[論文紹介#268]パターンペイント：少数サンプルから半導体VLSIパターンを生成

in

PatternPaint: Practical Layout Pattern Generation Using Diffusion-Based Inpainting

この論文は、限られたデザインルールに準拠したサンプルから、拡散ベースのインペインティング手法を用いて多様なVLSIレイアウトパターンを生成する「PatternPaint」というフレームワークを提案しています。

PatternPaintは、わずか20の設計ルールに準拠したサンプルで事前トレーニングされたモデルを用いて、従来の方法に比べて大幅に少ないデータで法的なVLSIレイアウトパターンを生成できる革新的なアプローチです。

論文：https://arxiv.org/abs/2409.01348

以下は、弊社AI開発ツール「IXV」を用いてこの論文を要約したものです。見出しや章立てが元論文とは異なる場合があります。

概要

本論文では、VLSIレイアウトパターンの多様性を生成することが、製造設計におけるさまざまな下流タスクにとって重要であることを述べています。特に新しい技術ノードの開発中に設計ルールが進化するため、広範なレイアウトデータを取得することは困難です。そのため、従来のアプローチはスケーラビリティと適応性が制限されます。

これに対処するために、我々はPatternPaintという拡散ベースのフレームワークを提案します。このフレームワークは、限られた設計ルールに準拠したトレーニングサンプルを用いて法的なパターンを生成することが可能です。PatternPaintは、複雑なレイアウトパターン生成を一連のインペインティングプロセスに簡素化し、テンプレートベースのデノイジングスキームを使用します。さらに、わずか20の設計ルールに準拠したサンプルで事前トレーニングされた画像基盤モデルに対して少数ショットファインチューニングを行います。

実験結果では、サブ3nm技術ノード（Intel 18A）を使用した場合、我々のモデルは以前のすべての作品の中で複雑な2Dメタル相互接続設計ルール設定において法的なパターンを生成できる唯一のものであり、高い多様性スコアを達成しています。また、我々の少数ショットファインチューニングは、元の事前トレーニングモデルと比較して合法性率を1.87倍改善することができます。その結果、新しい技術ノードの開発におけるレイアウトパターン生成のための実用的なアプローチを示しています。

PatternPaint：拡散ベースインペインティングを用いたレイアウトパターン生成

I. はじめに

製造技術の開発において多様なVLSIレイアウトパターンの生成は不可欠です。最新の技術ノードでは設計ルールが継続的に進化するため、この課題はより複雑になっています。従来のルールベース手法は開発に多大な工数を要し、既存の機械学習ベース手法は大規模な訓練データセットを必要とします。実際の新技術ノード開発では、そのような大規模なデータセットを入手することは困難です。

本論文ではPatternPaintを提案しています。これは限られた設計ルール準拠のサンプルで法的パターンを生成できるディフュージョンベースのフレームワークです。PatternPaintは複雑なレイアウトパターン生成を一連のインペインティングプロセスに簡略化し、テンプレートベースのノイズ除去スキームを採用しています。わずか20のサンプルで事前学習された画像基盤モデルに少数ショット微調整を行い、Intel 18A技術ノードで評価しました。

II. 予備知識

A. ディフュージョンモデル

ディフュージョンモデルは前方拡散過程と逆拡散過程を通じて動作し、データにガウスノイズを徐々に追加して後にそのノイズを除去する生成モデルです。インペインティングタスクでは、このプロセスは既知の画像領域に条件付けられ、マスクされた領域を周囲のコンテンツと一貫性を持って埋めます。この特性はVLSIレイアウトパターン生成に適しており、隣接する合法的なレイアウトに条件付けることで、モデルは自然に設計ルールに準拠したパターンを生成します。

B. Squish表現

標準的なレイアウトパターンは複数のポリゴンで構成され、疎な情報構造を持っています。これを効率的に表現するため、既存の手法はレイアウトを簡潔なパターントポロジー行列と幾何学データ(△x, △y)に圧縮する「Squish」パターンを使用します。しかし、PatternPaintはより単純なピクセルベース表現に切り替え、各ピクセルが固定物理幅（1nm × 1nm）の矩形を表します。

