用于分析集成电路的设计的方法与流程

本发明概念涉及分析集成电路的设计，以及用于设计集成电路的设备。

背景

集成电路生产需要建设和维护昂贵的设施。由此，通常集成电路生产在专门生产集成电路的制造厂执行，而集成电路的设计可分开地由设计室执行。设计室向制造厂提供集成电路的设计，制造厂随后生产集成电路。

集成电路的生产过程的准备是繁琐的任务。在制造厂执行光学邻近度校正(opc)以确保与设计非常近似地生产集成电路。随后，可进行热点分析以标识设计中可能产生光刻印刷误差的区域。

基于热点分析的失败，可在执行另一热点分析之前更新opc。一旦热点分析通过，就可进行生产测试并可执行晶片验证以确保集成电路生产的产率是可接受的。此处，可发现与产率相关的设计误差。由此，在可向设计室给出需要重新设计的指示之前，可能花费大量的时间(例如，4个月)和资源来发现设计误差。

已经做出了使用机器学习来改善对光刻热点的检测的尝试。在us2015/0213374中，公开了一种用于检测光刻热点的机制。该机制利用在训练样本集合上提取的特征来训练机器学习分类器模型。机器学习随后可使用已知的热点集合来训练机器学习模型并使用该模型来检测热点。由此，为了训练机器学习模型，需要已知的热点集合。

使用机器学习来进行热点检测仅基于热点来检测误差并需要包括基于已知热点的训练。由此，集成电路的设计的辅助仍然需要基于与制造厂的交互。由此，可能仍然花费大量的时间才发现例如出于热点以外的其他原因的产率误差，并且设计者在没有与制造厂的交互的情况下可能不会得到关于设计质量的输入。

将期望在设计室实现对设计的分析以改善由设计室产生的设计的质量并且不需要与制造厂的交互(其可能是耗时的)。

概述

本发明概念的目的在于改善对集成电路的设计的分析并在不需要来自制造厂的输入的情况下实现对设计的分析。

本发明概念的这些和其他目的至少部分地由独立权利要求中限定的本发明来满足。在从属权利要求中展示了优选实施例。

根据第一方面，提供了一种用于分析集成电路的设计的方法，所述方法包括：接收集成电路的设计布局；形成所述设计布局的各部分的多个图像，并且对于所述设计布局的一部分的每个图像：计算该图像的傅里叶变换表示；以及从所述傅里叶变换表示中提取预定义参数的值；比较所述多个图像的所提取参数值以通过无监督式机器学习来创建聚类模型并将所述设计布局的一部分的每个图像分类到由所述聚类模型定义的聚类中；以及确定被分类到由所述聚类模型定义的至少一个聚类中的图像数目。

该方法使得对集成电路的设计的分析能够与制造厂分开地执行。由此，设计者可借助于该方法来接收对设计的立即反馈，这可显著地加快达到设计的试产的时间。此外，借助于接收对设计的反馈，设计者可从他/她的设计风格的结果中学习并获得更有可能提供高质量设计的设计习惯。

此外，该分析不是基于相关于特定类型的误差(诸如热点)的训练，这暗示设计分析将不限于对此类特定类型的误差的标识。相反，该分析可形成对设计布局的各部分的聚类，以使得可标识设计中的主要图案(设计中多次出现)和次要图案(设计中少量出现)。具体而言，通过标识次要图案(其在设计布局中不经常出现)，可容易地标识设计布局中的问题，而不必将图案与通过训练机器学习方法形成的模型进行比较。

无监督式机器学习是基于未标记数据(即，分类或类别未被包括在数据中)来分析和描述结构的机器学习任务。这暗示仅基于所提取的参数来执行机器学习以找到由图像构成的数据集内的聚类，并且不需要先前的训练来将图像分类到聚类中。

本发明的洞察还在于，从图像的傅里叶变换表示中提取的参数可基于与设计质量相关的参数来恰适地聚类设计的各部分。由此，对参数的提取可允许将设计聚类到相关聚类中并标识设计的质量测量而不必将设计的各部分与基于训练机器学习模型的分类进行比较。

