一种版图特征提取的超参数确定方法、装置及介质
阅读说明：本技术 一种版图特征提取的超参数确定方法、装置及介质 (Method, device and medium for determining hyper-parameters of layout feature extraction ) 是由 盖天洋 韦亚一 粟雅娟 陈颖 于 2020-04-22 设计创作，主要内容包括：本发明公开了一种版图特征提取的超参数确定方法、装置及介质,方法包括：按照初始尺寸的采样窗口分别对版图上的N个样本点进行采样,对应获得N幅版图切片,N个样本点对应有N组属性参数；根据单像素物理尺寸分别对所述N幅版图切片进行特征提取,以转化为N个特征矩阵；基于N组属性参数,计算出N个特征矩阵的每个单像素位置对应的互信息值,获得互信息图；根据互信息图,确定出采样窗口的目标尺寸作为版图特征提取的超参数。本发明提供的方法、装置及介质,用以解决现有技术中对版图进行特征提取用于模型训练或模型应用时,存在选取的超参数不合适导致的运算速度和计算准确度均较差的技术问题。有效提高了运算速度和计算准确度。(The invention discloses a method, a device and a medium for determining hyper-parameters of layout feature extraction, wherein the method comprises the following steps: respectively sampling N sample points on the layout according to a sampling window with an initial size, and correspondingly obtaining N layout slices, wherein the N sample points correspond to N groups of attribute parameters; respectively extracting features of the N layout slices according to the physical size of a single pixel to convert the N layout slices into N feature matrixes; calculating a mutual information value corresponding to each single pixel position of the N characteristic matrixes based on the N groups of attribute parameters to obtain a mutual information graph; and determining the target size of the sampling window as the hyper-parameter of the layout feature extraction according to the mutual information graph. The method, the device and the medium provided by the invention are used for solving the technical problem of poor operation speed and calculation accuracy caused by the fact that the selected hyper-parameters are not appropriate when the feature extraction is carried out on the layout for model training or model application in the prior art. The operation speed and the calculation accuracy are effectively improved.)
