具体实施方式

以下公开内容提供用于实施所提供主题的不同特征的许多不同实施例或实例。下文描述组件和布置的具体实例来简化本发明。当然，这些仅是实例并且不意欲为限制性的。举例来说，在以下描述中，第一特征在第二特征上方或第二特征上的形成可包含第一特征和第二特征直接接触形成的实施例，并且还可包含额外特征可在第一特征与第二特征之间形成使得第一特征和第二特征可不直接接触的实施例。另外，本发明可在各种实例中重复附图标号和/或字母。此重复是出于简化和清楚的目的，且本身并不规定所论述的各种实施例和/或配置之间的关系。

布局越复杂，IC布局的验证在复杂度方面可能增大。传统上，IC布局验证涉及采集硅数据并将硅数据转化为一或多种设计规则(例如，设计规则手册(design rule manual；DRM))。随后将规则转化为设计规则检查(design rule check；DRC)程序编码以检查布局几何构型。DRC程序编码是用于验证IC布局设计符合设计要求。通过两种不同转化(例如，(i)设计要求转化为规则用语和(ii)规则用语转化为DRC编码)，设计信息在转化中很有可能丢失。IC布局验证仅与用于验证的DRC编码几乎一样。换句话说，如果DRC编码具有遗失的设计要求，则不能鉴别IC布局是否符合此类要求。如本文所描述，所训练的机器学习模型可用于执行IC布局验证。

人工智能是计算器件分析采集到的数据并使用此类数据得出结论和/或做出决策的能力。机器学习(machine learning)是创造人工智能的普遍方法。通过机器学习，计算器件获得且应用其知识来在未经一系列规则明确编程的情况下做出决策。举例来说，机器学习组件可使用大数据集来训练且基于所述数据集产生输出。结合本发明，组配若干IC设计布局(例如，良好设计布局和不良设计布局)的数据集。将数据集提供给机器学习组件以供训练。所训练的机器学习组件产生预测模型，预测模型用于评估实际产品布局的图像和鉴别IC布局相对于那些图像的任一设计违例。

图1示出根据本发明的各种实施例的实例系统100，系统100处理训练数据集102且产生用于鉴别IC布局的设计违例的预测模型116。系统100包含一或多种处理系统110。处理系统110包含机器学习组件112。机器学习组件112接收训练数据集102(例如，良好IC布局和不良IC布局)。训练数据集102可由处理系统110经由通信网络接收，例如，因特网、企业内部网、外联网、局域网(“local area network；LAN”)、广域网(“wide area network；WAN”)、城域网(“metropolitan area network；MAN”)、虚拟局域网(“virtual local area network；VLAN”)和/或任何其它网络。训练数据集102还可通过无线、有线和/或任何其它类型的连接接收。机器学习组件112是通过评估训练数据集102来训练的，所述数据集经标注来实现特定目的(例如，确定布局是良好设计还是不良设计)。训练数据集102具有若干良好设计实例和不良设计实例，机器学习组件112使用良好设计实例和不良设计实例来评估输入设计。一旦经训练，则机器学习组件112产生预测模型116，预测模型116基于训练数据集102来执行IC布局验证。

预测模型116可实施为神经网络(neural network)，神经网络基于数据集内的布局特征和其作为良好设计或不良设计的相应标识来使用训练数据集102进行训练。神经网络采用迭代(iterative)学习。将训练数据集102内的各布局提供给机器学习组件112，且将其对应的特征分配给神经网络的输入节点。权重被分配给各输入节点且经相应调节来实现特定输出。举例来说，良好布局的特征可作为输入而馈入且被分配不同权重。调节权重来确保“良好”布局的输出指示。在训练过程期间，针对指示为“良好”的各布局调节权重以确保输出可指示布局是良好的。针对训练数据集102内的不良布局中的每一个重复此过程。将不良布局的特征作为输入而馈入到神经网络中且随后修改先前针对良好布局调节的权重以确保不良布局的输出可指示布局是不良的。针对训练数据集102内的每一不良布局迭代地调节权重。为易于理解，训练过程经描述首先使用良好布局其次使用不良布局依序进行。然而，应注意，此类训练可同时进行且输入的任何组合都在本发明的范围内。一旦针对良好布局指示和不良布局指示两者完成权重，则机器学习组件112的训练完成。预测模型116含有不再基于输入修改的一组权重。换句话说，将在训练期间确定的权重施加到馈入到预测模型116中的任一输入。如图2至图4中更详细地描述，预测模型116基于那些权重输出良好布局或不良布局的表征。

