林純熙 ，粟 濤

（1.北京郵電大學(xué) 國際學(xué)院，北京 100001；2.中山大學(xué) 電子與信息工程學(xué)院，廣東 廣州 510006）

0 引言

從2015 年以來，產(chǎn)業(yè)界研發(fā)了多種神經(jīng)網(wǎng)絡(luò)處理器[1-2]，并使用這些處理器制造了許多服務(wù)器，在多個(gè)城市大規(guī)模地部署了計(jì)算中心[3-5]。這些服務(wù)器具有強(qiáng)大的計(jì)算力。大量的個(gè)人攜帶的移動(dòng)終端也嵌入了帶神經(jīng)網(wǎng)絡(luò)處理器的芯片，形成一種隨處可用的算力。如果這些算力也可以參與到集成電路的自動(dòng)化設(shè)計(jì)中來，那會(huì)使設(shè)計(jì)工作變得更加方便。比如說，只需要下載相應(yīng)的權(quán)值，就可以使用手機(jī)進(jìn)行集成電路設(shè)計(jì)版圖的檢查，這對(duì)管理人員也是一種幫助。

神經(jīng)網(wǎng)絡(luò)在圖像分析上獲得了巨大的成功。這些成功的案例有：目標(biāo)分類[6-8]、目標(biāo)檢測(cè)[9-12]、目標(biāo)識(shí)別[13-14]。除了單目標(biāo)分析，神經(jīng)網(wǎng)絡(luò)還可以進(jìn)行多目標(biāo)分析[15-16]，比如在一張圖中找到所有汽車[17]。然而當(dāng)前成功的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)對(duì)于集成電路設(shè)計(jì)是否仍然有效，還有待研究。

集成電路設(shè)計(jì)分為前端和后端。后端的核心任務(wù)就是版圖設(shè)計(jì)。版圖設(shè)計(jì)分為繪制和檢查兩個(gè)環(huán)節(jié)。每次繪制完總要進(jìn)行檢查來判斷繪制是否合規(guī)。芯片版圖分為內(nèi)核和IO 兩部分。首先探索神經(jīng)網(wǎng)絡(luò)是否可以用于IO 焊盤擺放的合規(guī)性檢查。

最近學(xué)術(shù)界在使用神經(jīng)網(wǎng)絡(luò)輔助集成電路設(shè)計(jì)上也開展了一些工作，主要有：采用ANN 技術(shù)輔助微波電路設(shè)計(jì)[18]；利用人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)、優(yōu)化、模擬集成電路[19]；利用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)字電路的分層測(cè)試[20]等。

上述這些工作存在諸多問題，并且也沒有針對(duì)IO布局進(jìn)行的研究。檢查IO 布局涉及目標(biāo)的檢測(cè)和識(shí)別，除了檢測(cè)多個(gè)目標(biāo)，還要分析目標(biāo)之間關(guān)聯(lián)，判斷是否違規(guī)。此外還要對(duì)整個(gè)布局的態(tài)勢(shì)做出分析。這種版圖分析比人臉識(shí)別之類的分析要更加復(fù)雜，有可能帶來一些對(duì)神經(jīng)網(wǎng)絡(luò)算法和應(yīng)用的新認(rèn)識(shí)。

綜上所述，研究神經(jīng)網(wǎng)絡(luò)在IO 布局上的應(yīng)用有實(shí)際用途，與已有的工作不重復(fù)，并且具有一定的學(xué)術(shù)價(jià)值。

1 焊盤布局

圖1 給出了一種芯片版圖，IO 焊盤圍繞內(nèi)核排布。在這個(gè)布局中，電源引腳VDD 和接地引腳VSS 的焊盤被放在相鄰的位置。這種布局的好處是，在封裝和電路板上VDD 和VSS 的互連線可以緊緊靠在一起，既減少了供電網(wǎng)絡(luò)的寄生電感，又能降低電源互連線上的電磁輻射，因此是有利的。