技术领域
本公开内容涉及半导体领域，尤其涉及一种版图特征提取的超参数确定方法、装置及介质。
背景技术
随着集成电路技术的发展，工艺技术节点的迭代越来越快。在新工艺节点研发中通常会产生大量的数据用于工艺模型建立，指导集成电路产品研发中的物理设计以及集成电路制造中的掩模板优化。另一方面，近年来机器学习领域的发展使得其算法处理分析大规模数据并进行建模的能力越来越强。许多研究将两种技术进行结合，使用机器学习算法处理集成电路研发中产生的数据，从而更加高效地生成准确可靠的工艺模型，例如基于机器学习算法开发的刻蚀模型，光刻胶模型，坏点检测模型，光学邻近效应修正模型等。
在各种模型算法中，对于设计版图中的一个样本点，为提取它周围环境中与图形结构相关的特征信息，需要在每个样本点周围设置一个采样窗口，把一定范围内的版图图形切片提取出来，对其进行像素化，转换为一个特征矩阵(例如密度矩阵)，矩阵内的每个值代表对应单像素里的图形特征值(例如图形密度值)。在转换过程中，每个单像素所代表的版图上的单像素物理尺寸以及采样窗口的尺寸大小是两个需要预先确定的超参数。
在传统方法中，单像素物理尺寸通常被选定为设计版图的单位距离(databaseunit)或者设计图形的最小特征尺寸(feature size)。而采样窗口的尺寸则需要根据相关的工艺物理参数进行选取，例如在与光刻工艺相关的模型中，特征提取时通常选取光学直径(Optical Diameter,OD)作为采样窗口的边长。
然而在基于机器学习的建模中，模型的训练时间、运算速度都与样本特征向量的大小成正相关。过小的单像素物理尺寸与过大的采样窗口尺寸将提取的特征矩阵过大，进而导致大型的特征向量，造成特征信息的冗余，导致模型训练时间的增长以及应用模型时运算速度的下降，而模型计算结果准确性反而没有提高。以28nm工艺节点为例，设计版图的单位距离为0.001μm，光学直径为2.6μm，如果单像素物理尺寸与采样窗口尺寸选定为这些数值，每个采样点生成的特征矩阵将包含百万级数据，如此大规模的数据计算将耗费大量的时间。此外，许多工艺的邻近效应十分复杂，并不能够通过物理机理分析得到合理的参数。在特征提取中盲目选取超参数可能导致信息冗余或丢失。
可见，当前对版图进行特征提取用于模型训练或模型应用时，存在选取的超参数不合适导致的运算速度和计算准确度均较差的技术问题。
发明内容
本公开内容的目的至少部分在于，解决现有技术中对版图进行特征提取用于模型训练或模型应用时，存在选取的超参数不合适导致的运算速度和计算准确度均较差的技术问题。
第一方面，本公开提供了一种版图特征提取的超参数确定方法，包括：
按照初始尺寸的采样窗口分别对版图上的N个样本点进行采样，对应获得N幅版图切片，N大于1，其中，所述N个样本点对应有N组属性参数；
根据单像素物理尺寸分别对所述N幅版图切片进行特征提取，以将所述N幅版图切片对应转化为N个特征矩阵；
基于所述N组属性参数，计算出所述N个特征矩阵的每个单像素位置对应的互信息值，获得互信息图，其中，所述互信息图上的互信息值表征与所述互信息值对应的单像素位置上图形特征与属性参数的相关性；
根据所述互信息图，确定出所述采样窗口的目标尺寸作为版图特征提取的超参数。
可选的，所述单像素物理尺寸的确定方法为：获得所述版图上的多边形版图图形的所有边的长度数值，形成边长信息组；对所述边长信息组作统计分析，根据所述统计分析结果确定出所述单像素物理尺寸。
可选的，所述根据所述统计分析结果确定出所述单像素物理尺寸，包括：根据所述统计分析结果，确定出分布频率最高的目标长度数值，并根据所述目标长度数值确定所述单像素物理尺寸。
可选的，所述根据单像素物理尺寸分别对所述N幅版图切片进行特征提取，以将所述N幅版图切片对应转化为N个特征矩阵，包括：根据单像素物理尺寸分别对所述N幅版图切片进行基于密度图的特征提取，以将所述N幅版图切片对应转化为N个密度矩阵。