聚类可以提取关于设计质量的信息，并且通过标识聚类中的图像数目，设计中的次要图案的出现率可指示设计质量。设计者可使用该信息来改变设计以便改变聚类中的出现率分布，并且因此可使用该方法作为评估设计并将设计彼此进行比较的工具。设计者可在设计阶段若干迭代期间连续地使用该分析直至达到满意的图案分布，之后将该设计递交给制造厂。

次要图案中(对应于设计的各部分)的图像数目可能是特别感兴趣的，因为次要图案很可能引起集成电路的生产中的问题。由此，该方法可包括：确定被分类到具有相对小群体图像的至少(诸)聚类中的图像数目。

该方法允许基于图像的窗口大小而不是相关于设计中的图案(诸如图案中的边缘)来形成该多个图像。由此，该方法不取决于正确地标识图案中的边缘来形成待分析的设计的各部分。

将图像分类到由聚类模型定义的聚类中暗示关于设计的信息被提取。该方法因此促成使用所提取的信息来向设计者给予关于设计质量的反馈。例如，所提取的信息可被用于视觉化设计的质量特征以便允许设计者查阅所提取的信息。另外地或替换地，所提取的信息可被进一步处理例如以便计算质量分数。

该方法可由数据处理单元来执行。该方法可通过执行数据处理单元上的计算机指令来执行。

傅里叶变换表示暗示计算了基于傅里叶变换的表示。由此，可计算快速傅里叶变换(fft)，其可高效地用于计算机实现。

根据一实施例，该方法进一步包括：基于所创建的聚类模型和所述至少一个聚类中所确定的图像数目来计算所述设计的至少一个质量分数。质量分数可允许量化地定义设计质量，以使得该质量可与其他设计进行比较，或者可标识在标准以下的质量。

根据一实施例，所述至少一个质量分数基于聚类模型中的聚类数目以及每个聚类中所确定的图像数目的密度值。聚类数目可指示设计中不同种类的图案的分布，其中较少聚类可以是良好质量的指示。每个聚类中图像的密度值可例如提供次要图案的群体的信息，以便指示设计中次要图案出现的频率。

质量分数还可包括使用图像处理算法(诸如图案识别)来处理一个或多个聚类中的图像。可对按设计布局形成的图像执行图像处理，但是替换地可对基于傅里叶变换表示的所提取参数来重构的图像执行图像处理。可执行图案识别以确定例如与不期望的设计的相似性并且质量分数可以基于相似度。

根据一实施例，所述至少一个质量分数与至少一个预定义阈值进行比较，并且基于所述比较的结果，输出重新设计所述集成电路的设计布局的推荐。这暗示该方法可允许标识出设计质量何时要求重新设计以便立即提供需要进一步设计工作的反馈。这显著地加快了设计集成电路的过程，因为未通过质量控制的设计布局不会进展至到制造厂进行进一步评估。

根据一实施例，该方法进一步包括：输出所述至少一个聚类的所确定数目的图像以供以示图形式呈现在显示器上。可以按适合允许设计者理解对设计的分析的方式来作出该呈现。由此，该呈现可例如具有关于图像在相应聚类中的出现率的直方图、维恩图、密度图或表格的形式。这可允许视觉化通过分析提取的信息，以使得设计者可容易地标识设计顾虑。

根据一实施例，该方法进一步包括：基于所提取的参数值，通过使用所提取的参数值计算傅里叶逆变换来重构图像；以及输出所述经重构的图像以供呈现在显示器上。经重构的图像由此可解说被分类到每个聚类中的各种图案。通过查看次要图案，设计者可标识出次要图案是否会引起集成电路生产的产率的问题。

根据一实施例，对所提取的参数值的比较针对不同的参数使用不同的参数权重。该方法可进一步包括：接收用于改变参数权重的输入并基于经改变的参数权重来重复对所提取参数值的比较。

