AIL-DNN：基于自适应增量学习的集成电路互连寄生电容建模

《IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems》：AIL-DNN: Modeling of IC Interconnect Parasitic Capacitances Based on Adaptive Incremental Learning

寄生电容提取模型采用自适应增量学习策略，通过分区域采样、动态调整采样密度和增量训练提升DNN模型效率，实验表明训练数据量减少20%的同时保持精度，有效降低计算成本。

　　

摘要：

准确提取互连寄生电容是设计VLSI电路的关键问题。为了提高寄生电容提取的效率，本文提出了一种自适应增量学习（AIL）策略来构建寄生电容提取模型。所提出的模型是一种使用自适应增量学习训练的深度神经网络（DNN），即AIL-DNN。其主要思想如下：首先，将参数空间划分为多个子空间，称为区域；然后通过拉丁超立方采样（LHS）收集少量训练样本和测试数据；接着训练并测试DNN模型，根据测试数据的平均相对误差确定预测误差较大的区域，这些区域被称为训练无效区域；随后根据无效区域调整采样密度，即通过自适应重采样准备新的训练数据集；最后利用增量学习（IL）使DNN训练新样本并更新网络。这一自适应重采样、训练和测试的过程会不断迭代，直到测试误差达到预定义的精度要求。所提出的AIL-DNN能够在样本数量减少的情况下提高DNN训练的效率和准确性，训练得到的DNN模型可用于快速提取寄生电容。在本研究中，比较了AIL-DNN与传统DNN对两种给定互连模式的预测结果，结果显示，在相似精度下，AIL-DNN所需的训练数据集大小约为传统DNN的20%，这显著降低了计算成本和数据集准备时间。

引言

随着集成电路（IC）工艺技术的不断缩小，互连线变得更细、间距更近，集成密度越来越高，工艺变异性也更加显著。因此，提取互连寄生参数对于保证IC的性能至关重要[1]。本文主要关注寄生电容的提取，所提出的方法同样可以应用于电阻和电感的提取。