NAS-Cap: Deep-Learning Driven 3-D Capacitance Extraction with Neural Architecture Search and Data Augmentation

要約

高度なプロセス技術の下で集積回路を設計するには、より正確な容量抽出が求められます。
パターンマッチングアプローチと静電容量抽出のためのフィールドソルバーには、それぞれ不正確さと計算コストが大きいという欠点があります。
最近の研究 \cite{yang2023cnn} は、グリッドベースのデータ表現と畳み込みニューラル ネットワーク (CNN) ベースの静電容量モデル (CNN-Cap と呼ばれる) を提案しています。これにより、はるかに少ないコストで正確な結果を得る 3 次元静電容量抽出の 3 番目の方法が開かれます。
フィールドソルバーよりも時間コストがかかります。
この研究では、3 次元静電容量抽出のためのより優れた CNN モデルをトレーニングするために、ニューラル アーキテクチャ検索 (NAS) とデータ拡張の手法が提案されています。
さまざまな設計のデータセットに関する実験結果は、得られた NAS-Cap モデルが CNN-Cap よりも著しく高い精度を達成しながら、推論のための実行時間とモデル保存のためのスペースの消費が少ないことを示しています。
一方、NAS の移行可能性は、一度検索されたアーキテクチャにより、異なる設計および/またはプロセス技術によるテスト ケースの結合/総静電容量に関する同様の誤差削減がもたらされたため、検証されています。

要約(オリジナル)

More accurate capacitance extraction is demanded for designing integrated circuits under advanced process technology. The pattern matching approach and the field solver for capacitance extraction have the drawbacks of inaccuracy and large computational cost, respectively. Recent work \cite{yang2023cnn} proposes a grid-based data representation and a convolutional neural network (CNN) based capacitance models (called CNN-Cap), which opens the third way for 3-D capacitance extraction to get accurate results with much less time cost than field solver. In this work, the techniques of neural architecture search (NAS) and data augmentation are proposed to train better CNN models for 3-D capacitance extraction. Experimental results on datasets from different designs show that the obtained NAS-Cap models achieve remarkably higher accuracy than CNN-Cap, while consuming less runtime for inference and space for model storage. Meanwhile, the transferability of the NAS is validated, as the once searched architecture brought similar error reduction on coupling/total capacitance for the test cases from different design and/or process technology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google