本發(fā)明屬于電子設計自動化（eda）領域，特別的說，涉及一種eda中分層式設計規(guī)則檢查系統(tǒng)與方法。

背景技術：

1、如圖1，在集成電路設計的演進歷程中，設計規(guī)則檢查（drc）作為確保設計滿足制造工藝要求的關鍵步驟，其重要性日益凸顯。隨著技術節(jié)點的持續(xù)微縮，設計規(guī)則變得愈發(fā)復雜，對drc工具的效率和準確性提出了更高要求。傳統(tǒng)的drc方法，基于固定的規(guī)則集和布爾邏輯運算，已經難以適應快速發(fā)展的工藝需求和設計規(guī)模的擴大。這些方法在處理日益增多的復雜規(guī)則時，不僅耗時，而且難以擴展，限制了設計創(chuàng)新和迭代的速度。

2、技術節(jié)點的縮小帶來了多重挑戰(zhàn)：首先，設計規(guī)則的數量和復雜性顯著增加，傳統(tǒng)的drc檢查方法在面對成千上萬條規(guī)則時顯得力不從心；其次，設計周期的縮短要求drc檢查必須更加快速，以適應市場對快速產品迭代的需求；最后，隨著設計規(guī)模的增加，對計算資源的需求也在不斷上升，傳統(tǒng)的drc方法在資源消耗上顯得不夠經濟。

3、在這樣的背景下，電子設計自動化（eda）領域急需一種新的drc解決方案，既能滿足高精度的要求，又能提高檢查速度，減少設計周期，降低計算資源消耗。這正是本發(fā)明所要解決的問題。

技術實現思路

1、針對上述現有技術的不足，本發(fā)明的目的在于提供一種用于集成電路設計的高效和精確設計規(guī)則檢查的eda中分層式設計規(guī)則檢查系統(tǒng)與方法。本發(fā)明通過引入多級深度學習技術，本發(fā)明的系統(tǒng)和方法能夠在保持高準確性的同時，顯著提升drc檢查的效率，為集成電路設計領域帶來創(chuàng)新的自動化設計規(guī)則檢查解決方案。

2、本發(fā)明中，通過結合初級違規(guī)檢測、卷積神經網絡（cnn）違規(guī)分類和高級gpu并行算法的精準分析，形成了一個多層次的檢查流程。本發(fā)明的技術方案具體介紹如下。

3、本發(fā)明提供一種eda中分層式設計規(guī)則檢查系統(tǒng)，包括初級違規(guī)檢測模型、違規(guī)類型

4、分類器和高級違規(guī)分析模型；其中：

5、初級違規(guī)檢測模型，采用基于決策樹的深度學習算法對集成電路設計中是否存在潛在設計規(guī)則檢查drc違規(guī)進行初步篩查；

6、違規(guī)類型分類器，使用卷積神經網絡cnn對初級違規(guī)檢測模型檢測到的違規(guī)進行類型分類；

7、高級違規(guī)分析模型，采用高級圖像處理器gpu并行算法，進行精準的設計規(guī)則檢查drc違規(guī)分析和判斷。

8、本發(fā)明中，初級違規(guī)檢測模型是通過學習現有合法布局的模式，構建能夠識別違規(guī)特征的決策樹得到；其構建方法具體如下：

9、1）數據準備

10、收集歷史合規(guī)設計中版圖數據，使用擾動技術獲得合規(guī)和違規(guī)的設計布局，作為訓練和測試數據集；

11、2）特征選擇

12、從設計布局中提取固定大小窗口的特征用于決策樹模型的訓練；特征為和工藝節(jié)點緊密相關的特征，包括不同材料的線寬、間距和形狀；

13、3）模型訓練和構建

14、使用提取的特征訓練決策樹模型，優(yōu)化模型參數以提高分類準確性，構建得到初級違規(guī)檢測模型。

15、本發(fā)明中，初級違規(guī)檢測模型通過cart算法構建。

16、本發(fā)明中，違規(guī)類型分類器通過學習不同違規(guī)類型的圖像特征構建得到；其構建方法如下：

17、收集歷史合規(guī)設計中版圖數據，使用擾動技術獲得合規(guī)和違規(guī)的設計布局，將違規(guī)的設計布局圖像化，并進行歸一化處理作為訓練數據集和驗證集；基于訓練數據集訓練cnn模型，并通過驗證集進行性能評估，構建違規(guī)類型分類器。

