Este artículo enfatiza la necesidad de aprovechar las herramientas EDA basadas en IA, la computación de alto rendimiento y los algoritmos paralelos para la innovación de microprocesadores de próxima generación. La predicción de violación de DRC basada en aprendizaje automático existente tiene limitaciones, ya que depende de métodos de aprendizaje supervisado que requieren grandes conjuntos de datos equilibrados y largos tiempos de aprendizaje. En este estudio, presentamos la primera metodología de predicción de violación de DRC basada en aprendizaje no supervisado. Construimos un modelo utilizando solo un conjunto de datos desequilibrado de una sola clase y establecemos un umbral para determinar si los nuevos datos se clasifican o no. Los resultados experimentales implementados utilizando tecnología CMOS de 28 nm y herramientas EDA de Synopsys muestran que la metodología propuesta alcanza una precisión de predicción del 99,95 % y es mucho más rápida (26,3 veces más rápida que SVM y hasta 6003 veces más rápida que NN) que los modelos SVM y NN (85,44 % y 98,74 %, respectivamente).