圖1 焊盤布局（有利）

圖2 給出了一種不利的芯片版圖。電源引腳VDD和接地引腳VSS 的焊盤分別被放在兩邊。這種布局的電源網(wǎng)絡(luò)連線會(huì)出現(xiàn)一個(gè)較大的環(huán)路，降低電源網(wǎng)絡(luò)的快速響應(yīng)能力，并導(dǎo)致較大的電磁輻射。

圖2 焊盤布局（不利）

如果芯片版圖中缺少VDD 或VSS 引腳，那很可能是一種錯(cuò)誤，也是不能通過檢查的。根據(jù)以上分析，確定本文要實(shí)現(xiàn)的檢查目標(biāo)為：給定芯片版圖，分析VDD 和VSS 的相對(duì)位置，（1）如果兩者相鄰，就報(bào)正確；（2）如果兩者不相鄰，就報(bào)錯(cuò)誤；（3）如果缺少其中一種或全部，也報(bào)錯(cuò)誤。下面將驗(yàn)證神經(jīng)網(wǎng)絡(luò)是否能夠完成這樣的檢測(cè)。

2 檢測(cè)算法

深度卷積神經(jīng)網(wǎng)絡(luò)的模型有很多，其中用于目標(biāo)檢測(cè)并進(jìn)入實(shí)用的主要有Faster R-CNN、SSD 和Yolo[21]。本文采用Yolo 的v3 版本[22]進(jìn)行版圖檢查。

Yolo v1 是Redmon 等人針對(duì)兩階段網(wǎng)絡(luò)效率低、實(shí)時(shí)性差的問題提出的首個(gè)單階段目標(biāo)檢測(cè)網(wǎng)絡(luò)。即只需要對(duì)輸入圖像進(jìn)行一次處理，即可同時(shí)得到目標(biāo)位置和類別的優(yōu)化網(wǎng)絡(luò)，相比于其他幾種目標(biāo)檢測(cè)算法，主要有目標(biāo)檢測(cè)速度快、背景錯(cuò)誤少、泛化性能好等優(yōu)點(diǎn)。

Yolo v3 在小目標(biāo)的檢測(cè)上表現(xiàn)出了比Yolo v1 更卓越的性能。同時(shí)，在目標(biāo)框位置檢測(cè)和物體定位方面也更精確、更穩(wěn)定。在檢測(cè)速度方面，Yolo v3 僅用1/3 的時(shí)間就可以達(dá)到與SSD 相當(dāng)?shù)木?。Yolo v3 在邊界框大小的預(yù)測(cè)上采用與Yolo v2 相同的K 均值聚類算法，最終從預(yù)測(cè)出的三個(gè)初始尺寸不一的邊界框中選出與真實(shí)值的IOU 最大的邊界框來預(yù)測(cè)該目標(biāo)。因此，在同尺寸的樣本檢測(cè)中，Yolo v3 生成的邊界框大小幾乎一致，并且更加接近于目標(biāo)物的真實(shí)大小。Yolo v3 用bx、by、bw、bh 表示預(yù)測(cè)得到的邊界框的中心坐標(biāo)和尺寸。

綜合考慮，選用Yolo v3 為本研究的目標(biāo)檢測(cè)算法。

3 實(shí)驗(yàn)部署

以44 個(gè)引腳的布局為實(shí)驗(yàn)用例，見圖3。首先利用自編寫的Python 腳本生成了100 張樣本圖片，隨后運(yùn)用LabelImg 對(duì)其進(jìn)行了標(biāo)簽標(biāo)記并生成數(shù)據(jù)集。用Python生成版圖框架，而后生成四組數(shù)字0～10 的隨機(jī)排布序列，并據(jù)數(shù)列確定VSS 和VDD 在每條邊上的位置序號(hào)，隨后生成樣本圖片。

圖3 標(biāo)記后的圖形數(shù)據(jù)

將目標(biāo)劃分為兩個(gè)大類：“right”和“wrong”。對(duì)于在同一條邊上相鄰的VDD 與VSS，將其框住并將標(biāo)簽命名為right；對(duì)于不符合排布規(guī)范的VDD 和VSS 焊盤，將其與左右相鄰的普通焊盤或同極性焊盤一并框起并令標(biāo)簽名為“wrong”。