可选的，所述基于所述N组属性参数，计算出所述N个特征矩阵的每个单像素位置对应的互信息值，获得互信息图，包括：采用公式计算出所述N个特征矩阵的位于(m,n)行列坐标的单像素位置对应的互信息值MIm,n(X,Y)，其中，x为所述N个特征矩阵中每个特征矩阵在(m,n)行列坐标的单像素位置上的特征值，X为所有x的集合；y为所述特征矩阵对应的所述属性参数，Y为所有y的集合；p(x,y)为x与y的联合概率分布函数，p(x)与p(y)分别为x与y的边际概率分布函数；遍历所述N个特征矩阵上的单像素位置，按对应的所述单像素位置的坐标排布计算出的所述互信息值，获得互信息图。
可选的，所述根据所述互信息图，确定出所述采样窗口的目标尺寸作为版图特征提取的超参数，包括：根据所述互信息图上的互信息值及所述互信息值与所述互信息图中心的距离，绘制出相关性曲线；根据所述相关性曲线的拐点位置确定出所述采样窗口的目标尺寸作为版图特征提取的超参数。
可选的，所述根据所述互信息图上的互信息值及所述互信息值与所述互信息图中心的距离，绘制出相关性曲线，包括：计算以所述互信息图的中心为中心的每一圈互信息值的平均值；根据所述平均值和所述每一圈互信息值至所述中心的距离，绘制出相关性曲线。
可选的，所述根据所述互信息图上的互信息值及所述互信息值与所述互信息图中心的距离，绘制出相关性曲线，包括：计算所述互信息图的每一行互信息值的行平均值和所述每一行互信息值距所述互信息图的中心的行距离；并根据所述行平均值和所述行距离，绘制出行相关性曲线；计算所述互信息图的每一列互信息值的列平均值和所述每一列互信息值距所述互信息图的中心的列距离；并根据所述列平均值和所述列距离，绘制出列相关性曲线；所述根据所述相关性曲线的拐点位置确定出所述采样窗口的目标尺寸作为版图特征提取的超参数，包括：根据所述行相关性曲线的拐点位置确定出所述采样窗口的横向尺寸作为版图特征提取的超参数；根据所述列相关性曲线的拐点位置确定出所述采样窗口的纵向尺寸作为版图特征提取的超参数。
第二方面，本公开提供了一种版图特征提取的超参数确定装置，包括：
采样模块，用于按照初始尺寸的采样窗口分别对版图上的N个样本点进行采样，对应获得N幅版图切片，N大于1，其中，所述N个样本点对应有N组属性参数；
矩阵转化模块，用于根据单像素物理尺寸分别对所述N幅版图切片进行特征提取，以将所述N幅版图切片对应转化为N个特征矩阵；
互信图模块，用于基于所述N组属性参数，计算出所述N个特征矩阵的每个单像素位置对应的互信息值，获得互信息图，其中，所述互信息图上的互信息值表征与所述互信息值对应的单像素位置上图形特征与属性参数的相关性；
确定模块，用于根据所述互信息图，确定出所述采样窗口的目标尺寸作为版图特征提取的超参数。
第三方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面提供的任一方法。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的版图特征提取的超参数确定方法、装置和介质，先预设采样窗口的初始尺寸，并按照初始尺寸进行采样、特征提取和特征矩阵转化。再根据特征矩阵和样本点的属性参数计算获得互信息图，该互信息图上的互信息值表征与所述互信息值对应的单像素位置上图形特征与属性参数的相关性，故通过分析互信息图确定出的目标尺寸，是考虑了图像特征与属性参数的相关性的尺寸，更符合版图的实际情况，采用该目标尺寸作为版图特征提取的超参数，在用于模型训练或模型应用的版图特征提取时，更能兼顾运算速度和计算准确度。
附图说明
为了更清楚地说明本公开内容实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开内容的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为依据本公开一个或多个实施方式的版图特征提取的超参数确定方法的流程图；
图2为依据本公开一个或多个实施方式的版图的示意图；
图3为依据本公开一个或多个实施方式的边长信息组的示意图；
图4为依据本公开一个或多个实施方式的边长信息组的统计分布示意图；
图5为依据本公开一个或多个实施方式的采样提取版图切片的示意图；
图6为依据本公开一个或多个实施方式的版图切片转化为特征矩阵的示意图；
图7为依据本公开一个或多个实施方式的计算互信息图的示意图；
