技术领域
[0001] 一种平板显示版图设计规则检查结果自动筛选方法属于
半导体集成
电路设计自动化领域，主要涉及平板显示版图的设计规则检查，尤其是如何从违反设计规则的结果中自动筛选出需要
修改版图的结果。
背景技术
[0002] 设计规则检查（Design Rule Check, DRC）是
电子设计自动化的一个重要组成部分，源于集成电路版图（Integrated Circuit，IC）设计流程，通常检查的是
导线宽度、导线间距等项目，输出结果是违反设计规则的设计。版图交付流片前必须
迭代修改所有违反规则的设计，才能确保流片成功。
[0003] 平板显示（Flat Panel Display，FPD）版图的设计规则检查借鉴于集成电路版图，但处理检查结果时情况更加复杂，并非所有的违规结果都需要修改版图。目前，对违规结果的筛选大都需要人工观察，通常需要从几十万个结果中筛选出需要修改版图的部分，工作效率很低。特别是每次修改版图后迭代执行设计规则检查时，又需要重新筛选结果，严重拖延了版图设计全流程。
[0004] 本
发明将
机器学习领域的数据分类方法引入平板显示设计领域，通过分类
决策树的训练、预测，实现设计规则检查结果的自动筛选，自动区分哪些结果需要修改版图，显著缩短了版图迭代修改周期，
加速整个设计流程。
[0005] 决策树(Decision Tree）是机器学习（Machine Learning）领域一个重要分类方法，也是最直观的分类方法。同时，决策树还是一个
预测模型，代表的是对象属性与对象值之间的一种映射关系。树中每个
节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。
[0006] 通过样本数据的特征属性训练决策树，在机器学习领域已经积累了多种成熟的方法，如CLS、ID3、C4.5、GINI、SLIQ、SPRINT等。在决策树分类方法中，最常用的是C4.5方法，它继承了ID3方法的优点并进行了改进和补充。C4.5方法是以信息论（Information Theory）为
基础，以信息熵和信息增益度为衡量标准，从而实现对数据的归纳分类，克服了ID3方法中信息增益选择属性时偏向选择取值多的属性的不足，并能够完成对连续属性离散化的处理，还能够对不完整数据进行处理。
[0007] 本发明综合考虑了平板显示版图设计规则检查结果的各项特征属性，采用C4.5方法生成决策树。经实际测试，在平板显示领域，采用C4.5方法生成的决策树，对设计规则检查结果的类别预测十分准确：被正确分类的候选结果，经人工验证，占全部候选结果总数95%以上，完全满足版图迭代修改的应用需求。为严格确保流片成功，只需在多次迭代修改后，当自动筛选不再出现需要修改版图的检查结果时，采用人工手动筛选一遍即可。
[0008] 随着平板显示规模日趋增大，版图布局日益复杂，设计规则检查结果的自动筛选必将成为一种趋势，从而保证版图设计全流程的高效运转。
发明内容
[0009] 本发明针对半导体集成电路设计自动化领域，对平板显示版图执行设计规则检查后，人工手动筛选检查结果工作效率低，拖延了整个版图设计流程的实际问题，提出了一种平板显示版图设计规则检查结果自动筛选方法。本发明将机器学习领域的数据分类方法引入平板显示设计领域，通过分类决策树的训练、预测，实现设计规则检查结果的自动筛选，自动区分哪些结果需要修改版图，显著缩短了版图迭代修改周期，加速整个设计流程。
[0010] 本发明的主要技术方案包括以下三个方面：第一，自动筛选的类别定义。
[0011] 自动筛选的目的就是判断检查结果所在
位置是否需要修改版图，因此只需将全部检查结果分为两类：“需要修改版图”与“不需要修改版图”，即自动筛选的类别定义。
[0012] 第二，决策树的训练和特征属性选取方法。
[0013] 检查结果带有若干特征属性，包括输入图层（Input Layer）、结果区域面积（Area）、结果周边布线
密度（Density）等。为训练自动筛选决策树，得出训练样本的特征属性与所属类别的决定关系，可以采用机器学习领域任意成熟的方法，例如ID3、C4.5、GINI、SLIQ方法等。具体选取那种方法，可以根据之后的预测准确率进行评估，
选定表现良好的一种。
[0014] 决策树的训练过程中会将使用全部特征属性，直到生成决策树后，根据所有分支判断条件即可得出哪些是有效的特征属性。之后收集样本和预测类别时，只要关注有效的特征属性即可。
[0015] 第三，决策树的预测方法。
[0016] 决策树的预测方法十分直观，将预测样本从决策树的根节点，根据分支判断条件走到叶节点，即可得出所属类别，线性时间复杂度内即可完成。
