본 논문은 UNet 기반의 기초 모델과 자가 지도 학습 방법을 제안하여, 1) 양질의 주석이 달린 아날로그 레이아웃 데이터 부족, 2) 아날로그 레이아웃 설계 작업의 과도한 다양성이라는 두 가지 주요 과제를 해결합니다. 자가 지도 학습을 위해, 작은 주석 없는 레이아웃 데이터셋으로부터 충분한 훈련 데이터를 자동으로 얻기 위해 무작위 패치 샘플링과 무작위 마스킹 기법을 제안합니다. 획득된 데이터는 크게 증강되고, 편향이 적으며, 크기가 같고, 다양한 자격을 갖춘 레이아웃 패턴에 대한 충분한 정보를 포함합니다. 획득된 데이터로 사전 훈련을 통해 제안된 기초 모델은 레이아웃 패턴에 대한 암묵적인 일반적인 지식을 학습하여 다양한 하위 작업에 대해 작은 작업별 데이터셋으로 미세 조정할 수 있습니다. 미세 조정은 다양한 하위 작업에 대한 효율적이고 통합된 방법론을 제공하여 작업당 별도로 모델을 개발하는 막대한 인력을 줄입니다. 실험에서 기초 모델은 6개의 실리콘 검증 수동 설계 아날로그 회로에서 얻은 324,000개의 샘플을 사용하여 사전 훈련되었으며, 그 후 접점, 비아, 더미 핑거, N-웰 및 금속 배선이라는 5가지 예시 하위 작업에 대해 미세 조정되었습니다. 미세 조정된 모델은 1,000개 이상의 보이지 않는 레이아웃 입력에 대해 이러한 작업을 성공적으로 수행하여 샘플의 96.6%에 대해 DRC/LVS 클린 레이아웃을 생성했습니다. 금속 배선 작업에 대해 모델을 처음부터 훈련하는 것과 비교하여 미세 조정은 동일한 Dice 점수 0.95를 달성하기 위해 데이터의 1/8만 필요했습니다. 동일한 데이터를 사용하여 미세 조정은 처음부터 훈련하는 것보다 90% 낮은 검증 손실과 40% 높은 벤치마크 점수를 달성했습니다.