图8为依据本公开一个或多个实施方式的绘制相关性曲线的示意图一；
图9为依据本公开一个或多个实施方式的绘制相关性曲线的示意图二；
图10为依据本公开一个或多个实施方式的版图特征提取的超参数确定装置的示意图；
图11为依据本公开一个或多个实施方式的存储介质的示意图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在附图中示出了根据本公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
在本公开的上下文中，当将一层/元件称作位于另一层/元件“上”时，该层/元件可以直接位于该另一层/元件上，或者它们之间可以存在居中层/元件。另外，如果在一种朝向中一层/元件位于另一层/元件“上”，那么当调转朝向时，该层/元件可以位于该另一层/元件“下”。在本公开的上下文中，相似或者相同的部件可能会用相同或者相似的标号来表示。
为了更好的理解上述技术方案，下面将结合具体的实施方式对上述技术方案进行详细说明，应当理解本公开内容实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
根据本公开的一个方面，提供了一种版图特征提取的超参数确定方法，如图1所示，包括：
步骤S101，按照初始尺寸的采样窗口分别对版图上的N个样本点进行采样，对应获得N幅版图切片，N大于1，其中，所述N个样本点对应有N组属性参数；
步骤S102，根据单像素物理尺寸分别对所述N幅版图切片进行特征提取，以将所述N幅版图切片对应转化为N个特征矩阵；
步骤S103，基于所述N组属性参数，计算出所述N个特征矩阵的每个单像素位置对应的互信息值，获得互信息图，其中，所述互信息图上的互信息值表征与所述互信息值对应的单像素位置上图形特征与属性参数的相关性；
步骤S104，根据所述互信息图，确定出所述采样窗口的目标尺寸作为版图特征提取的超参数。
对版图进行特征提取时的关键超参数有采样窗口的尺寸与单像素物理尺寸这两个。其中，采样窗口的尺寸为对版图进行采样时每个采集的切片样本的大小。如果是模型训练阶段，样本版图上预设有样本点，则采样范围为该样本点周围在采样窗口尺寸内的区域；如果是模型应用阶段，则对需检测版图采样的每个样本图片大小与该采样窗口尺寸相同。单像素物理尺寸为设置的版图上一个像素点的大小，当用采样窗口采样出版图切片样本需要进行像素化，转换为一个特征矩阵(例如密度矩阵)时，版图切片样本上每个单像素物理尺寸内的图形特征对应特征矩阵内的每个值。
需要确定某一类(同一类特征尺寸、同一类工艺或同一类器件)版图在特征提取时的超参数，则需要预先提供同类的版图作为模型训练的训练样本，作为确定超参数的计算样本。
下面分别说明基于提供的作为样本的版图确定两个超参数的方法：
首先介绍，单像素物理尺寸如何确定。
根据设计规则(Design Rules)，如图2所示，版图上的每层图形往往是由许多曼哈顿多边形(Manhattan polygon)版图图形组成，该多边形版图图形由横向与纵向两个互相垂直的方向的边组成。先获得版图上的多边形版图图形的所有边的长度数值，形成边长信息组。然后，对边长信息组作统计分析，根据统计分析结果确定出单像素物理尺寸。
举例来讲，对图2所示的版图进行多边形版图图形的边长测量和记录，获得如图3所示的边长信息组。图2中，p1～p7为各多边形版图图形的编号，E1_1～E7_8为各多边形版图图形的边的编号。然后，如图4所示对边长信息组作统计分析，根据统计分析结果确定出单像素物理尺寸。
在具体实施过程中，根据统计分析结果确定出单像素物理尺寸的方法可以有多种，下面列举两种为例：
第一种，先确定出分布频率最高的目标长度数值，再根据目标长度数值确定单像素物理尺寸。
具体来讲，先对边长信息组进行分析，找出其中出现次数最多的长度数值，以此作为单像素物理尺寸的边长，从而兼顾避免单像素物理尺寸过长导致的丢失版图特征，和避免单像素物理尺寸过小导致的高计算量。
例如，假设对边长信息组进行统计分析生成如图4所示的长度数值分布图，从图中可以看出，长度为45nm的边出现的频次最高，因此在版图图形特征提取中将单像素物理尺寸设置为45nm×45nm。
