多年來，分析師和開發人員一直在討論人工智能（AI）和電子設計自動化（EDA）之間的完美匹配。EDA問題具有高維度、不連續性、非線性和高階交互等特性。現在設計人員面臨的問題，在於可以採用哪些更好的方法來應對這種複雜程度，而不是再應用一種過去的經驗，並使用這種經驗來預測類似問題的解決方案。

Mentor透過機器學習等方式，來生成準確的後沉積曲線，藉此強化化學機械拋光建模（CMP）。

實際上，人工智能已經開始在EDA領域發揮作用，在過去的幾年裡出現了大幅的進步。但是若就所有AI的成功面來探討，類似機器學習、神經網路和深度學習等的AI應用，在EDA設計中找到一席之地的速度很慢。然而，這樣的狀況正在改變當中。

目前Mentor Graphics就是透過機器學習和神經網路等方式，來生成準確的後沉積曲線，藉此強化了化學機械拋光建模（CMP）。CMP透過平整晶片層，在晶片製造中起到了關鍵作用。結果取決於被拋光的材料，以及任何給定位置的材料的密度和形狀。

由於現在的許多IC電路設計都是更為緊密且微縮，因此CMP後的平面度變化，將會顯著影響生產過程的成功率。為了減輕任何可能的負面影響，晶片製造商使用CMP建模來檢測潛在的熱點，作為其製造設計流程的一部分。

CMP熱點分析是用於尋找可能經歷CMP後的缺陷設計區域。由於不同材料在CMP製程中表現出不同的腐蝕速率，因此晶圓廠必須在整個晶片上保持恆定的密度平衡，以防止導致金屬互連短路和斷裂的凸起和凹陷生成。

為了獲得最佳的CMP建模精確度，晶片製造商必須能夠產生出高品質的CMP前表面輪廓。如果這些輪廓不準確，則CMP後輪廓的CMP模擬結果將受到損害。為了解決這個問題，Mentor的工程師使用機器學習演算法，來對CMP前表面輪廓中的測量數據進行靈敏度分析。他們發現，輪廓依賴性主要受底層圖案幾何形狀的影響。利用這些資訊，研究人員透過神經網路回歸計算來模擬CMP的前表面輪廓，並使用底層圖案的幾何特徵作為輸入。然後，神經網路將估計CMP前輪廓，並作為CMP建模的輸入，進而提高整個過程的準確性。