处理系统110可使用软件、硬件和/或两者的任何组合来实施。处理系统110还可在个人电脑、笔记本电脑、服务器、移动电话、智能电话、平板电脑和/或任何其它类型的器件和/或器件的任何组合中实施。如在下文进一步详细论述，机器学习组件112可在接收到的训练数据集102上执行实行、编译(compilation)和/或任何其它功能，可且执行机器学习功能。处理系统110还包含数据存储组件114。数据存储组件114可用于由处理系统110处理的数据的存储，且可包含任何类型的存储器(例如，临时存储器、永久性存储器和/或其类似者)。

图2是示出根据本发明的各种实施例的用于IC布局验证的模型检查器的示例性流程图200。训练数据集210由包含不良图案212和良好图案214的大量的IC布局图案(例如100、1000、10000)组配。应注意，任何数量的IC布局图案可用作训练数据集210且在本发明的范围内。训练数据集210内的IC布局图案的数量越大，由预测模型230产生的预测的置信度(confidence)等级越高。然而，训练数据集210内的更多IC布局图案可能需要增加的计算资源和/或计算图案。在给定设计可接受的置信度等级之间的平衡可与可用于机器学习组件220和/或预测模型230的计算资源和/或计算能力平衡。图案是用符号表示IC的不同材料层的平面几何形状的二维(two-dimensional；2D)图像。良好图案214能被制造。由于例如缺陷热点(defect hotspot)的一些瑕疵(例如，由过多的电流流动所引起的受损IC)，不良图案212不能被制造。基于扫描电子显微镜(scanning electron microscope；SEM)图像和处理后的实际IC器件的硅数据来确定不良图案212及良好图案214的标记。将训练数据集210提供给机器学习组件220以供处理。换句话说，机器学习组件220通过接收训练数据集210而经历受监督学习(例如，验证图像或布局是良好设计还是不良设计的人为干预)。机器学习组件220产生可用于IC布局验证的预测模型230。预测模型230接收待验证的IC布局232(例如，针对特定目的产生的IC布局)。IC布局232可为例如IC器件的示意性布局。预测模型230处理IC布局232且鉴别任一设计违例(例如，不符合设计要求的IC布局232的特定设计方面)或与IC布局232相关联的风险(例如，可引起制造或操作缺陷或阻止IC布局232的制造的特定设计方面)。

图3是示出根据本发明的各种实施例的用于IC布局验证的图像检查器的示例性流程图300。训练数据集310由包含不良图案312和良好图案314的大量的IC布局图案组配。图案是用符号表示IC的不同材料层的平面几何形状的2D图像。良好图案314能被制造。由于例如缺陷热点的一些瑕疵，不良图案312不能被制造。基于SEM图像和实际IC器件的经处理硅数据来确定不良图案312及良好图案314的标记。将训练数据集310提供给机器学习组件320以供处理。换句话说，机器学习组件320通过接收训练数据集310而经历受监督的学习。机器学习组件320产生可用于IC布局验证的预测模型330。在图3中所示的实施例中，预测模型330接收具有一或多个布局的测试数据集340，测试数据集340包含已设计的实际IC器件的SEM图像。预测模型330处理测试数据集340且鉴别任一设计违例(例如，不符合设计要求的测试数据集340内IC布局的特定设计方面)或与测试数据集340相关联的风险(例如，可引起制造或操作缺陷或阻止测试数据集340的制造的特定设计方面)。预测模型330分析测试数据集340内各布局的像素图案且提取图像(由于任一图像具有良好像素图案或不良像素图案(例如，所鉴别出的良好/不良图像350))。