數(shù)據(jù)集制作完成后，利用Python 腳本將其按照90 :9 :1 的比例隨機(jī)分成訓(xùn)練集、測(cè)試集和驗(yàn)證集三部分，同時(shí)利用腳本獲取每個(gè)部分的文件名與地址。完成以上數(shù)據(jù)的收集后，將Yolo v3 文件中的默認(rèn)類別數(shù)量與名稱悉數(shù)改為本次實(shí)驗(yàn)中的相關(guān)參數(shù)。至此，第一次訓(xùn)練前的準(zhǔn)備工作已全部完成。

調(diào)用訓(xùn)練器對(duì)訓(xùn)練集進(jìn)行了訓(xùn)練。經(jīng)過梯度下降算法的兩百次迭代，生成最佳權(quán)重文件weight1.pt。然后調(diào)用版圖檢查器對(duì)權(quán)重進(jìn)行測(cè)試。

為了測(cè)試版圖檢查器的泛化能力，又制作了三組數(shù)據(jù)集。取消了每邊一對(duì)極性焊盤的限制，并分別改變了版圖的整體大小、版圖大小、形狀與焊盤形狀、間隔以及版圖的傾斜角度，隨機(jī)生成了一批版圖，見圖4，稱為異形樣本。

圖4 非標(biāo)準(zhǔn)圖形數(shù)據(jù)示例

對(duì)異形樣本的測(cè)試集進(jìn)行了測(cè)試，然后針對(duì)測(cè)試中所暴露的弱點(diǎn)進(jìn)行三次再訓(xùn)練。四次訓(xùn)練的特點(diǎn)和獲得的權(quán)值如表1 所示。

表1 權(quán)值的標(biāo)號(hào)

4 實(shí)驗(yàn)結(jié)果

首先使用權(quán)值weight1.pt 針對(duì)100 張與訓(xùn)練集規(guī)格完全相同的測(cè)試圖片進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果如圖5、圖6所示。當(dāng)置信度位于0.02（約）至0.75（約）區(qū)間內(nèi)，召回率與準(zhǔn)確率的平均效果值（以下簡(jiǎn)稱為“F1 值”）從約0.70近線性上升至最大值0.94（置信度0.524），隨后于最大置信度（約0.75）處達(dá)到下降至約0.75。

圖5 第一次訓(xùn)練后的F1 曲線

圖6 同類樣本檢測(cè)效果圖

測(cè)試完成后在“detect”目錄下生成了一個(gè)包含測(cè)試后圖片的文件夾。結(jié)果顯示，該輪檢測(cè)精確率達(dá)到100%，召回率也在99%以上。由此可見，在同類樣本的檢測(cè)方面，該版圖檢查器展現(xiàn)出了卓越的性能。

第二輪實(shí)驗(yàn)考查檢測(cè)器的原始泛化能力，仍然使用權(quán)值weight1.pt 對(duì)異形樣本進(jìn)行測(cè)試，結(jié)果如圖7 和表2（第一次）所示。版圖檢查器對(duì)于等比縮小樣本的檢測(cè)精度低，對(duì)于間隙改變、角度改變的查全率較低。同時(shí)，由于生成異形樣本時(shí)取消了一邊一對(duì)極性焊盤的限制，對(duì)于同極性相鄰的情況，檢查器將其誤識(shí)別為正確樣本。版圖檢查器針對(duì)異形樣本的精確率與召回率都不高。

圖7 第一次訓(xùn)練后的異形樣本檢測(cè)結(jié)果

第三輪實(shí)驗(yàn)中，加入同比縮放的樣本進(jìn)行訓(xùn)練，得到weight2.pt 后，再對(duì)異形樣本測(cè)試，結(jié)果如表2（第二次）所示。檢查器對(duì)于小尺寸目標(biāo)的檢測(cè)性能得到大幅提升。在本輪檢測(cè)中，小目標(biāo)的邊界框與實(shí)物更加貼合，檢測(cè)精度上升。對(duì)于寬、窄間隙的識(shí)別也更加精準(zhǔn)。同時(shí)由于新數(shù)據(jù)集中焊盤的排布取消了限制，該輪檢測(cè)中同極性相鄰判定錯(cuò)誤的問題得到了解決。

