摘要
随着半导体制造工艺的不断进步，集成电路的设计工艺发展到了14nm以下，但目前业界仍然在集成电路制造过程中广泛采用193nm波长的光源进行光刻。集成电路特征尺寸与光源波长的不匹配会引发光学临近效应，使得光刻图形产生畸变，影响芯片的性能。虽然业界已经提出了大量分辨率增强技术来提高光刻精度，但电路版图中仍然存在许多带有缺陷的光刻热点。现有的光刻热点检测技术难以收集到充足的数据用于提升检测模型的准确率。为了提升电路版图光刻热点的检测准确率和检测效率、提高集成电路的良品率、联合并保护每个芯片厂商客户端隐私的光刻热点数据、打破数据孤岛，亟需在集成电路制造过程中联合多个芯片厂商进行光刻热点检测。本文围绕着多客户端联合进行光刻热点检测展开了以下研究工作: 1.提出了一种基于离散余弦变换(DiscreteCosineTransform,DCT)和GroupLasso的电路版图特征提取技术。针对原始电路版图数据冗余度高、特征不明显的问题，结合DCT特征提取技术和GroupLasso特征选择技术来提取电路版图的关键特征信息，去除原始数据中大量的冗余信息。最后，通过真实的ICCAD2012Contest和Industry光刻热点数据集进行仿真实验，评估了DCT+GroupLasso方法的性能指标。该方法减少了37.5％的数据冗余，实现了较好的光刻热点检测准确率。 2.在原始数据进行特征提取的基础上，构建了基于个性化联邦学习的光刻热点检测框架，提出了一种新颖的个性化联邦学习光刻热点检测算法:HFL-LA,该算法使用全局模型学习所有客户端共有的特征知识，通过局部模型学习本地特有的特征知识。解决了芯片厂商数据隐私性强引起的数据孤岛问题和数据分布不同引起的数据异构性问题,并通过仿真实验评估了HFL-LA算法相关的性能指标，有效提升了光刻热点检测模型的准确率。在大规模客户端场景下，HFL-LA算法相较于传统的光刻热点检测算法Locallearning,可实现5％～11％的模型准确率提升。 3.基于差分隐私和安全多方计算技术，进行了联邦学习框架下光刻热点数据的隐私保护策略研究。针对联邦学习相关算法所面临的隐私泄露问题，提出了基于自适应隐私参数和基于模型分块的联邦学习隐私保护算法:DPFL-APP和FL-MBA。DPFL-APP算法随着联邦学习训练自适应地调整加入的噪声，避免了过大的模型性能损失，FL-MBA算法对光刻热点检测模型进行分块，保护了模型性能并实现了隐私保护。最后将相关隐私保护算法部署到了联邦学习框架中，通过真实的ICCAD2012Contest和Industry光刻热点数据集对所提隐私保护算法进行了实验验证，所提算法有效维持了光刻热点检测模型的准确率并满足了光刻热点检测系统的隐私保护需求。
NETL