在分析测试数据集340内的图像时，预测模型330还通过使用任一标准统计计算执行固有数学计算来确定置信度分数。置信度分数在数值上鉴别在标记测试数据集340的图像是良好还是不良时预测模型330的置信度程度。如果置信度分数足够低(例如，低于某一阈值)，则将所述图像的像素图案组配到不确定像素图案360组中。不确定的像素图案360提供回用于关于像素图案是良好还是不良的手动过程校验370的队中。一旦经手动标记，则将新像素图案372增加到训练集(数据训练集310)中。机器学习组件320可随后使用包含新像素图案372的经更新的训练集(数据训练集310)来产生新预测模型。换句话说，再训练机器学习组件320且再产生预测模型。在此实例中，增加新像素图案372将随后增大与测试数据集340的先前不确定像素图案相关联的置信度分数。换句话说，如果测试数据集340的先前不确定像素图案再次通过预测模型330来处理(在使用包含新像素图案372的训练集(数据训练集310)的新模型的产生之后)，则会将不确定像素图案在所鉴别的良好/不良图像350内分类为良好或不良。

图4是示出根据本发明的各种实施例的用于IC布局验证的图像检查器的示例性流程图400。训练数据集410由包含不良图案412和良好图案414的大量的IC布局图案组配。图案是用符号表示IC的不同材料层的平面几何形状的2D图像。良好图案414能被制造。由于例如缺陷热点的一些瑕疵，不良图案412不能被制造。基于SEM图像和实际IC器件的经处理硅数据来确定不良图案412及良好图案414的标记。将训练数据集410提供给机器学习组件420以供处理。换句话说，机器学习组件420通过接收训练数据集410而经历受监督的学习。机器学习组件420产生可用于IC布局验证的预测模型430。在图4中所示的实施例中，预测模型430接收具有一或多个布局的测试数据集440，测试数据集440包含已设计的实际IC器件的SEM图像。预测模型430处理测试数据集440且鉴别任一设计违例(例如，不符合设计要求的测试数据集440内IC布局的特定设计方面)或与测试数据集440相关联的风险(例如，可引起制造或操作缺陷或阻止测试数据集440的制造的特定设计方面)。预测模型430分析测试数据集440内各布局的像素图案且提取图像(由于任一图像具有良好像素图案或不良像素图案(例如，所鉴别出的良好/不良图像450))。

在分析测试数据集440内的图像时，预测模型430还确定置信度分数。置信度分数在数值上鉴别在标记测试数据集440的图像是良好还是不良时预测模型430的置信度程度。如果置信度分数足够低(例如，低于某一阈值)，则将所述图像的像素图案组配到不确定像素图案460组中。不确定的像素图案460提供回用于关于像素图案是良好还是不良的手动过程校验470的队中。一旦经手动标记，则将新像素图案472增加到训练组(数据训练集410)中。机器学习组件420可随后使用包含新像素图案472的经更新的训练集410来产生新预测模型。换句话说，再训练机器学习组件420且再产生预测模型。在此实例中，增加新像素图案472将随后增大与之前测试数据集440的不确定的像素图案相关联的置信度分数。换句话说，如果测试数据集440的先前不确定像素图案再次通过预测模型430来处理(在使用包含新像素图案472的训练集(数据训练集410)的新模型的产生之后)，则会将不确定像素图案在所鉴别的良好/不良图像450内分类为良好或不良。

在鉴别出各种良好和不良像素图案450的情况下，可使用图像处理技术将IC布局(例如，设计示意图)与各种良好和不良像素图案450进行比较。可突出显示(highlight)且鉴别IC布局内的设计违例(例如，不符合设计要求的IC布局的特定方面)。

图5是用于执行根据本发明的各种实施例的IC布局的图像检查的示例性流程图500。训练数据集504含有大量的设计相关测试图案(例如，设计IC布局)且测试数据集502含有包含已设计的实际IC布局的SEM图像的大量布局。在506处，应用机器学习来提取良好像素图案和不良像素图案。在508处，对照图4中所描述的良好像素图案和不良像素图案来检查IC布局。在510处，鉴别或标记为了制造而需要修复的IC布局的特定方面。在鉴别出那些特定方面的情况下，在512处，可提供良好像素图案作为修复此类方面的建议。在514处，清除或校正IC布局508以准备用于制造。