C. 関連研究

近年、レイアウトパターン生成のための機械学習手法が開発されています。DeePattern、CUP、LayouTransformer、DiffPatternなどが提案されてきましたが、これらは基本的な設計ルール設定でのみ実証されており、トポロジー生成と幾何ベクトルの非線形ソルバーによる解決を分離しています。しかし、この分解はより複雑な設計ルールでは非現実的になります。PatternPaintはピクセルベースのアプローチでこれらの制限を克服し、複雑な設計ルール制約のもとで効率的なパターン生成を可能にします。

III. 問題定式化

パターン生成問題は、少数の既存デザインから多様で現実的なレイアウトパターンを生成することを目的としています。評価指標として、以下を定義します：

  1. 合法性：レイアウトパターンが設計ルールに準拠していること
  2. エントロピーH1：レイアウトパターンの複雑さを定量化（トポロジー多様性に焦点）
  3. エントロピーH2：実際のパターンの多様性を幾何情報も含めて測定

目的は、与えられた設計ルールと既存パターンから、H2を最大化する合法的なパターンライブラリを生成することです。

IV. PatternPaint

A. 概要

PatternPaintは4つの主要コンポーネントを統合しています：

  1. 少数ショット微調整
  2. 初期生成
  3. テンプレートベースのノイズ除去
  4. PCAベースのレイアウト＆マスク選択

B. 少数ショット微調整

PatternPaintは事前学習済みのテキスト・ツー・イメージディフュージョンモデルを、利用可能な限られたレイアウトサンプルを使用して微調整します。テキストエンコーダは固定し、画像ディフュージョンモデルのみを微調整します。この微調整は、モデルがスパースなサンプルから学習しながらオーバーフィッティングを避けるための正則化項として、事前保存損失を含みます。

C. 初期パターン生成

微調整後、PatternPaintは微調整から得られたn個のスターターパターンを使用して初期生成フェーズを開始します。生成プロセスには、設計ルールコンテキストを提供するスターターパターンとバリエーション領域を指定するマスク画像の2つの入力が必要です。予め定義された10のマスク（図6参照）が提供され、各スターターパターン・マスクの組み合わせに対して複数のバリエーションが生成されます。

インペインティング中、モデルは既知のピクセルを条件として、マスクされた領域を予測します。逆拡散過程が変更され、生成はマスクされた画像に条件付けられます。

D. テンプレートベースのノイズ除去とDRチェック

インペインティングプロセスは、ポリゴンのエッジにノイズを導入し、パターンの寸法を変更して設計ルール違反を引き起こす可能性があります。この課題に対処するため、自動化されたテンプレートマッチングノイズ除去（アルゴリズム1）を提案しています。このアプローチは、ノイズのある生成パターンからスキャンラインを抽出し、所定の閾値内で類似したラインをクラスタリングします。各クラスタに対し、テンプレート（スターターパターン）からの親スキャンラインが選択されます。この方法は非常に効果的で、設計ルールチェックに合格するパターン数を大幅に増加させます。

E. PCAベースのレイアウト＆マスク選択

初期生成後、多数のパターンバリエーションが得られます。より多様な新しいレイアウトパターンを生成するため、イテレーティブ生成を採用し、各イテレーションで画像のサブリージョンのみを変更します。各イテレーションでは、PCAベースのアプローチを採用して既存のパターンライブラリから代表的なサンプルを選択し、2つのマスクセットを使用したマスク選択スキームが続きます。

  1. PCAベースのレイアウト選択：アルゴリズム2に記述されているPCA次元削減と反復選択を用いて、密度制約を満たしながら多様なサンプルを抽出します。
  2. マスク選択：図6に示すように、2つのマスクセット（合計10マスク）を定義しています。デフォルトマスクセットは一般的なパターンバリエーションを可能にし、水平マスクセットは垂直トラックレイアウト用に特別に設計されています。