可允许设计者定义哪种类型的设计特性可以是特别重要的，诸如集成电路中的特征大小、特征密度和特征形状。设计者可指示一个或多个此类特性是重要的(应当给予高的权重)，并且该方法可将此类输入转换成与重要特性相对应的恰适参数权重。这促成由设计者提供输入，因为设计者不需要完全理解所提取参数与集成电路的特性的对应关系以请求形成具有期望焦点的聚类模型。

根据一实施例，计算图像的傅里叶变换表示包括：沿图像的二维傅里叶变换的横截面方向交叉原点形成至少一个包络。得益于使用傅里叶变换，可以提取对于分析设计的特性相关的参数。通过在傅里叶变换的一个维度中形成包络，可由较少的参数来表示傅里叶变换中的主要信息。因此，形成至少一个包络有助于快速地提取相关参数以便由无监督式机器学习使用。

傅里叶变换可被表示为笛卡尔坐标中的二维图案，即，提供图像的不同方向上的频率信息。随后可沿笛卡尔坐标中的表示的轴(由此穿过二维傅里叶变换的原点)相关于傅里叶变换值来形成包络。然而，应当认识到，替换地可在极坐标中表示傅里叶变换。另外地或替换地，可仅使用坐标平面的一个象限中的值来形成包络。

根据一实施例，预定义参数包括下组中的至少一者：所述至少一个包络的零阶强度、所述至少一个包括的一阶强度、以及所述至少一个包络的所述零阶的峰值与所述一阶的峰值之间的距离。

通过使用这些参数，向机器学习给予输入以使得可以执行聚类而无需相关于已知图案的训练。这些参数的使用从设计的一部分的图像中提取信息，以使得可针对设计质量来分析该部分。该分析可能不一定给出针对热点的风险的即时反馈，而是可至少标识出设计的关于影响设计的生产性的特征与其他部分区分开的各个部分。得益于相关的预定义参数的使用，无监督式机器学习可从相关的图像形成聚类以便进一步分析。

傅里叶变换可被认为是基于图像的衍射图案。由此，“零阶强度”应当被理解为存在于傅里叶变换的中心(原点)处的峰值强度。一阶应当被理解为在包络的给定方向上最接近零阶峰值的峰值。

包络的零阶强度可提供图像的亮度的指示，并且因此，提供由图像表示的设计的一部分中的特征密度的指示。零阶峰值到一阶峰值之间的距离可提供图像中的小频率(即，大的空间特征)的指示。因此，距离可以是设计中的特征大小和形状的指示。由此，所提取的参数可提供可用于分析设计的特征大小、特征密度和特征形状的度量。

根据一实施例，可沿傅里叶变换的坐标轴形成包络。由此，通过考虑零阶强度以及沿从原点的坐标轴的每个方向上的一阶(强度和到零阶的距离)，可形成两个包络并且可提取九个参数。这九个参数可被用作对无监督式机器学习的输入以用于对图像进行聚类。

应当认识到，作为上面定义的参数的补充或替换可使用傅里叶变换的其他参数。例如，除了使用来自包络的参数，还可使用包络曲线内的信息，诸如包络曲线内的峰值，例如，由包络曲线标识的零阶内的局部峰值。

根据一实施例，形成设计布局的各部分的多个图像包括：形成设计布局的一层的二进制图像。由此，一次可考虑设计布局的一层。设计布局可被转换成对图案以及图案之间的空间进行区分的二进制图像。这暗示由设计形成的图案可被简化，并且因此，限制了对设计的图像分析中所使用的信息。

根据一实施例，形成所述设计布局的各部分的多个图像进一步包括：将所述二进制图像切割成所述二进制图像的各部分的多个图像。对二进制图像的切割实现了对设计布局的各部分的分析，以使得每个部分可分开地被分析。对设计布局的分析由此可确保贯穿设计的图案对于集成电路的生产是恰适的。

根据一实施例，对二进制图像的切割形成交叠图像，其中图像的大小取决于设计布局的层。得益于使用交叠图像，图像是互补的并且确保也计及原本可延伸超过毗邻图像之间的边缘的图案。