图6是用于执行根据本发明的各种实施例的IC布局的混合图像检查的示例性流程图600。通过混合图像核对，可使用机器学习608、机器学习610以及设计规则检查602、设计规则检查604、设计规则检查606来验证IC布局。在602处，基于简单图案采集硅数据(例如，与例如布局图案印刷的布局图案相关的数据)。在604处，将硅数据转化为一或多个设计规则。针对可能并不复杂的设计规则(例如两根金属线之间的最小间距)，在606处，将规则用语(例如，来自人类设计师的问题和/或评论)转化为用于布局几何构型检查的DRC编码。举例来说，将“间距必须为0.1纳米”的规则用语转化为可通过设定间距的工具和/或系统来理解的规则(例如p＝0.1)。在608处，将复杂的规则(例如具有大量不同条件)集中在一起，且在610处如图1到图5中详细描述使用机器学习来处理。在612处，可使用DRC编码和来自预测模型的鉴别出的良好及不良像素图案来验证IC布局。在614处，通过可有助于修复此类违例的各种规则和/或图案，可突出显示任一设计违例且可提供例如铸造厂(foundry)的制造场所。

图7是根据本发明的各种实施例的用于IC布局验证的示例性方法的流程图700。在710处，采集包含能够被制造的第一组图案和不能被制造的第二组图案的多个IC图案。在720处，使用多个IC图案来训练机器学习模型。在730处，通过机器学习模型产生用于验证IC布局的预测模型。在740处，预测模型接收包含IC图案的SEM图像的一组测试图案的数据。在750处，基于SEM图像和多个IC图案来确定与IC布局相关联的设计违例。在760处，针对IC布局的进一步特征化提供设计违例的概述。

图8是根据本发明的各种实施例的用于IC布局验证的示例性方法的流程图800。在810处，预测模型接收具有包含IC图案的SEM图像的一组测试图案的数据。预测模型由经训练机器学习模型产生。经训练的机器学习模型是使用多个IC图案来训练的，多个IC图案包含能够被制造的第一组图案和不能被制造的第二组图案。在820处，基于SEM图像和多个IC图案来确定与IC布局相关联的设计违例。在830处，针对IC布局的进一步特征化而提供设计违例的概述。

图9是根据本发明的各种实施例的训练用于IC布局验证的机器学习模型的示例性方法的流程图900。在910处，采集包含能够被制造的第一组图案和不能被制造的第二组图案的多个IC图案。在920处，使用多个IC图案来训练机器学习模型。在930处，机器学习模型产生用于验证IC布局的预测模型。预测模型基于具有IC图案的SEM图像的一组测试模式和多个IC图案来用于与IC布局相关联的设计违例。

图10示出示例性计算机实施环境1000，其中用户1002可通过网络1008与用于验证如本文所描述的IC布局的机器学习组件1004相互作用，所述机器学习组件1004托管在一或多个服务器1006上。机器学习组件1004可辅助用户1002在面向对象建模语言(object-oriented modeling language)基础的界面与硬件描述语言(hardware descriptionlanguage)基础的界面之间进行接合。

如图10中所示，用户1002可通过多种方式(例如经由一或多个网络1008)与机器学习组件1004相互作用。可通过网路1008存取的一或多个服务器1006可托管机器学习组件1004。一或多个服务器1006还可含有或可使用一或多个数据存储器1010来为机器学习组件1004存储数据。

图11是示出用于实施本文中所描述的各个方面的样本计算器件架构的简图1100。总线(bus)1104可作为与硬件的其它示出的组件互连的信息高速公路。标记为中央处理单元(central processing unit；CPU)的处理系统1108(例如在给出计算机或多个计算机的一或多个计算机处理器/数据处理器)可进行执行程序所需的计算和逻辑操作。非暂时性处理器可读存储媒体(例如只读存储器(read only memory；ROM)1112)和随机存取存储器(random access memory；RAM)1116可与处理系统1108通信且可包含用于此处指定的操作的一或多个编程指令。视情况的，程序指令可存储于非暂时性计算机可读存储媒体上，例如磁盘、光盘、可记录存储器件、快闪存储器或其它实体存储媒体。

在一个实例中，磁盘控制器1148可将一或多个可选磁盘驱动器对接到系统总线1104。这些磁盘驱动器可为外部或内部软盘驱动器，例如内部软盘驱动器1160、外部或内部CD-ROM、CD-R、CD-RW或DVD、或固态驱动器，例如固态驱动器1152或者外部或内部硬盘驱动器1156。如先前所指示，这些各种磁盘驱动器1152、磁盘驱动器1156、磁盘驱动器1160以及磁盘控制器为可选器件。系统总线1104还可包含至少一个通信端口1120，以允许与外部器件通信，所述外部器件实体地连接到计算系统或经由有线或无线网络为外部可用的。在一些情况下，通信端口1120包含或另外包括网络接口。