第二种，先确定出分布频率高于预设频率的一组长度数值，再以其中最小长度数值作为目标长度数值，再根据目标长度数值确定单像素物理尺寸。
具体来讲，先对边长信息组进行分析，找出其中出现次数改与预设次数的一个或多个长度数值，再从中选择数值最小的长度数值作为单像素物理尺寸的边长，以尽量避免丢失版图特征。
当然，具体根据统计分析结果确定出单像素物理尺寸的方法不限于上述两种，由于本实施例结合版图上的多边形边长长度数值分布情况，来针对性的设置单像素物理尺寸，即能较大限度的避免单像素物理尺寸过长导致的丢失版图特征，也能避免单像素物理尺寸过小导致的高计算量。
然后介绍，采样窗口的尺寸如何确定。
在作为样本的版图上标注有N个样本点及其对应的属性参数。例如，在基于机器学习的版图坏点检测中，提供模型训练和超参数确定所使用的作为样本的版图，上面标注的样本点为各坏点和非坏点的坐标，对应的属性参数为表征每个采样点是否为坏点的参数(例如，坏点的该属性参数为1，非坏点的该属性参数为0)。再例如，在基于机器学习的刻蚀模型中，需要提供用于模型训练和超参数确定的作为样本的版图，上面标注的样本点为按刻蚀特征预设的样本点点坐标，对应的属性参数为表征该样本点的刻蚀偏差的参数。
在提供了上述版图后，先执行步骤S101，按照初始尺寸的采样窗口分别对版图上的N个样本点进行采样，提取每个样本点在采样窗口范围内的版图图形，对应获得N幅版图切片，N大于1。
需要说明的是，该初始尺寸可以根据经验值预设，为了便于后续从中确定目标尺寸，可以设置初始尺寸为相对较大的值。例如，如果需要建模或训练的是光刻工艺相关的模型，初始尺寸可以设置为光学直径。
在预设了初始尺寸后，如图5所示，按照虚线框所示的采样窗口对版图中的每个空心小圆圈状采样点进行采样，获得其周围的版图图形作为版图切片，N个样本点共获得对应的N幅版图切片。
然后，执行步骤S102，根据单像素物理尺寸分别对N幅版图切片进行特征提取，以将N幅版图切片对应转化为N个特征矩阵。
在具体实施过程中，以单像素物理尺寸为基本单元对每幅版图切片上的区域进行特征提取，形成特征矩阵。每幅版图切片上能容纳多少个单像素物理尺寸的区域，就对应有多少个单像素位置，每个单像素位置所占区域尺寸刚好等于单像素物理尺寸。任一单像素位置上提取出的版图图形的特征值就作为特征矩阵中与该单像素位置对应的行列上的数值。
举例来讲，一个版图切片能分为M*M个单像素尺寸的区域，其中，第n行第m列的单像素位置上的版图图形的特征值，就作为该版图切片对应的特征矩阵的第n行第m列的数值。版图切片对应提取转化为M*M大小的特征矩阵，其中，n和m都小于等于M。
根据具体需提取特征的不同，对应的特征矩阵上的数值含义也不相同。如果需要提取的特征为密度信息，如图6所示，根据单像素物理尺寸分别对所述N幅版图切片进行基于密度图的特征提取，以将所述N幅版图切片对应像素化转化为N个密度矩阵，密度矩阵内的每个值代表对应的单像素位置所占区域的版图图形密度。以密度矩阵作为特征矩阵。
如果需要提取的特征为频谱信息，则还需要将密度矩阵进一步转化为频谱矩阵，以频谱矩阵作为特征矩阵。
接下来，执行步骤S103，基于N组属性参数，计算出N个特征矩阵的每个单像素位置对应的互信息值，获得互信息图，其中，互信息图上的互信息值表征与互信息值对应的单像素位置上图形特征与属性参数的相关性。
具体来讲，可以先采用公式：计算出所述N个特征矩阵的位于(m,n)行列坐标的单像素位置对应的互信息值MIm,n(X,Y)，其中，x为所述N个特征矩阵中每个特征矩阵在(m,n)行列坐标的单像素位置上的特征值，X为所有x的集合；y为所述特征矩阵对应的所述属性参数，Y为所有y的集合；p(x,y)为x与y的联合概率分布函数，p(x)与p(y)分别为x与y的边际概率分布函数。
举例来讲，N个样本点对应提取有N个大小为M*M的特征矩阵，如图7所示，N个特征矩阵上共有N*M*M个特征值。每个特征矩阵上都有具有相同坐标(即具有相同单像素位置)的N个特征值x，这N个特征值x一一对应N个属性参数y。将N个特征值x和N个属性参数y对应带入前述公式进行计算，累计相加这N个特征值x和N的属性参数y对应的以相加出的和值作为这个相同坐标(m,n)对应的互信息值。