在设计布局的方向上的两个相继切割图像通常可被布置成具有与图像的一半大小相对应的交叠。这暗示可正确地分析跨设计布局的整个区域的图案。然而，应当认识到，该交叠可以更大或更小。

根据一实施例，形成设计布局的各部分的多个图像进一步包括：通过零填充来放大切割图像的大小。

零填充促成对傅里叶变换的计算，因为图像的边缘处不存在特征。由此，一个零帧被围绕切割图像添加以便简化随后的计算。

根据第二方面，提供了一种包括计算机可读介质的计算机程序产品，所述计算机可读介质具有计算机可读指令以使得当在处理单元上被执行时所述计算机程序产品将使所述处理单元执行根据所述第一方面的方法。

该第二方面的效果和特征在很大程度上类似于上文结合第一方面描述的那些效果和特征。相关于第一方面提及的实施例在很大程度上与第二方面兼容。

该计算机程序产品可被用作设计软件的插件，诸如用于设计集成电路的电子设计自动化(eda)软件或者用于与设计软件结合使用的独立软件。

根据第三方面，提供了一种用于设计集成电路的设备，该系统包括：处理单元，其被配置成执行处理指令以实现：设计工具，其用于设计集成电路的布局并输出设计布局；以及设计分析工具，其中，所述设计分析工具被配置成：接收集成电路的设计布局；形成所述设计布局的各部分的多个图像，并且对于所述设计布局的一部分的每个图像：计算该图像的傅里叶变换表示；以及从所述傅里叶变换表示中提取预定义参数的值；比较所述多个图像的所提取参数值以通过无监督式机器学习来创建聚类模型并将所述设计布局的一部分的每个图像分类到由所述聚类模型定义的聚类中；以及确定被分类到由所述聚类模型定义的每个聚类中的图像数目。

该第三方面的效果和特征在很大程度上类似于上文结合第一和第二方面描述的那些效果和特征。相关于第一和第二方面提及的实施例在很大程度上与第三方面兼容。

该设备由此可提供用于设计集成电路的布局的设计工具以及设计分析工具。由此，该设备可使得设计者能够直接在设计工具内分析设计以便立即确定设计质量。因此，用于达成集成电路的新设计的生产的过程可显著地加快，因为设计室与制造厂之间的迭代次数可被减少或者甚至消除。

附图简述

参考附图，通过以下解说性和非限制性详细描述，将更好地理解本发明概念的以上以及附加目标、特征和优点。在附图中，相同的附图标记将被用于相同的元素，除非另外指明。

图1是用于设计和制备集成电路以供生产的过程的示意图。

图2是用于分析设计布局的方法的流程图。

图3示出了解说不同设计布局的聚类分布的图表。

图4示出了设计布局的主要图案。

图5示出了设计布局的次要图案。

图6a示出了设计的一部分的切割图像。

图6b示出了在零填充之后图6a的切割图像。

图7a示出了设计的一部分的图像的傅里叶变换。

图7b示出了图7a中的傅里叶变换的横截面的包络。

图8示出了二进制图像和从提取自傅里叶变换的参数重构的对应图像。

图9是设备的示意图。

详细描述

图1是用于开发集成电路的过程的示意图。制造厂生产集成电路。制造厂可通过形成设计规则手册(drm)来向设计室通知该制造厂所使用的过程特性和光学邻近度校正(opc)。drm可用作对设计室的设计者的输入以确保基于设计布局来生产期望的集成电路。

设计室由此可使用设计工具(通常为电子设计自动化(eda)软件)来创建设计布局。当设计布局准备好时，可执行设计规则检查(crc)和掩模制造规则检查(mrc)以确定该设计布局是否看起来满足正确地生产集成电路的要求。如果设计布局未通过drc和/或mrc，则在该设计布局可被转交给制造厂之前可能需要重新设计。

一旦设计布局被设定，制造厂就接收该设计布局并且在设计可达到试产并准备好生产之前可执行若干测试步骤(和迭代)。这涉及opc、热点分析和晶片验证。如果存在与产率相关的设计误差，则可能花费相当大量的时间和资源来发现该误差。由此，将期望在设计室处改善对设计的分析以至少降低制造厂发现存在可能需要对设计布局重新设计的与产率相关的设计误差的风险。

