(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110649416.6 (22)申请日 2021.06.10 (65)同一申请的已公布的文献号 申请公布号 CN 113378465 A (43)申请公布日 2021.09.10 (73)专利权人 青岛海洋科学与技术国家实验室 发展中心 地址 266200 山东省青岛市 即墨区问海中 路168号 (72)发明人 李一方　商丽燕　刁鸣晓　 (74)专利代理 机构 郑州芝麻知识产权代理事务 所(普通合伙) 41173 专利代理师 张雯雯 (51)Int.Cl. G06F 30/27(2020.01)G06F 30/23(2020.01) G06T 11/40(2006.01) G06N 3/08(2006.01) G06F 115/06(2020.01) (56)对比文件 CN 110929805 A,2020.0 3.27 CN 1012316 67 A,2008.07.30 CN 10715 3719 A,2017.09.12 CN 101419643 A,20 09.04.29 WO 201915 0158 A1,2019.08.08 审查员 宋佳璇 (54)发明名称 基于人工智能的芯片设计 冗余填充方法 (57)摘要 本发明提供了一种基于人工智能的芯片设 计冗余填充方法， 该方法包括： 利用训练好的神 经网络对集成电路版图进行填充推理， 得到冗余 图形填充图； 其中， 对神经网络进行训练时损失 的衡量方法为： 根据获取的冗余图形填充模板图 获取冗余图形的填充位置标签图像和倾斜角度 标签图像； 根据训练时神经网络推理得到的填充 位置图与填充位置标签图像中每个像素的像素 差值衡量第一子损失， 根据训练时得到的冗余图 形填充图与冗余图形填充模板图的金属密度差 值和金属密度梯度差值衡量第二子损失， 根据训 练时神经网络推理得到的倾斜角度图与倾斜角 度标签图像中冗余图形的倾斜角度差值衡量第 三子损失， 根据各子损失得到对神经网络进行训 练时所采用的损失。 权利要求书2页 说明书7页 CN 113378465 B 2022.06.21 CN 113378465 B 1.一种基于人工智能的芯片设计冗余 填充方法， 其特 征在于， 该 方法包括： 获取待填充的集成电路版图； 利用训练好的神经网络对集成电路版图进行冗余图形填 充推理获取冗余图形 的填充位置图和倾斜角度图后， 进行冗余图形填充， 得到冗余图形填 充图； 其中， 对神经网络进行训练时损失的衡量方法为： 获取高良品率冗余图形填充模板图， 冗余图形填充模板图对应的待填充集成电路版图 为训练图像， 根据冗余图形填充模板图获取冗余图形的填充位置标签图像和倾斜角度标签 图像； 根据训练时神经网络推理得到的填充位置图与填充位置标签图像中每个像素的像素 差值衡量第一子损失； 根据训练时得到的冗余图形填充图与冗余图形填充模板图的金属密度差值和金属密 度梯度差值衡量第二子损失； 根据训练时神经网络推理得到的倾斜角度图与倾斜角度标签图像中冗余图形的倾斜 角度差值衡量第三子损失； 根据待填充集成电路版图中金属互连线与训练时得到的冗余图形填充图中冗余图形 的重叠面积和训练时得到的冗余图形填充图中冗余图形间的重 叠面积衡量第四子损失； 根据各子损失得到对神经网络进行训练时的损失。 2.如权利要求1所述的方法， 其特征在于， 所述冗余图形为多边形， 神经网络输出每种 冗余图形的填充位置图和倾 斜角度图。 3.如权利要求1所述的方法， 其特征在于， 衡量第一子损 失时为每个像素分配权值， 根 据所有像素的像素差值加权求和后的均值衡量第一子损失。 4.如权利要求3所述的方法， 其特 征在于， 所述权值的获取 过程包括： 对训练图像进行阈值处理， 获取金属 互连线二值图； 对金属 互连线二值图和冗余图形 填充模板图进行网格划分后获取网格金属密度； 对于金属互连线二 值图中的每 个网格： 根据冗余图形填充模板图中与该网格位置相同的网格与该网格的网格金属密度计算 初始密度差值； 根据金属互连线二值图中该网格与邻域网格的网格金属密度获取第一邻域 密度差值， 同理， 根据冗余图形填充模板图中处于相同位置的网格以及邻域网格获取第二 邻域密度差值， 根据该网格的所有邻域网格对应的第一邻域密度差值与第二邻域密度差值 的差值计算邻域差值平均值； 初始密度差值和邻域差值平均值之和为该网格的网格权值， 该网格权值与 所有网格权 值之和的比值 为该网格中像素的第一权值； 训练时多张训练图像中处于同一位置的像素的第一权值的均值为所述为每个像素分 配的权值。 5.如权利要求3或4所述的方法， 其特 征在于， 所述权值的获取 过程包括： 获取训练图像 中可填充区域的中心点， 根据 可填充区域中像素与中心点间的距离获取 像素的第二权值， 距离越小， 第二权值越大， 训练时多张训练图像中处于同一位置的像素的 第二权值的均值 为所述为每个像素分配的权值。 6.如权利要求5所述的方法， 其特征在于， 根据第 一权值和第 二权值得到像素的第 三权 值； 训练时多张训练图像中处于同一位置的像素的第三权值的均值为所述为每个像素分配权　利　要　求　书 1/2 页 2 CN 113378465 B 2的权值。 7.如权利要求1所述的方法， 其特 征在于， 所述第二子损失函数的构建过程具体为： 对训练时得到的冗余图形填充图与冗余图形填充模板图进行网格划分后获取网格金 属密度， 则第二子损失函数为： Di,P、 Di,T分别表示训练时得到的冗余图形填充图、 冗余图形填充模板图中第u个 网格的 网格金属密度， Dj,p、 Dj,T分别表示训练时得到的冗余图形填充图、 冗余图形填充模板图中第 i个网格的第j个邻域网格的网格金属密度， n 为网格总个数， n0为邻域网格 个数。 8.如权利要求2所述的方法， 其特征在于， 所述图形填充位置 图为关键点热力图， 关键 点表示冗余图形的中心点。 9.如权利要求6所述的方法， 其特 征在于， 获取GD S格式的待填充的集成电路版图。权　利　要　求　书 2/2 页 3 CN 113378465 B 3