文摘目的鉴于传统的半监督光刻热点检测方法逐渐无法满足集成电路制造对检测精度的要求,且难以解决因数据集不平衡引起的精度损失问题,提出一种新的半监督光刻热点检测模型GSSL。方法在该模型中,将卷积注意力模块(Convolutional Block Attention Module,CBAM)引入到Ghost模块的线性变化中,设计了Ghost_CBAM模块;将该模块与压缩激励网络(Squeeze-and-Excitation,SE)结合设计了GhostNeck模块,实现特征图先降维再升维,建立各个通道之间的关联性;再通过GhostNeck构建整个光刻热点检测模型GSSL,实现逐步引入无标记数据进入训练的半监督学习方式;通过集成数据增强方法对数据集中的热点版图进行数据增强,缓解数据不平衡问题;并应用加权交叉熵损失函数,进一步提升模型对于热点类别的关注度。结果在ICCAD(The International Conference on Computer-Aided Design)2012竞赛基准数据集上进行评估,在标记数据占比为10%~50%的情况下预测热点的平均准确率为91.73%,平均误报为680。结论与其他传统方法相比,GSSL可以有效应对数据集不平衡的问题,提升光刻热点检测精度的同时,显著降低了误报率,在光刻热点检测上具有一定的应用价值。