本公开提供了一种机器学习设计分析器(mlda)，该mlda是实现在设计室对设计布局进行分析的设计分析工具。可向使用该设计分析工具的设计者提供对设计的即时反馈，以使得设计者可学习习惯并改善设计技能。此外，该设计分析工具可向设计者通知所设计集成电路的生产中的潜在问题，以便降低该设计在制造厂处测试之后可能需要重新设计的风险。

mlda可以独立于制造厂的drm或过程并且同样可以提供对设计的分析。这暗示可向设计者可提供关于对任何制造厂通用的设计技能的信息。mlda可被提供为插件或与eda软件集成，但是它还可以是提供关于设计布局的信息的独立软件。

现在参照图2，将描述相关于设计分析来执行的方法的概览。该方法可至少部分地在mlda工具中实现。

首先，接收集成电路的设计布局(步骤100)。该设计布局可从eda软件提供并且可以按任何适当的格式来提供。设计布局可被提供为图形设计系统(gds)文件、开放原图系统互换标准(oasis)文件、或者可承载设计布局的任何其他类型的文件。

可从该文件中提取设计布局的图像，例如，作为位图文件，该位图文件随后可被转换成将图案和空间分别表示为零和一的二进制图像。该二进制图像可被切割成设计布局的各部分的大量图像，以便提取设计布局的特征(步骤102)。

可通过使用傅里叶变换来生成图像的傅里叶变换表示的图像处理算法来处理设计布局的各部分的图像(步骤104)。图像的傅里叶变换表示随后可被输入到用于分析设计布局的机器学习算法中。

机器学习算法可首先从每个图像中提取参数(步骤106)以提供设计布局的每个部分的相关特性。从每个图像中提取的参数随后可被输入到聚类方法(步骤108)，该聚类方法对由来自每个图像的参数提供的数据集执行无监督式机器学习以便找到数据集中的聚类。聚类可使用将参数划分成聚类的数种不同方式，诸如主成分分析(pca)(步骤110)。

一旦已形成聚类，就可相关于聚类来处理图像(步骤112)并分类(步骤114)到聚类模型中的聚类中。因此，图像被编组成数个聚类，这允许对设计布局的进一步分析。

被分类到聚类中的图像随后可被用于设计的检查(步骤116)。设计检查可涉及聚类以及图像(设计布局的各部分)在每个聚类中的出现率的视觉化(图形表示)。因此，视觉化可例如通过在视觉上看到设计中存在多少次要图案来提供使设计者理解设计质量的方式。

将图像分类到聚类中还可被用于执行量化分析(步骤118)。由此，可基于图像的聚类来计算至少一个质量分数。该至少一个质量分数可以基于聚类的数目和/或至少一个聚类中(特别是表示次要图案的聚类中)的图像数目。

该至少一个质量分数可与(诸)阈值进行比较以确定设计质量是否不足。由此，基于设计分析和/或设计检查，可作出修订设计的决定。随后可修订设计(步骤120)，并且可基于经修订的设计重复该过程。

根据一个示例，质量分数可以基于聚类模型中特性的加权和以便在很大程度上确定设计中是否存在不期望的图案。由此，质量分数可以由聚类中的图像密度(出现率)和从图像中提取的一个或多个参数(其中每个提取的参数可被给予其自身的权重)的加权和给出，诸如零阶强度以及零阶峰值与一阶峰值之间的距离。

此外，设计分析可标识可能需要进一步分析的次要图案并且可以对设计的具有较少出现率的此类部分执行opc仿真(步骤122)。基于opc仿真，可以作出可能需要修订设计的决定。

一旦设计通过了该分析，则该设计可移至设计规则提取(步骤124)，并且可对设计布局执行drc和/或mrc，之后设计布局随后可被转交给制造厂。

mlda可提供设计的视觉化以便允许对工具所执行的分析的直观理解。mlda由此可被配置成计算聚类模型的至少一个聚类中的图像数目。在一个实施例中，计算表示次要图案的聚类中的图像数目。在另一实施例中，计算每个聚类中的图像数目。

