本發(fā)明屬于集成電路相關，更具體地，涉及一種集成電路互連線的寄生電容提取方法。

背景技術：

1、隨著半導體制造工藝技術的不斷進步，集成電路的尺寸相應地不斷縮小。在這種情況下，芯片的集成密度顯著增加，導致互連線的排列更加密集。互連線之間的距離變得越來越小，與此同時，互連線本身的工藝變化也越來越明顯。?因此，互連線之間的寄生效應更加嚴重，寄生參數尤其是寄生電容對電路的影響變得越來越顯著。如何準確提取這些寄生效應的參數已成為了集成電路領域中的關鍵問題之一。

2、目前，主流的互連線寄生電容場求解器按照求解原理主要可以分為兩類。一類是傳統(tǒng)的離散數值方法，用于求解物理場方程，如有限差分法和邊界元法等；另一類是求解積分的方法，如浮動隨機行走法，該方法利用浮動隨機行走將導體電荷的計算轉化為蒙特卡洛積分。浮動隨機行走法擁有相對其他幾種傳統(tǒng)的數值方法更高的計算效率和精度，但計算結果具有方差，因此互連電容矩陣的對稱性較差，而且在處理具有非曼哈頓形狀導體（存在工藝可變性）和復雜的介質分布情況時，往往會面臨挑戰(zhàn)；傳統(tǒng)的數值離散方法的精度低于隨機形狀法，而且需要進行離散網格的劃分需要較大的計算成本（特別是對于非曼哈頓形狀導體）。

3、快速發(fā)展的神經網絡在集成電路電子設計自動化領域發(fā)揮著越來越重要的作用，數據驅動的神經網絡寄生電容預測方法的研究取得了很大的進展，但使用神經網絡直接求解寄生電容的方法的相關研究較少，且均沒有提出一種足以與邊界元等方法地位對等的求解寄生電容場的機器學習方法。

技術實現思路

1、針對現有技術的以上缺陷或改進需求，本發(fā)明提供了一種集成電路互連線的寄生電容提取方法，其目的在于將人工神經網絡與寄生電容求解的物理問題有機結合，充分發(fā)揮神經網絡靈活高效的特點，并實現高精度寄生電容提取。

2、為實現上述目的，按照本發(fā)明的一個方面，提供了一種集成電路互連線的寄生電容提取方法，包括：

3、s1、構建集成電路中每個導體的表面采樣點位置坐標集合以及內部采樣點位置坐標集合，其中，將每個內部采樣點作為一個等效點電荷的位置；構建由所有導體兩兩互連電容構成的初始值全為零的寄生電容矩陣；

4、s2、從所有導體中選取一個作為主導體，設置其理想表面電勢值為1，其余作為從導體，設置其理想表面電勢值為0；根據每個導體的理想表面電勢值，生成與該導體的表面采樣點一一對應的理想表面電勢值的集合；

5、s3、構建由輸入層、單層隱藏層和輸出層組成的神經網絡結構，其中，以表面采樣點位置坐標作為神經網絡的輸入，以表面采樣點一一對應的理想表面電勢值和神經網絡的輸出間的均方誤差作為損失函數，神經元的個數同所有導體對應的所有等效點電荷的數量，將三維空間中泊松方程的格林函數作為單層隱藏層的激活函數，將所有等效點電荷的位置坐標作為隱藏層激活函數的中心坐標；基于所有導體的表面采樣點位置坐標集合以及一一對應的理想表面電勢值集合，訓練神經網絡單層隱藏層中各神經元的權重系數，對應作為各個等效點電荷的等效電荷值，得到每個導體中所有等效點電荷的等效電荷值；

6、s4、采用每個導體中的所有等效點電荷的等效電荷值計算該導體的電荷量，以計算兩兩導體之間的互連電容，更新所述寄生電容矩陣，重復執(zhí)行s2，直至每個導體均充當過主導體。

7、進一步，所述表面采樣點位置坐標集合的構建方式為：

8、讀取描述所述集成電路的物理布局二進制文件和記錄所述集成電路中各個工藝層信息的文件，建立集成電路中每個導體的三維空間模型；

9、根據每個導體的三維空間模型，通過均勻隨機采樣或均勻網格采樣的方式對該導體的表面進行預設數目采樣點的采樣，獲取表面采樣點的位置坐標集合。

10、進一步，所述內部采樣點位置坐標集合的構建方式為：

11、讀取描述所述集成電路的物理布局二進制文件和記錄所述集成電路中各個工藝層信息的文件，建立集成電路中每個導體的三維空間模型；

12、根據每個導體的三維空間模型，設定內部采樣點全部分布在將該導體各原邊長按預設的采樣比例參數 a等比縮小后所得到的三維封閉立體結構表面上，對該導體的內部進行采樣，獲取內部采樣點位置坐標集合。

13、進一步，當集成電路中存在具有不規(guī)則表面的導體時，將每個具有不規(guī)則表面的導體作為規(guī)則表面的導體，執(zhí)行s1-s3所述的訓練；按照不規(guī)則表面的導體的真實表面，執(zhí)行s1-s3所述的訓練，其中，兩次采樣得到的表面采樣點數目相同以及內部采樣點數目相同，第二次訓練時神經網絡各神經元的權重系數初始值為第一次訓練后所得到的神經網絡各神經元的權重系數；采用最終所得到的每個導體中所有等效點電荷的等效電荷值執(zhí)行s4。