附图说明
[0017] 图1 平板显示版图
片段及设计规则检查结果；图2 GATE层设计规则检查结果样本在特征属性空间中的坐标分布及所属类别；
图3 SD层设计规则检查结果样本在特征属性空间中的坐标分布及所属类别；
图4 PVX层设计规则检查结果样本在特征属性空间中的坐标分布及所属类别；
图5 2ITO层设计规则检查结果样本在特征属性空间中的坐标分布及所属类别；
图6 设计规则检查结果分类决策树。
具体实施方式
[0018] 本部分详细说明实现发明的优选方式。
[0019] 实现发明的优选方式与主要技术方案相对应，包括以下三方面内容：第一，自动筛选的类别定义。
[0020] 自动筛选的目的就是判断检查结果所在位置是否需要修改版图，因此只需将全部检查结果分为两类：“需要修改版图”与“不需要修改版图”。
[0021] 如图1，白色图形是平板显示版图片段，阴影图形是设计规则检查结果。对于版图这一特定图层（事实上是GATE层）：面积较大的检查结果，例如图中（1）、（2）、（3），说明附近导线间距过窄，布局不合理，需要修改版图；面积较小的检查结果，例如图中（4）、（5），只是拐
角违反设计规则，附近不需要修改版图。在这个片段中，判断是否需要修改版图的条件就是检查结果（阴影图形）面积是否大于20平方微米。
[0022] 第二，决策树的训练和特征属性选取方法。
[0023] 检查结果带有若干特征属性，本方法主要用到了输入图层（Input Layer）、结果区域面积（Area）、结果周边布
线密度（Density）、结果与
像素单元的位置关系（Inside Pixel）、线宽或线间距检查类型（Dimensional）等属性。
[0024] 首先，在训练决策树之前，对检查结果进行初步分析，在“输入图层–结果区域面积–周边布线密度”三维空间内观察检查结果的分类特点。由图2到图5，每次
叠加一个图层的检查结果样本分布，依次为GATE层、SD层、PVX层和2ITO层。其中黑色立方体表示“需要修改版图”的样本，白色立方体表示“不需要修改版图” 的样本。通过观察样本的坐标分布和所属类别可知：如图2，GATE层检查结果，当结果区域面积（Area）大于20平方微米时，需要修改版图，通过该属性可区分；
如图3，SD层检查结果，当周边布线密度（Density）大于60%时，需要修改版图，通过该属性可区分；
如图4，PVX层所有检查结果，都需要修改版图，无需进一步区分；
如图5，2ITO层检查结果，通过区域面积（Area）和周边布线密度（Density）两个属性无法有效区分类别，还需要引入更多的特征属性方可区分。
[0025] 然后，采用C4.5方法，将所有可以获取到的特征属性都作为输入，训练决策树。比较训练出来的决策树与直观观察的样本分布规律是否吻合。训练出来的决策树如图6所示，其中叶
子节点“YES”表示“需要修改版图”，叶子节点“NO”表示“不需要修改版图”：在根节点（61），根据输入图层（Input Layer）属性划分类别，比较合理；
对于GATE层检查结果，在子节点（62），根据结果区域面积（Area）属性划分类别，比较合理；
对于SD层检查结果，在子节点（63），根据周边布线密度（Density）属性划分类别，比较合理；
对于PVX层检查结果，不再进行属性判断，直接定性为“需要修改版图”，比较合理；
对于2ITO层检查结果，在子节点（64）、（65）处，采用结果与像素单元的位置关系（Inside Pixel）、线宽或线间距检查类型（Dimensional）两属性进一步划分类别，而不再判断没有区分度的结果区域面积（Area）、周边布线密度（Density）两属性，这与直观观察到的样本分布规律相吻合，比较合理。
[0026] 总之，该决策树的分类模型比较符合样本的数据特点，是一棵比较合理的决策树。为精确测试该决策树的合理程度，可以更换一批样本进行预测，最终分类的准确度越高说明决策树构建得越合理。
[0027] 第三，决策树的预测方法。
[0028] 决策树的预测方法十分直观，将预测样本从决策树的根节点，根据分支判断条件走到叶节点，即可得出所属类别，线性时间复杂度内即可完成。
[0029] 预测后还可以人工复检一下该决策树的准确度，用来评价不同训练方法的优略。决策树的准确度定义为“被正确分类的候选结果，经人工验证，占全部候选结果的百分比”。
经实际测试，在平板显示领域，采用C4.5方法生成的决策树，准确度在95%以上，完全满足版图迭代修改的应用需求。
[0030] 综上，通过实现发明的优选方式可知，决策树方法直观易懂，准确率高，易于训练和修改模型，对版图设计工程师的专业背景要求较低，适于推广普及。
