面向集成电路拥塞预测的版图数据扩充方法

针对深度学习领域中集成电路(IC)版图数据集不充足导致预测模型准确度有限的问题,基于双生成对抗网络(DoubleGAN),提出了一种面向拥塞预测的版图数据扩充和自动标注方法。首先,利用5层反卷积网络结构搭建特征图生成模型,利用U-net结构搭建标签自动标注模型;然后,以Wasserstein距离为损失函数,训练以上模型;最后,原数据集通过以上模型扩充一定倍数后作为训练集,代入拥塞预测模型,提升预测的准确度。在拥塞预测数据集上进行数据生成实验,DoubleGAN生成数据的FID(Fréchet Inception Distance)的平均值为165.943,质量较好。与传统、深度卷积生成对抗网络(DCGAN)扩充方法进行对比实验,使用DoubleGAN扩充2倍时的预测方法,在归一化均方根误差(NRMS)、峰值信噪比(PSNR)、结构相似衡量(SSIM)指标上均优于传统方法和DCGAN扩充方法;对比数据扩充前的拥塞预测模型,各指标均有1.34%~17.98%的改善效果,实验结果表明所提扩充方法在总体上能够提高预测模型的准确度。