借助于聚类中所计算的图像数目，信息可被输出用于向设计者呈现和视觉化。基于聚类中所计算的图像数目，可创建图表或示图，其可被输出以供呈现在显示器上。

设计布局的特性的视觉化可允许设计者决定重新设计可能是必要的。如图3中所解说的，mlda可被用于触发设计者改变设计以使得聚类中图像(表示设计的各部分)的分布可从分布式设计(如图3的左边部分所解说的)移至具有较少类型的图案的合并设计(如图3的右边部分所解说的)。

设计检查还可包括基于傅里叶变换的所提取参数来重构设计的一部分的图像。由此，经重构的图像可被显示给设计者，以使得该设计者可查看例如次要图案以便基于次要图案的出现率来确定重新设计是否必要。替换地，二进制图像的对应于图案的部分可例如按用户的请求被输出以供显示。

如图4中所示，主要图案通常可对应于例如隔离的通孔、垂直或正交的两个通孔。如图5中所示，次要图案可由略大的通孔或太邻近的通孔形成。

设计分析还可包括对设计的基于图像的验证。可对经重构图像(或二进制图像的各部分)进行处理以执行对图像中的特征的物理验证，诸如执行对图像中设计布局的特征的长度和大小的测量。物理验证可进一步基于mrc和/或drc的规则以使得可以执行基于这些规则对设计的检查。设计分析由此还可基于mrc/drc是否未满足来提供输出，并且因此，可基于未通过这些检查中的任何检查来接收重新设计的推荐。

现在参照图6-8，将进一步提供用于分析设计布局的步骤的细节。

图6a解说了来自设计布局的一层的二进制图像的切割部分。该切割部分的大小可取决于设计布局的该层被设定，以便实现正确地分析该设计。该大小可例如基于要分析哪一层、基于设计中的预测的特征密度来设定。切割部分的大小还可例如基于来自用户的输入而被调谐或改变。

此外，图像可被布置成交叠以使得特征将不会仅被布置在图像的边缘，而是也会被布置在通过切割二进制图像形成的另一图像的中心。例如，窗口(对应于切割图像)在两个切割图像之间的平移可以是窗口大小的一半。

表示设计布局的一部分的切割图像可以可任选地使用零填充来扩展，即，通过围绕切割图像添加一个零帧，如图6b中所示。零填充的图像可简化图像的傅里叶变换。

切割图像(被零填充或未被零填充)可以在图像的傅里叶变换之前周期性地重复。图像的周期性重复可确保在傅里叶变换中提供切割图像中的特征的强调。

如上面讨论所形成的图像(具有或不具有零填充；周期性重复或者未周期性重复)由此各自表示设计布局的一部分。所形成的图像中的每一者随后可以进行傅里叶变换以便创建图像的傅里叶变换表示。傅里叶变换表示可使用fft算法来生成以便快速地计算傅里叶变换。

现在参照图7a-b，可从傅里叶变换表示中提取参数。傅里叶变换表示是图像的频域的二维表示。该二维表示可以在笛卡尔坐标或极坐标中。

在图7a中，解说了图像的傅里叶变换表示。可定义通过坐标平面的原点的一条或多条线，如由图7a中的线a所解说的。该线形成傅里叶变换表示中的横截面。优选地，可使用沿坐标平面的轴的至少一条线。沿该线的傅里叶变换的值在一个维度中形成傅里叶变换的复信号，如图7b中的实线所解说的。