为提供与用户的互动，本文所描述的主题可在计算器件上实施，所述计算器件具有用于向用户显示自总线1104获得的信息的显示器件1140(例如，阴极射线管(cathoderay tube；CRT)或液晶显示器(liquid crystal display；LCD)监测器)以及例如键盘和/或指标器件(例如鼠标或跟踪球)的输入器件1132和/或触摸屏，用户可通过所述触摸屏向计算机提供输入。其它种类的输入器件1132同样可用于提供与用户的互动；例如，向用户提供的反馈可以是任何形式的感觉反馈(例如视觉反馈、通过麦克风1136的听觉反馈或触感反馈)；并且来自用户的输入可以任何形式接收，包含声波、语音或触感输入。在输入中，器件1132和麦克风1136可耦接到总线1104，且经由总线1104通过输入器件接口1128传达信息。其它计算器件(例如专用服务器)可省略显示器1140和显示接口1114、输入器件1132、麦克风1136以及输入器件接口1128中的一个或多个。

另外，可通过包括可由器件处理子系统执行的程序指令的程序编码在许多不同类型的处理器件上实施本文中所描述的方法及系统。软件程序指令可包含源码(sourcecode)、目的码(object code)、机器码或任何其它存储数据，其可操作以使得处理系统执行本文中所描述的方法和操作且可以任何合适语言提供，例如C、C++、JAVA，例如任何其它合适的编程语言。然而，还可使用其它实施方案，例如配置成执行本文中所描述的方法和系统的固件或甚至适当设计的硬件。

系统数据和方法数据(例如，缔合(association)、映射(mapping)、数据输入、数据输出、中间数据结果、最终数据结果等)可存储和实施于一个或多个不同类型的计算机实施数据存储器中，例如不同类型的存储器件和程序构建体(例如，RAM、ROM、快闪存储器、平面文件、数据库、程序数据结构、程序变量、IF-THEN(或类似类型)表述构建体等)。应注意，数据结构描述用于在数据库、程序、存储器或由计算机程序使用的其它计算机可读媒体中组织和存储数据的格式。

本文中所描述的计算机组件、软件模块、函数、数据存储装置和数据结构可彼此直接或间接连接以便允许数据由于其操作所需而流动。还应注意，模块或处理器包含但不限于执行软件操作的编码单元，且可例如实施作为编码的子例程单元，或作为编码的软件功能单元，或作为对象(如在面向对象的范式表(paradigm)中)，或作为小程序，或实施于计算机描述语言中，或作为另一类型的计算机编码。软件组件或功能性可取决于迫切情况而位于单个计算机上或跨越多个计算机分布。

如本文所描述的各种电路和配置的使用可提供许多优势。举例来说，在使用经训练的用于IC布局验证的机器加工学习模型时，执行图案对图案检查而非设计规则几何检查(例如，图像处理是用于IC布局验证)。另外，使用大量设计图案和SEM图像执行IC布局验证。通过使用经训练的机器学习模型，可部分地或完全地消除DRM用语和DRC编码。另外，使用机器学习的IC布局验证可比使用DRM和DRC编码的传统验证具有快得多的运行时间。使用经训练模型还可使流程负责人自己实现研发和验证IC布局图案。

在一个实施例中，采集多个IC图案，多个IC图案包含能够被制造的第一组图案和不能被制造的第二组图案。使用多个IC图案来训练机器学习模型。机器学习模型产生用于验证IC布局的预测模型。预测模型接收包含具有IC图案的SEM图像的一组测试图案的数据。与IC布局相关联的设计违例是基于SEM图像和多个IC图案而确定的。针对IC布局的进一步特征化提供设计违例的概述。在实施例中，所述设计违例通过以下操作来确定：通过所述预测模型产生多个像素图案的编译，所述多个像素图案的所述编译包含能够被制造的第一组像素图案及不能被制造的第二组像素图案；接收用于验证的所述集成电路布局；以及鉴别所述集成电路布局与所述第一组像素图案及所述第二组像素图案之间的差异，其中所述设计违例包括所述差异。在实施例中，所述方法更包括：通过所述机器学习模型来确定置信度分数，所述置信度分数与确定所述设计违例相关联；基于低于阈值的所述置信度分数来鉴别不属于所述第一组图案或所述第二组图案的新图案；确定所述新图案是否能够被制造；以及基于所述确定来更新所述第一组图案或所述第二组图案以包含所述新图案。在实施例中，所述方法更包括：用经更新的所述第一组图案或经更新的所述第二组图案再训练所述机器学习模型；以及通过再训练的所述机器学习模型来再产生新预测模型。在实施例中，所述第二组像素图案包含缺陷热点。在实施例中，使用所述集成电路布局、所述第一组像素图案以及所述第二组像素图案的图像处理来确定所述设计违例。在实施例中，所述集成电路布局先前已使用设计规则检查编码来评估。

