arXiv cs.AI· Yu Feng, Liyi Zhou, Haoyu Wang, Yiming Xu, Hao Geng, Shaozhi Deng, Ningsheng Xu, Shisheng Xiong·· 2 天前AI 评分16
GNN 引导局部精修：面向 DSA-MP 的高效版图分解方法
GNN-Guided Local Refinement for Efficient Layout Decomposition with DSA-MP
AI 导读
研究提出一种新的冲突图模型，将此前被忽略的 DSA 模板边到边间距约束纳入其中，并用图神经网络驱动的局部精修策略实现高效可扩展的版图分解。实验显示该方法相比 SOTA 方法解质量更高、收敛更快，并在不同版图规模、设计风格、工艺节点和掩模数量下保持稳健。该工作已被 ICCAD 2026 接收。
正文 · AI 翻译
摘要：多重曝光光刻（MPL）已被广泛用于提升先进节点的光刻分辨率，但随着特征尺寸缩小，它面临成本限制。定向自组装（DSA）提供了一种经济高效的补充方案，可将光学光刻的分辨率扩展到 10 纳米以下乃至更小。将 DSA 集成到 MPL（DSA-MP）中进一步提升了接触孔/通孔图案的分辨率。然而，日益增长的设计复杂度暴露了现有分解方法的局限，这些方法难以在解质量与运行时间之间取得平衡，并且忽略了 DSA 模板的边缘到边缘间距约束，从而损害了可制造性。为解决这些问题，我们引入了一种新的冲突图模型，捕捉了此前被忽视的约束，并开发了一种由图神经网络驱动的局部精化策略，从而实现高效且可扩展的版图分解。实验表明，与最先进的方法相比，我们的方法以更快的收敛速度获得了更高的解质量，同时在版图规模、设计风格、技术节点和不同掩模数量下均保持稳健性。
| 评论： | 9 页。已被 IEEE/ACM 国际计算机辅助设计会议（ICCAD 2026）接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.22214 [cs.AI] |
| （或 arXiv:2610.22214v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22214 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Yu Feng [查看邮箱]
[v1]
2026 年 10 月 15 日星期四 17:00:17 UTC（5,143 KB）
来源：arXiv cs.AI · arxiv.org