然后，按上述计算方法对特征矩阵上的M*M个单像素位置都进行对应的互信息值计算，将计算出的M*M个互信息值按对应的单像素位置的坐标排布，获得M*M大小的一张互信息图。即N个样本点共提取出一张互信息图。在互信息图中，每个单像素位置对应的坐标上的互信息值的数值代表：在样本点周围的该坐标对应位置上的版图图形与样本属性参数间的相关性，该互信息值的数值越大，代表该位置越重要，在特征提取中更值得关注。每个互信息值在互信息图上均占据一个单像素物理尺寸的区域。
在获得互信息图后，执行步骤S104，根据互信息图，确定出采样窗口的目标尺寸作为版图特征提取的超参数。
在具体实施过程中，根据互信息图确认采样窗口的目标尺寸的方法可以有多种，下面列举两种为例：
第一种，将互信息图绘制成曲线，根据曲线来确定目标尺寸。
具体来讲，可以根据互信息图上的互信息值及互信息值与互信息图中心的距离，绘制出相关性曲线。再根据相关性曲线的拐点位置确定出采样窗口的目标尺寸作为版图特征提取的超参数。因为拐点位置表征了版图图形与样本属性参数的相关性受距离影响由强变弱的位置，在该拐点的距离外的区域可以认为相关性都比较弱，没有必要划入采样窗口的范围。故根据拐点位置确定出的采样窗口的目标尺寸针对性更强，更适应该类版图，兼顾了该类版图的特征提取全面性和计算速度。
较优的，如果模型不需要考虑该类版图的邻近效应存在各向异性，则如图8所示，计算以互信息图的中心(黑白交叉方格)为中心的每一圈互信息值(图中斜线所示方格为一圈互信息值)的平均值；根据该平均值和每一圈互信息值至中心的距离，绘制出相关性曲线。
需要说明的是，每一圈互信息值是指距互信息图最中心的互信息值(黑白交叉方格)之间间隔的最少互信息值数量相等的互信息值，例如图8中斜线所示方格的互信息值与最中心的互信息值之间最少均间隔1个互信息值，故斜线所示方格的互信息值为一圈。同样，最外围的互信息值与最中心的互信息值之间最少均间隔2个互信息值，故最外围的互信息值也为一圈。
需要说明的是，每一圈互信息值至中心的距离为，每一圈互信息值的最外围的边距互信息图的中心的距离；或者，为每一圈互信息值的最外围的边距互信息图的中心的距离与内圈的边距互信息图的中心的距离的平均值。
以计算出的每一圈互信息值至中心的距离为横坐标，以对应的该圈互信息值的平均值为纵坐标，绘制出图8中的相关性曲线。
从相关性曲线可见，随着与中心的距离的增长，互信息值越来越小，即相关性越来越低，距离较大位置处的版图图形信息并不能为样本属性参数的预测提供足够的帮助，故可以以相关性曲线的拐点处对应的横坐标上的距离值乘以2后作为采样窗口的正方形边长尺寸(目标尺寸)，从而兼顾采用完整性和计算速度。
较优的，如果模型需要考虑该类版图的邻近效应存在各向异性，则如图9(a)所示，计算互信息图的每一行互信息值(黑白交叉方格)的行平均值和每一行互信息值距互信息图的中心的行距离；并根据行平均值和行距离，绘制出行相关性曲线。并且，如图9(b)所示，计算互信息图的每一列互信息值(黑白交叉方格)的列平均值和每一列互信息值距互信息图的中心的列距离；并根据列平均值和列距离，绘制出列相关性曲线。
需要说明的是，每一行互信息值至中心的距离为，每一行互信息值的距中心最远的边与互信息图的中心的距离；或者，为每一圈互信息值的距中心最远的边与互信息图的中心的距离与距中心最近的边与互信息图的中心的距离的平均值。以计算出的每一行互信息值至中心的距离为横坐标，以对应的该行互信息值的行平均值为纵坐标，绘制出图9中的行相关性曲线。绘制列相关性曲线的方法与绘制行相关性曲线的方法相同，在此不作累述。
然后，根据行相关性曲线的拐点位置确定出采样窗口的纵向尺寸作为版图特征提取的超参数；根据列相关性曲线的拐点位置确定出采样窗口的横向尺寸作为版图特征提取的超参数。
具体来讲，以行相关性曲线的拐点处对应的横坐标上的距离值乘以2后作为采样窗口的纵向尺寸(沿列的方向的尺寸)，以列相关性曲线的拐点处对应的横坐标上的距离值乘以2后作为采样窗口的横向尺寸(沿行的方向的尺寸)，从而兼顾采用完整性和计算速度。
第二种，采用机器学习算法。