在另一实施例中，计算机实施的方法包含通过预测模型来接收包括具有IC图案的SEM图像的一组测试图案的数据。预测模型由经训练的机器学习模型产生。经训练的机器学习模型是使用多个IC图案训练的，所述IC图案具有能够被制造的第一组图案和不能被制造的第二组图案。与IC布局相关联的设计违例是基于SEM图像和多个IC图案而确定的。针对IC布局的进一步特征化提供设计违例的概述。在实施例中，所述设计违例通过以下操作来确定：通过所述预测模型产生多个像素图案的编译，所述多个像素图案的所述编译包含能够被制造的第一组像素图案及不能被制造的第二组像素图案；接收用于验证的所述集成电路布局；以及鉴别所述集成电路布局与所述第一组像素图案及所述第二组像素图案之间的差异，其中所述设计违例包括所述差异。在实施例中，其中：所述机器学习模型确定置信度分数，所述置信度分数与确定所述设计违例相关联；基于低于阈值的所述置信度分数来鉴别不属于所述第一组图案或所述第二组图案的新图案；确定所述新图案是否能够被制造；以及基于所述确定来更新所述第一组图案或所述第二组图案以包含所述新图案。在实施例中，其中用经更新的所述第一组图案或经更新的所述第二组图案再训练所述机器学习模型；以及再训练的所述机器学习模型再产生新预测模型。在实施例中，所述第二组像素图案包含缺陷热点。在实施例中，使用所述集成电路布局、所述第一组像素图案以及所述第二组像素图案的图像处理来确定所述设计违例。在实施例中，所述集成电路布局先前已使用设计规则检查编码来评估。

在又一实施例中，计算机实施的方法包含采集多个IC图案，多个IC图案包含能够被制造的第一组图案和不能被制造的第二组图案。使用多个IC图案来训练机器学习模型。机器学习模型产生用于验证IC布局的预测模型，其中所述预测模型是基于包括IC图案的SEM图像的一组测试图案以及多个IC图案来用于与IC布局相关联的设计违例。在实施例中，所述设计违例通过以下来确定：通过所述预测模型产生的多个像素图案的编译，所述编译包含能够被制造的第一组像素图案及不能被制造的第二组像素图案；以及鉴别所述集成电路布局与所述第一组像素图案及所述第二组像素图案之间的差异，其中所述设计违例包括所述差异。在实施例中，所述方法更包括：通过所述机器学习模型来确定置信度分数，所述置信度分数与确定所述设计违例相关联；基于低于阈值的所述置信度分数来鉴别不属于所述第一组图案或所述第二组图案的新图案；确定所述新图案是否能够被制造；以及基于所述确定来更新所述第一组图案或所述第二组图案以包含所述新图案。在实施例中，所述方法更包括：用经更新的所述第一组图案或经更新的所述第二组图案再训练所述机器学习模型；以及通过再训练的所述机器学习模型来再产生新预测模型。在实施例中，所述第二组像素图案包含缺陷热点。在实施例中，使用所述集成电路布局、所述第一组像素图案以及所述第二组像素图案的图像处理来确定所述设计违例。

前文概述若干实施例的特征以使本领域的技术人员可更好地理解本发明的各个方面。本领域的技术人员应了解，其可易于使用本发明作为设计或修改用于进行本文中所介绍的实施例的相同目的和/或实现相同优势的其它过程和结构的基础。所属领域的技术人员还应认识到，此类等效构造并不脱离本发明的精神和范围，且其可在不脱离本发明的精神和范围的情况下在本文中进行各种改变、替代以及更改。