.png){kind=icon}
返回
A Lightweight Heterogeneous Graph Embedding Framework for Hotspot Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TCAD.2025.3543436.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
热点检测是确保集成电路可制造性的关键步骤，因为它旨在识别布局中的潜在缺陷。模式匹配方法已被广泛用于加速这些缺陷的检测。然而，它们通常难以处理复杂的偏差。基于图像的机器学习方法被引入以应对这一挑战，但它们通常涉及失真信息提取并导致显著的运行时开销。在本文中，我们介绍了一种基于改进传递闭包图（MTCG）的新型检测框架。通过应用MTCG的概念，布局可以被精确地建模为异构图。这些异构图的嵌入通过优化的轻量级3跳消息传递图神经网络（GNN）提取，并随后用于分类。此外，还提出了一种基于MTCG特性的动态边变换方法用于数据增强。所提出的方法使用ICCAD 2012和ICCAD 2019的数据集进行评估，展示了在召回率和误报率方面的卓越性能，同时显著降低了推理时间。
Keyword:
Graph learning
hotspot detection
modified transitive closure graphs (MTCGs)
期刊
I
IF:
2.9
论文数:
668
被引数:
9.6K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容