到光刻热点检测中。一种典型的策略是将布局剪辑转换为图像表示，并使用神经网络自动学习判别性特征，从而在相对较低的推理成本下实现大规模候选热点的筛选。Yang等人[10]通过深度学习自动提取了布局特征，并显著提高了表示能力。Park等人[11]将工艺感知信息纳入模型设计，以提高在实际制造流程中的鲁棒性。为了解决数据不平衡问题，Borisov和Scheible[12]进一步减少了对手工特征的依赖，通过基于图像的特征的自动检测来实现。Lin等人[13]结合了迁移学习和主动数据选择来增强泛化和数据效率。Wei等人[14]提出了Litho-GPA，它使用高斯过程来量化热点检测中的不确定性。Reddy等人[15]通过合成模式驱动的数据增强改进了性能和鲁棒性。Zhang等人[16]使用了基于DCT的特征提取和神经ODE网络进行高效的热点检测。尽管深度学习方法具有效率优势，但在需要高召回率时，它们通常会遭受高误报率（FA）的困扰；在HTC样本上，FA甚至可能超过85%[17]。
一个重要的原因是，许多现有的深度模型依赖于单尺度或单路径特征表示，这使得很难同时捕捉热点区分所需的精细局部几何和全局布局语义。一方面，热点通常由线端、角点、间距变化或辅助特征等微妙的几何变化触发，而热点和非热点样本在像素级别上非常相似[17]，导致特征空间中有大量重叠，从而导致决策边界模糊，如图3所示。另一方面，由于衍射和邻近效应，热点的形成不仅取决于局部形状，还取决于更广泛的布局上下文，如区域密度和相邻结构的排列。因此，将局部细节和全局布局语义结合起来对于在具有挑战性的场景中提高区分能力至关重要。
为了解决这些挑战，本文提出了一种双向 gated 相互调制网络（BGMM）。光刻热点的形成受到精细的局部几何变化和更广泛的布局上下文的影响。因此，BGMM并行使用了一个ResNet分支和一个Swin Transformer分支：前者利用局部运算符捕获精细的几何变化，而后者通过上下文建模增强了対区域级结构关系的理解。在这种双分支建模框架中，一个关键问题是如何有效地整合这两个互补的特征流。常见的融合策略，如DenseNet[18]中的通道串联和ResNet[19]中的元素级加法，通常执行无约束的特征聚合。这些操作统一处理分支响应，可能会传播冗余或判别性较差的激活，从而限制了检测性能。尽管基于交叉注意力的融合机制（如CrossViT[20]）可以提供动态交互，但它们的全局令牌到令牌的相似性计算引入了相当大的计算开销和参数成本，使它们不太适合高吞吐量的光刻热点检测。为了实现选择性和高效的特征交互，BGMM引入了一个轻量级的双向门控交叉融合（BGCF）模块。BGCF使用两个可学习的双向门来柔和地交叉调制双分支的特征，使局部几何线索和上下文布局表示能够选择性地相互约束和补充，同时保持有限的计算开销。本工作的主要贡献总结如下：
- •
我们提出了一种用于光刻热点检测的BGMM框架，该框架采用并行的ResNet和Swin Transformer分支分别来建模局部几何细节和全局布局上下文，并通过BGCF模块融合这两种互补的表示方式，以提高热点检测性能。
- •
我们设计了一个BGCF模块，以实现两个特征流之间的选择性交互和门控调制，从而在复杂场景中提高特征的一致性和可区分性。
- •
我们引入了知识蒸馏技术，将BGMM压缩成一个轻量级的学生模型，该模型只有0.07M个参数，将推理时间减少了75%，模型大小缩小到教师模型的1/15。
- •
实验表明，在最具挑战性的HTC基准测试ICCAD 2019-2上，所提出的方法相比现有的最先进方法提高了高达11.3%的召回率，同时最大误报率降低了5.8%。
部分摘录
问题表述
在光刻热点检测中，未能识别真正的热点可能会导致制造故障；因此，高召回率至关重要。同时，过高的误报率会显著增加下游验证成本。因此，我们报告召回率和误报率（FA）作为评估指标。相应的混淆矩阵总结在表1中。
定义1 召回率
正确检测到的真正热点的比例，如方程（1）所示。
正确检测到的真正热点的比例，如方程（1）所示。
整体框架
光刻热点的形成受到精细的局部几何变化和更大规模布局上下文的影响，这两者在特征规模和判别机制上有所不同。受此启发，我们提出了一个用于光刻热点检测的双向门控相互调制（BGMM）网络。如图1所示，所提出的框架由两个并行的特征提取分支组成：一个基于ResNet的卷积分支和一个Swin Transformer分支。
实验设置
所提出的方法在PyTorch 2.0中实现，并在配备NVIDIA A100-PCIE-40 GB GPU的服务器上进行了训练和评估。关键超参数设置总结在表2中。
数据集
在本文中，我们在ICCAD 2012和ICCAD 2019基准测试[17]、[24]上评估了所提出的热点检测模型。ICCAD 2012数据集针对基于模糊模式匹配的检测，包含典型的热点和非热点布局。ICCAD 2019基准测试引入了更多挑战性的…
结论
本文提出了一种用于光刻热点检测的BGMM网络。所提出的框架通过并行的ResNet和Swin Transformer分支共同建模局部几何细节和全局布局上下文，并通过BGCF模块将它们整合在一起。在ICCAD数据集上的实验结果表明，BGMM在保持高召回率的同时改善了误报率控制。然而，ICCAD 2019-2上的绝对误报率仍然很高，表明HTC模式的误报率控制仍然具有挑战性。此外，…
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本工作由广东省重点研发计划在Grant 2022B0701180001的资助下完成。
罗斌 Ling|鲍毅|王颖|蔡书婷|尹江红|熊晓明