将互信息图输入采用大量互信息图样本和样本尺寸训练好的机器学习模型，根据该机器学习模型来输出目标尺寸。
当然，根据互信息图确认采样窗口的目标尺寸的方法不限于上述两种，在此不作限制。
具体来讲，采用本实施例提供的方法确定出的采样窗口的目标尺寸与单像素物理尺寸这两个超参数，是通过对样本版图进行计算分析获得的，不需要对建模的物理机理进行额外的分析，精简了建模过程。并且，通过选取合适的考虑了相关性的采样窗口目标尺寸保证了在样本点坐标周围采集到足够的图形信息以表述邻近效应的影响。通过选取合适的考虑了版图图形尺寸的单像素物理尺寸保证了在像素化过程中既不会导致信息冗余也不会造成信息丢失，故在不影响训练模型精度的前提下，最大限度的精简特征数据，加快模型训练与实施速度。进一步，在绘制相关性曲线时考虑不同方向的互信息值随距离的变化特征，能兼顾工艺中各向异性的邻近效应对特征提取造成的影响，使得提取到的版图图形特征与模型预测更相关，准确性更高。
基于同一发明构思，本公开提供了一种版图特征提取的超参数确定装置，如图10所示，包括：
采样模块1001，用于按照初始尺寸的采样窗口分别对版图上的N个样本点进行采样，对应获得N幅版图切片，N大于1，其中，所述N个样本点对应有N组属性参数；
矩阵转化模块1002，用于根据单像素物理尺寸分别对所述N幅版图切片进行特征提取，以将所述N幅版图切片对应转化为N个特征矩阵；
互信图模块1003，用于基于所述N组属性参数，计算出所述N个特征矩阵的每个单像素位置对应的互信息值，获得互信息图，其中，所述互信息图上的互信息值表征与所述互信息值对应的单像素位置上图形特征与属性参数的相关性；
确定模块1004，用于根据所述互信息图，确定出所述采样窗口的目标尺寸作为版图特征提取的超参数。
需要说明的是，上述版图特征提取的超参数确定装置即为前述实施例提供的版图特征提取的超参数确定方法对应的装置，在版图特征提取的超参数确定方法的描述中所介绍的技术特征均适用于该装置，在此不作累述。
基于同一发明构思，本公开提供了一种计算机可读存储介质1100，如图11所示，其上存储有计算机程序1111，该计算机程序1111被处理器执行时实现以下步骤：
按照初始尺寸的采样窗口分别对版图上的N个样本点进行采样，对应获得N幅版图切片，N大于1，其中，所述N个样本点对应有N组属性参数；
根据单像素物理尺寸分别对所述N幅版图切片进行特征提取，以将所述N幅版图切片对应转化为N个特征矩阵；
基于所述N组属性参数，计算出所述N个特征矩阵的每个单像素位置对应的互信息值，获得互信息图，其中，所述互信息图上的互信息值表征与所述互信息值对应的单像素位置上图形特征与属性参数的相关性；
根据所述互信息图，确定出所述采样窗口的目标尺寸作为版图特征提取的超参数。
在具体实施过程中，该计算机程序1111被处理器执行时，可以实现本发明实施例的方法中任一实施方式。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
本申请实施例提供的版图特征提取的超参数确定方法、装置和介质，先预设采样窗口的初始尺寸，并按照初始尺寸进行采样、特征提取和特征矩阵转化。再根据特征矩阵和样本点的属性参数计算获得互信息图，该互信息图上的互信息值表征与所述互信息值对应的单像素位置上图形特征与属性参数的相关性，故通过分析互信息图确定出的目标尺寸，是考虑了图像特征与属性参数的相关性的尺寸，更符合版图的实际情况，采用该目标尺寸作为版图特征提取的超参数，在用于模型训练或模型应用的版图特征提取时，更能兼顾运算速度和计算准确度。
在以上的描述中，对于各层的构图、刻蚀等技术细节并没有做出详细的说明。但是本领域技术人员应当理解，可以通过各种技术手段，来形成所需形状的层、区域等。另外，为了形成同一结构，本领域技术人员还可以设计出与以上描述的方法并不完全相同的方法。另外，尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。
显然，本领域的技术人员可以对本公开内容进行各种改动和变型而不脱离本公开内容的精神和范围。这样，倘若本公开内容的这些修改和变型属于本公开内容权利要求及其等同技术的范围之内，则本公开内容也意图包含这些改动和变型在内。