一篇题为“用于可制造芯片设计的基于对抗性主动采样的数据增强框架”的新技术论文由德克萨斯大学奥斯汀分校、英伟达和加州理工学院的研究人员发表。
文摘:
“光刻建模是芯片设计中的一个关键问题，以确保芯片设计掩模是可制造的。它需要对光学和化学模型进行严格的模拟，计算成本很高。机器学习的最新发展为用深度神经网络取代耗时的光刻模拟提供了替代方案。然而，精度的大幅下降仍然阻碍了它的工业应用。最重要的是，训练数据集的质量和数量直接影响模型的性能。为了解决这一问题，我们提出了一个岩石感知数据增强(LADA)框架，以解决数据有限的困境，提高机器学习模型的性能。首先，我们为光刻建模和一个梯度友好的StyleGAN2生成器预训练神经网络。然后，我们执行对抗性主动采样来生成信息和合成的分布掩码设计。这些合成掩模图像将增强原始的有限训练数据集，用于微调光刻模型以提高性能。实验结果表明，LADA可以通过缩小训练数据和测试数据实例之间的性能差距，成功地利用神经网络的容量。
找到这里是技术文件．2022年10月出版(预印本)。
作者:刘明杰，杨浩宇，李宗毅，Kumara Sastry, Saumyadip Mukhopadhyay, Selim Dogru, Anima Anandkumar, David Z. Pan, Brucek Khailany，任浩星。v1 arXiv: 2210.15765
留下回复