EMPbridge团队在深度神经网络建模方面取得进展

随着集成电路工艺尺寸的不断缩小，互连寄生电容对芯片性能的影响日益显著。传统寄生电容提取方法计算成本高、效率低，难以满足实时提取需求。近期，EMPbridge团队提出了一种基于自适应增量学习的深度神经网络模型(AIL-DNN)，显著提升了互连寄生电容提取的效率和精度。

场求解器法精度高，但计算成本大。模式匹配法则是通过预建模式库匹配布局几何，效率较高，但传统深度神经网络(DNN)需要大量训练样本，其核心问题是如何在不牺牲网络模型预测精度的前提下，减少训练数据量、提升建模效率。

团队提出的AIL-DNN模型，结合了自适应重采样和增量学习两大技术，实现了高效建模，如图1所示。

图1 基于AIL-DNN的寄生电容提取过程

其核心流程如下：

1. 数据获取：将几何参数空间划分为多个子区域，通过拉丁超立方抽样(LHS)生成少量初始训练数据和测试数据。

2. 初始训练与测试：训练初始DNN模型，识别预测误差较大的“无效区域”。

3. 自适应重采样：在训练“无效区域”增加采样密度，生成新的训练样本，如图2所示。

4. 增量学习：基于已有模型，迭代更新网络参数，直至达到预设精度。通过这种动态调整采样和迭代优化的方式，AIL-DNN大幅减少了所需训练数据量。

图2 初始学习后的自适应重采样过程(2D)

团队在两种典型互连结构上进行了验证，其中Pattern-A的互容和自容结果如下：

耦合电容：传统DNN模型需600个训练样本才能将预测的平均相对误差降至1%以下，而AIL-DNN模型仅需300个样本（减少50%）。当预测精度要求提升至99.5%时，传统DNN模型需2500个样本，AIL-DNN仅需700个（减少72%）。由此可以发现（表I），传统DNN的数据准备时间为2.43小时，而AIL-DNN仅需0.68小时，效率提升显著。

图3 互容预测的平均相对误差变化

图4 预测互容的相对误差分布

表I 传统DNN模型和AIL-DNN模型的对比

自电容：训练数据集大小增加到2500时，传统DNN模型预测的平均相对误差降低到0.2%以下。而AIL-DNN模型经过5轮增量学习，即需600个训练样本，预测的平均相对误差可以降至0.18%。

图5 自容预测的平均相对误差变化

图6 自容预测的平均相对误差变化

AIL-DNN为集成电路寄生参数提取提供了一种全新的高效解决方案，其“动态采样+增量学习”的思路不仅适用于电容提取，还可推广至电阻、电感等其他寄生参数的建模。随着AI与EDA技术的深度融合，芯片设计的效率瓶颈有望被进一步突破。

相关成果以“AIL-DNN: Modeling of IC Interconnect Parasitic Capacitances Based on Adaptive Incremental Learning”为题，在国际知名学术期刊IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems发表，DOI: 10.1109/TCAD.2025.3562947。