可沿所定义的线形成傅里叶变换表示的包络，如图7b中的虚线所解说的。随后可使用该包络以提取傅里叶变换表示的参数，其可被用于评估图像。

应当理解，可提取各种参数。根据一实施例，可提取以下参数中的一者或多者：

包络的零阶峰值200的强度；

包络的一阶峰值202、204的强度；

一阶峰值202、204与零阶峰值200之间的距离206；

来自更高阶的小峰值的强度和位置；

在包络的某一阶内的局部峰值的强度和位置，诸如零阶内的局部峰值。

应当认识到，对于傅里叶变换表示中的横截面线，定义了两个一阶峰值(在零阶的每一侧)。由此，通过针对沿二维傅里叶变换表示中的每个轴延伸的横截面线形成包络，可评估四个一阶峰值，并且因此，可基于零阶峰值200的强度和一阶峰值的强度和位置来提取九个参数。根据一实施例，这九个参数被提取并用于对图像的分析。

所提取的参数还可被用于重构图像。由于所提取的参数被用于对设计布局的进一步分析，因此所提取的参数可以容易地可获得，并且因此，可被用于计算经重构的图像，该经重构的图像可被用于图案的视觉化或基于图像的分析。在图8中，在图的左边部分呈现了原始二进制图像，并且在图的右边部分呈现了基于从包络中提取的参数来重构的图像。从图8中清楚可见，经重构的图像与原始二进制图像非常相似。

从每个图像中提取的参数随后可被提供为对无监督式机器学习的输入。无监督式机器学习可被配置成找到所提取参数中的聚类，以使得形成基于未标记数据的结构。

针对每个图像所提取的参数可被插入到逐列归一化的参数矩阵中。随后，无监督式机器学习可基于该参数矩阵来执行对图像的聚类。

存在基于数据集来形成聚类的许多不同方式。例如，可使用k均值聚类、基于分布的聚类(例如，使用回归)、基于密度的聚类或者主成分分析。除了由无监督式机器学习进行的聚类之外聚类方法还可使用支持向量机。

聚类将图像分类到不同的聚类中以使得图像在不同聚类中的分布可被用于向设计者呈现对设计布局的测量。

聚类可以基于参数的权重以便设定参数对聚类的重要性。权重可改变以便从不同角度来分析图像。

聚类可基于第一权重来进行，并且可例如通过直方图的视觉化来向设计者呈现结果。设计者随后可请求改变参数的权重，可基于经改变的参数来执行经更新的聚类，并且再次通过呈现给设计者来视觉化。

设计者可决定哪些类型的特性是重要的，例如，特征大小；特征密度；或特征形状。设计者可选择聚类中特别感兴趣的一个此类特性，并且随后可在聚类中使用基于该期望特性的(预先存储的)恰适权重。

现在参照图9，解说了用于设计集成电路的设备300。设备300可包括处理单元302，其可执行用于设计集成电路的布局并用于分析该布局的计算机可读指令。

设备300由此可实现如上所述的方法并且可提供设计工具304和分析工具306以便对设计者可用。设备300可使用例如键盘、鼠标等等来提供输入模块308，以便允许指令的输入、控制设计工具304和分析工具306并与设计工具304和分析工具306交互。设备300可进一步包括显示器310以用于向设计者呈现信息，诸如由分析工具306执行的分析的视觉化。

本文公开的对用于设计工具306和分析工具308的计算机可读指令的执行可在电子硬件、计算机软件、或两者的组合中实现。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、块和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。

计算机可读指令的执行可例如被实现为在通用计算机上执行的软件、实现为例如被布置在嵌入式系统中的固件、或者实现为专门设计的处理单元，诸如专用集成电路(asic)或现场可编程门阵列(fpga)。

设计工具304和/或分析工具306可被提供为存储在计算机可读介质上的指令，该计算机可读介质可包括存储器或数据存储介质，诸如随机存取存储器(ram)(诸如同步动态随机存取存储器(sdram))、只读存储器(rom)、非易失性随机存取存储器(nvram)、电可擦除可编程只读存储器(eeprom)、闪存、磁或光学数据存储介质等等。

在上文中已经参照有限数目的示例主要描述了本发明概念。然而，如本领域技术人员容易领会的，除上面公开的示例以外的其它示例在如所附权利要求限定的本发明概念的范围内是同样可能的。

例如，图像的聚类的视觉化可仅呈现聚类信息的一部分，诸如仅关于次要图案的聚类数目、以及被分类到这些聚类中的每一者的图像数目的信息。