14、進一步，s3中采用梯度下降法或采用最小二乘法訓練神經網絡單層隱藏層中各神經元的權重系數。

15、進一步，在采用最小二乘法訓練神經網絡單層隱藏層中各神經元的權重系數時，在最小二乘法訓練完成后，對每個導體均構建另一個內部采樣點位置坐標集合，根據當前訓練所得到的每個導體對應所有等效點電荷的等效電荷值，計算該導體上所有等效點電荷在每個表面采樣點的位置處共同激發(fā)的靜電勢，確定每個表面采樣點對應的所述靜電勢與該導體的理想表面電勢值的差值，以表面采樣點一一對應的所述差值與神經網絡的輸出間的均方誤差作為損失函數，重新構建神經網絡結構并訓練，得到每個導體的由兩個內部采樣點位置坐標集合所確定的所有等效點電荷的等效電荷值。

16、按照本發(fā)明的另一方面，提供了一種電子設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現如上所述的方法的步驟。

17、按照本發(fā)明的另一方面，提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質包括存儲的計算機程序，其中，在所述計算機程序被處理器運行時控制所述存儲介質所在設備執(zhí)行如上所述的方法的步驟。

18、按照本發(fā)明的另一方面，提供了一種計算機程序產品，包括計算機程序或指令，所述計算機程序或指令被處理器執(zhí)行時實現如上所述的方法的步驟。

19、總體而言，通過本發(fā)明所構思的以上技術方案與現有技術相比，本發(fā)明提供的技術方案主要具有以下有益效果：

20、1.?本發(fā)明提出了一種集成電路互連線的寄生電容提取方法，基本原理是假設各個導體內部存在大量等效點電荷，所有等效點電荷共同作用使得各個導體的表面的電勢值達到預期值，以此計算寄生電容矩陣，具體做法是通過構建由輸入層、單層隱藏層和輸出層組成、以三維空間中泊松方程的格林函數作為單層隱藏層的激活函數（即核函數）、以所有等效點電荷的位置坐標作為單層隱藏層核函數的中心坐標的神經網絡結構，可以計算出所有等效點電荷的等效電荷值，從而計算出電容矩陣，因此該方法作為首個完全由機器學習驅動的寄生電容數值計算方法，具有充分的理論支撐、鮮明的物理意義和可解釋性，這保證了求解結果的可靠性。與隨機游走、有限元等傳統(tǒng)算法對比，該方法計算電容的精度超過了有限元法計算電容的精度，與目前最高精度的隨機游走方法的計算精度相媲美，并且計算結果的方差比隨機游走方法的計算結果的方差更小，即該方法計算得到的寄生電容矩陣的對稱性更高。另外，由于該神經網絡的結構特點，可以選擇不同的訓練參數的方法，因此具有更高的計算靈活性；該神經網絡的構造方法和參數訓練方法決定了計算互連電容矩陣時不會受限于互連導體結構的工藝偏差和隨機漲落（例如在處理具有不規(guī)則表面的互連導體結構時，首先對其進行訓練：訓練用于理想狀態(tài)下互連線導體的神經網絡模型，并使其等效點電荷的分布在幾何上相似，然后改變采樣點的位置，使其映射到具有工藝變化的導體實際表面上，保持其電荷恒定，繼續(xù)使等效點電荷和采樣點的分布在幾何上近似，最后，以此為神經網絡的初始狀態(tài)進行訓練，模擬具有工藝偏差的互連線導體的電容情況，可以快速實現具有不規(guī)則表面的互連導體的寄生電容矩陣的高精度求解）；該方法將人工神經網絡與寄生電容求解的物理問題有機結合，能充分發(fā)揮神經網絡靈活高效的特點，為數值求解寄生電容的物理問題帶來新的思路。

21、2.?本發(fā)明提出了表面采樣點的采樣方式，通過在互連導體結構的表面進行采樣獲取表面采樣點的位置坐標集合作為所述構建的神經網絡模型輸入，與傳統(tǒng)的有限元法等全空間離散方法相比，降低了問題的維度。同時不需要對互連導體結構進行網格離散化處理，從而節(jié)省了網格生成的計算成本。

22、3.?本發(fā)明提出的訓練方案中，在首次使用最小二乘法訓練完參數后，對每個導體均構建另一個內部采樣點位置坐標集合，根據當前訓練所得到的每個導體對應所有等效點電荷的等效電荷值，計算該導體上所有等效點電荷在每個表面采樣點的位置處共同激發(fā)的靜電勢，確定每個表面采樣點對應的所述靜電勢與該導體的理想表面電勢值的差值，以表面采樣點一一對應的所述差值與神經網絡的輸出間的均方誤差作為損失函數，重新構建神經網絡結構并再次訓練，得到每個導體的由兩個內部采樣點位置坐標集合所確定的所有等效點電荷的等效電荷值，該方案通過多次訓練減小了最小二乘法訓練結果的誤差，確保了最終的互連電容矩陣的計算結果的準確性。