F. イテレーティブ生成

最終的なイテレーション生成プロセスでは、アルゴリズム2を統合して既存のパターンライブラリから代表的なレイアウトを選択し、それに対応するマスクセットからマスクを提供します。所望の多様性に達するか、サンプル予算を超えるまでイテレーティブ生成を継続します。イテレーションが完了すると、与えられた設計ルール空間内で多様なパターンライブラリが生成されます。

V. 実験結果

A. 実験設定

PatternPaintをIntel 18A技術ノードで検証し、生成されたすべてのパターンを業界標準の設計ルールチェックで検証しました。データセットには20のスターターパターンが含まれています。

モデル設定として、stablediffusion1.5-inpaint（PatternPaint-sd1-base）とstablediffusion2-inpaint（PatternPaint-sd2-base）の2つの事前学習モデルを実験しました。微調整には20のレイアウトパターンを使用し、学習率は5e-6に設定しました。

ベースライン手法として、CUPとDiffPatternを使用しました。初期生成では、各初期パターンに対してマスクごとに100のレイアウトパターンを生成し、合計20,000パターンを生成しました。イテレーティブ生成では、実験1の固有パターンを最初のイテレーションとし、その後のイテレーションではPCA分析を用いて最も疎な代表的サンプル100個を選択しました。

B. パターン生成の比較

初期生成の評価結果では、PatternPaintによって生成されたレイアウトパターンの約10%が設計ルールに準拠し、スターターパターンより優れたH1とH2値を示しました。対照的に、CUPは合法的なパターンを全く生成できず、DiffPatternはわずか4つの合法パターンを生成するのみでした。微調整プロセスの効果は明らかで、微調整済みモデルは合法パターン数、固有パターン数、多様性指標H2において大きな改善を示しました。イテレーティブ生成では、繰り返し回数に伴って多様性がさらに向上し、微調整済みモデルは一貫して非調整モデルを上回りました。また、PatternPaintはDiffPatternと比較して30倍の速度向上を達成しました。

VI. アブレーション研究

1. 設計ルールの複雑さによる影響

ソルバーベースのアプローチの限界を示すため、図9に示すように3つの段階的に複雑になる設計ルール設定を評価しました。結果から、非線形ソルバーの2つの重要な制限が明らかになりました。

  1. ソルバーの実行時間は、デフォルトから複雑-離散設定に進むにつれて大幅に増加し、トポロジーサイズとともに指数関数的に成長し、PatternPaintのノイズ除去時間を大幅に超えています。
  2. 合法的な解の存在にもかかわらず、ルールの複雑さが増すにつれてソルバーの成功率は低下します。60×60を超えるトポロジーでは、すべての設定で50%未満の成功率となります。

2. テンプレートベースのノイズ除去の有効性

表IIIは、PatternPaintフレームワークにおけるテンプレートベースのノイズ除去スキームの有効性を評価しています。OpenCVの非局所平均フィルタなどの広く使用されているノイズ除去フィルタと比較し、ノイズ除去なしの場合のDRC結果も示しています。結果から、ノイズ除去なしではパターンを直接使用できないことがわかります。テンプレートベースのノイズ除去は、OpenCVの非局所平均フィルタよりも平均9.7倍の生成成功率の向上を示しています。特に、PatternPaintの微調整バージョンはテンプレートベースのノイズ除去と組み合わせると最も高い成功率（11.68%）を達成しています。

VII. 結論

本研究ではディフュージョンベースのインペインティングを用いた少数ショットパターン生成フレームワークPatternPaintを提案しました。独自のテンプレートベースノイズ除去とPCAベースサンプル選択によって、わずか20サンプルから数千のDRクリーンレイアウトを生成することに成功しました。Intel 18A技術ノードでの検証により、PatternPaintは他の機械学習手法では困難な複雑な設計ルール設定下でも高い多様性のパターンを生成できることを示しました。本手法は人間の介入をほとんど必要とせず、少数ショット学習シナリオにおける実用的なパターン生成ソリューションを提供します。