메모리에 저장되는 적어도 하나 이상의 프로그램 명령을 로드하고 실행하는 프로세서; 상기 프로세서와 전자적으로 통신하며, 전자 회로 또는 반도체 설계 자산이 배치된 레이아웃 타일을 핫 스팟 또는 논 핫 스팟으로 분류하는 분류 모델; 상기 프로세서와 전자적으로 통신하며, 상기 레이아웃 타일 내에 설계 규칙 위반 개수를 예측하여 제1 예측값을 생성하는 회귀 모델; 및 상기 프로세서와 전자적으로 통신하며, 상기 분류 모델의 분류 결과를 이용하여 상기 제1 예측값을 마스킹함으로써 최종 예측 결과를 생성하는 출력 모듈;을 포함하는, 계층적 분류 및 회귀 모델을 이용하는 라우팅 가능성 예측 장치.

제1항에 있어서, 상기 출력 모듈은 상기 분류 모델의 분류 결과가 핫 스팟인 경우 상기 제1 예측값에 기반하여 상기 최종 예측 결과를 생성하고, 상기 분류 모델의 분류 결과가 논 핫 스팟인 경우 '0'을 상기 최종 예측 결과로서 생성하는, 계층적 분류 및 회귀 모델을 이용하는 라우팅 가능성 예측 장치.

제1항에 있어서, 상기 분류 모델은, 상기 레이아웃 타일이 핫 스팟일 확률이 임계치 이상인 경우에 상기 레이아웃 타일을 핫 스팟으로 분류하는, 계층적 분류 및 회귀 모델을 이용하는 라우팅 가능성 예측 장치.

제1항에 있어서, 상기 레이아웃 타일은 라우팅 전 레이아웃을 주어진 크기의 셀 그리드에 기반하여 타일링하는 과정을 포함하는 전처리 과정에 의하여 얻어지는, 계층적 분류 및 회귀 모델을 이용하는 라우팅 가능성 예측 장치.

제1항에 있어서, 상기 프로세서는 상기 최종 예측 결과를 이용하여 (x, y) 좌표 각각에 대한 설계 규칙 위반 히트 맵을 생성하는, 계층적 분류 및 회귀 모델을 이용하는 라우팅 가능성 예측 장치.

메모리에 저장되는 적어도 하나 이상의 프로그램 명령을 로드하고 실행하는 프로세서와 전자적으로 통신하는 분류 모델이, 전자 회로 또는 반도체 설계 자산이 배치된 레이아웃 타일을 핫 스팟 또는 논 핫 스팟으로 분류하는 단계; 상기 프로세서와 전자적으로 통신하는 회귀 모델이 상기 레이아웃 타일 내에 설계 규칙 위반 개수를 예측하여 제1 예측값을 생성하는 단계; 및 상기 프로세서가 상기 분류 모델의 분류 결과를 이용하여 상기 제1 예측값을 마스킹함으로써 최종 예측 결과를 생성하는 단계;를 포함하는, 계층적 분류 및 회귀 모델을 이용하는 라우팅 가능성 예측 방법.

제6항에 있어서, 상기 최종 예측 결과를 생성하는 단계는, 상기 분류 모델의 분류 결과가 핫 스팟인 경우 상기 제1 예측값에 기반하여 상기 최종 예측 결과를 생성하는 단계; 및 상기 분류 모델의 분류 결과가 논 핫 스팟인 경우 '0'을 상기 최종 예측 결과로서 생성하는 단계;를 포함하는, 계층적 분류 및 회귀 모델을 이용하는 라우팅 가능성 예측 방법.

제6항에 있어서, 상기 분류 모델이 상기 레이아웃 타일을 핫 스팟 또는 논 핫 스팟으로 분류하는 단계는, 상기 레이아웃 타일이 핫 스팟일 확률이 임계치 이상인 경우에 상기 레이아웃 타일을 핫 스팟으로 분류하는 단계; 를 포함하는, 계층적 분류 및 회귀 모델을 이용하는 라우팅 가능성 예측 방법.

제6항에 있어서, 상기 프로세서가 라우팅 전 레이아웃을 주어진 크기의 셀 그리드에 기반하여 타일링하는 과정을 포함하는 전처리 과정에 의하여 상기 레이아웃 타일을 획득하는 단계;를 더 포함하는, 계층적 분류 및 회귀 모델을 이용하는 라우팅 가능성 예측 방법.

제6항에 있어서, 상기 프로세서가 상기 최종 예측 결과를 이용하여 (x, y) 좌표 각각에 대한 설계 규칙 위반 히트 맵을 생성하는 단계;를 더 포함하는, 계층적 분류 및 회귀 모델을 이용하는 라우팅 가능성 예측 방법.

전자 회로 또는 반도체 설계 자산이 배치된 레이아웃 타일을 핫 스팟 또는 논 핫 스팟으로 분류하는 분류 모델을 훈련하는 단계; 상기 분류 모델의 가중치를 회귀 모델로 전이하는 단계; 및 상기 회귀 모델이 상기 레이아웃 타일 내에 설계 규칙 위반 개수를 예측하는 기능을 학습하도록 상기 회귀 모델을 훈련하는 단계;를 포함하는, 라우팅 가능성을 예측하는 계층적 분류 및 회귀 모델의 전이 학습 방법.

제11항에 있어서, 상기 회귀 모델을 훈련하는 단계는, 상기 분류 모델에 의하여 핫 스팟으로 분류된 데이터셋을 입력으로 이용하여 상기 회귀 모델을 훈련하는 단계인, 라우팅 가능성을 예측하는 계층적 분류 및 회귀 모델의 전이 학습 방법.

제11항에 있어서, 라우팅 전 레이아웃을 주어진 크기의 셀 그리드에 기반하여 타일링하는 과정을 포함하는 전처리 과정에 의하여 상기 레이아웃 타일을 획득하는 단계;를 더 포함하는, 라우팅 가능성을 예측하는 계층적 분류 및 회귀 모델의 전이 학습 방법.

제13항에 있어서, 상기 레이아웃 타일을 획득하는 단계, 상기 분류 모델을 훈련하는 단계, 상기 회귀 모델을 훈련하는 단계는, 상기 셀 그리드를 가변하며 종단 간 학습에 의하여 반복적으로 수행되는, 라우팅 가능성을 예측하는 계층적 분류 및 회귀 모델의 전이 학습 방법.

제11항에 있어서, 상기 분류모델에 제공되는 정답값과 상기 분류모델의 출력값을 이용하여 생성한 예측 성능 평가 점수를 베이지안 최적화 알고리즘에 적용하여 획득한 모델링 파라미터들을 상기 분류모델에 제공하는 단계를 더 포함하는, 라우팅 가능성을 예측하는 계층적 분류 및 회귀 모델의 전이 학습 방법.

제13항에 있어서, 라우팅 후 레이아웃에 대해 디자인 규칙을 확인하여 라벨링 값을 획득하는 단계를 더 포함하며,상기 레이아웃 타일을 획득하는 단계는 상기 라벨링 값을 이용하여 상기 레이아웃 타일을 라벨링하는 단계를 더 포함하는, 라우팅 가능성을 예측하는 계층적 분류 및 회귀 모델의 전이 학습 방법.

제16항에 있어서, 상기 라우팅 전 레이아웃 및 상기 라우팅 후 레이아웃은 인공 회로를 이용하여 생성한 것인, 라우팅 가능성을 예측하는 계층적 분류 및 회귀 모델의 전이 학습 방법.