第四輪實(shí)驗(yàn)中，加入版圖大小、形狀與焊盤形狀、間隔改變的數(shù)據(jù)集進(jìn)行訓(xùn)練，得到weight3.pt 后，再對(duì)異形樣本測(cè)試，結(jié)果如表2（第三次）所示。檢查器對(duì)于小目標(biāo)邊框的錨定得到了進(jìn)一步優(yōu)化。同時(shí)對(duì)于不規(guī)則矩形焊盤與寬度不規(guī)范的間隙有了更高的識(shí)別精度。對(duì)于傾斜擺放的版圖樣本，召回率已達(dá)到90%以上。但由于尚未針對(duì)這一樣本進(jìn)行訓(xùn)練，邊界框的框定不規(guī)范，精確率不佳。

第五輪實(shí)驗(yàn)中，加入版圖傾斜的數(shù)據(jù)集進(jìn)行訓(xùn)練，得到weight4.pt 后，再對(duì)異形樣本測(cè)試，結(jié)果如表2（第四次）所示。版圖檢查器的泛化性能得到進(jìn)一步提升。針對(duì)異形測(cè)試集，版圖檢查器的精確度達(dá)到預(yù)期。同時(shí)，由于泛化能力的提升，在小目標(biāo)的檢測(cè)上邊界框貼合度有所下降。至此，該版圖檢查器針對(duì)同、異形樣本的檢測(cè)精度已全部達(dá)標(biāo)。

經(jīng)過四輪針對(duì)異形樣本的實(shí)驗(yàn)，可以看出一些規(guī)律。隨著訓(xùn)練樣本的逐漸豐富，該版圖檢查器對(duì)于任一類型樣本的檢測(cè)精度與邊界框貼合程度逐步平均，提示該版圖檢查器的泛化能力能夠隨訓(xùn)練提升。同時(shí)，檢查器對(duì)于最近結(jié)束訓(xùn)練的樣本表現(xiàn)出更優(yōu)越、更穩(wěn)定的檢測(cè)性能。

如表3 所示，版圖檢查器的最大F1 值在前三次訓(xùn)練中由0.94 單調(diào)升至1.00，在第四次訓(xùn)練后降至0.92。同時(shí)最大F1 值所對(duì)應(yīng)的置信度在第二次訓(xùn)練時(shí)達(dá)到最大值0.641，而后于第四次訓(xùn)練后單調(diào)下降至0.363。

表3 各輪訓(xùn)練后版圖檢查器的綜合性能總表

前三次訓(xùn)練方向基本一致，重點(diǎn)關(guān)注提升檢查器對(duì)于小樣本、不規(guī)則形狀、不規(guī)則間隙的檢測(cè)精度。而第四輪訓(xùn)練的樣本則需要更普適、包容性更強(qiáng)的標(biāo)記方式。因此，在第四次訓(xùn)練后檢查器的對(duì)于各類樣本的檢測(cè)效果趨于平均，對(duì)于同類樣本以及不傾斜異形樣本的檢測(cè)效果相較第二、三次訓(xùn)練后有所下降。同時(shí)，經(jīng)過修正訓(xùn)練，版圖檢查器對(duì)于焊盤排布規(guī)則的改變表現(xiàn)出了較強(qiáng)的適應(yīng)能力。

5 結(jié)論

目標(biāo)檢測(cè)算法Yolo v3 在芯片版圖焊盤排列規(guī)則的檢測(cè)上表現(xiàn)出了優(yōu)異的性能。在規(guī)整的版圖樣本和不規(guī)整的版圖樣本上都得到很高的精確率與召回率。展示出很強(qiáng)的泛化能力和適用能力。

集成電路版圖的布局須遵循一定的規(guī)則。本次研究表明，通過訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)在集成電路版圖檢查方面有很大潛力，值得持續(xù)的探索與挖掘。