18、本發(fā)明中，cnn模型包括輸入層、卷積層、批量歸一層、激活層以及輸出層。

19、本發(fā)明中，高級違規(guī)分析模型的工作流程如下：

20、1）系統(tǒng)搭建

21、構建包含數據傳輸模塊、gpu加速處理單元和沖突識別與處理單元的系統(tǒng)；

22、2）數據傳輸與預處理

23、將設計布局的幾何信息從cpu傳輸到gpu，并進行邊緣集合的轉換和存儲；

24、3）gpu加速掃描線算法

25、在gpu上初始化并執(zhí)行掃描線算法，利用并行處理能力提高算法效率；

26、4）內部多邊形檢查與多邊形間檢查

27、在gpu上并行執(zhí)行，快速定位設計規(guī)則違反點；

28、5）沖突識別與處理

29、利用gpu的高并行性，對候選沖突邊對進行分析和處理；

30、6）結果輸出與性能優(yōu)化

31、將檢查結果傳回cpu，進行可視化展示。

32、本發(fā)明還提供一種eda中分層式設計規(guī)則檢查方法，包括以下步驟：

33、步驟一：利用初級違規(guī)檢測模型對集成電路設計進行初步篩查，以確定是否存在drc違規(guī)；

34、步驟二：對于初級模型檢測到的違規(guī)，使用違規(guī)類型分類器進行違規(guī)類型分類；

35、步驟三：對于需要高精度判斷的設計，或者芯片后端設計師對初級檢測結果不滿意的情況，利用高級違規(guī)分析模型進行深入分析，得到違規(guī)分析報告。

36、與現有技術相比，本發(fā)明具備以下優(yōu)點：

37、高效率：初級違規(guī)檢測模型能夠快速完成設計中的drc違規(guī)篩查，顯著減少檢查時間；

38、高精度：cnn分類器和高級違規(guī)分析模型確保了違規(guī)類型的準確識別和判斷，提高了drc檢查的準確性；

39、靈活性：設計師可以基于設計需求和個人偏好，選擇不同級別的drc檢查，平衡檢查速度和精度；

40、用戶友好：系統(tǒng)提供直觀的反饋和違規(guī)修正建議，幫助設計師快速響應和修正設計問題。

技術特征：

1.一種eda中分層式設計規(guī)則檢查系統(tǒng)，其特征在于，包括初級違規(guī)檢測模型、違規(guī)類型分類器和高級違規(guī)分析模型；其中：

2.根據權利要求1所述的系統(tǒng)，其特征在于，初級違規(guī)檢測模型是通過學習現有合法布局的模式，構建能夠識別違規(guī)特征的決策樹得到；其構建方法具體如下：

3.根據權利要求1所述的系統(tǒng)，其特征在于，違規(guī)類型分類器通過學習不同違規(guī)類型的圖像特征構建得到；其構建方法如下：

4.根據權利要求3所述的系統(tǒng)，其特征在于，cnn模型包括輸入層、卷積層、批量歸一層、激活層以及輸出層。

5.根據權利要求1所述的系統(tǒng)，其特征在于，高級違規(guī)分析模型的工作流程如下：

6.一種基于權利要求1所述的多級深度學習設計規(guī)則檢查系統(tǒng)的檢查方法，其特征在于，包括以下步驟：

技術總結
本發(fā)明公開了一種EDA中分層式設計規(guī)則檢查系統(tǒng)與方法，用于集成電路設計的高效和精確設計規(guī)則檢查。該系統(tǒng)通過結合初級違規(guī)檢測、卷積神經網絡（CNN）違規(guī)分類和高級GPU并行算法的精準分析，形成了一個多層次的檢查流程。該方法首先使用基于決策樹的初級違規(guī)檢測模型快速篩選潛在的設計規(guī)則違規(guī)，然后通過CNN違規(guī)分類器對違規(guī)類型進行詳細分類，后端設計者查看該違規(guī)類型是否清晰明了，如若不夠清晰，最后利用高級GPU并行算法對違規(guī)進行精細分析，確保檢查結果的準確性。本發(fā)明的系統(tǒng)和方法顯著提升了設計規(guī)則檢查的效率和準確性，通過層次化檢查縮短了設計周期，具有重要的工業(yè)應用價值和市場潛力。

技術研發(fā)人員：李小南,蔣若愚,俞磊
受保護的技術使用者：上海芯軔科技有限公司
技術研發(fā)日：
技術公布日：2024/12/10