CN108829908A - 一种基于深度自编码器网络的电路结构可靠性预测方法 - Google Patents

Abstract

一种基于深度自编码器网络的电路结构可靠性预测方法，包括以下步骤：步骤1：网表解析及相关量的初始化，步骤2：创建电路的特征集；步骤3：基于基准电路集合采集对应特征集[TS,PF,AP]的数据集[ts,pf,ap]及其标签R所对应的数据r；步骤4：依据数据集[ts,pf,ap,r]的特点与规模，构建面向电路可靠性预测的DAN模型；步骤5：基于所选取的DAN模型，依据新输入的特征数据，实现对电路结构可靠性的快速预测。本发明提供一种兼顾可靠性和计算时空开销的基于深度自编码器网络的电路结构可靠性预测方法。

Description

一种基于深度自编码器网络的电路结构可靠性预测方法

技术领域

本发明涉及集成电路结构可靠性的预测，具体来说是一种基于深度自编码器网络的电路结构可靠性预测方法。

背景技术

随着集成电路产品在各个领域的大规模应用，如航空、医疗与工业等，对其可靠性也提出了更高的要求。然而，随着半导体器件特征尺寸的不断缩小与集成度的不断提高，不确定性故障，如间歇性故障与瞬时故障等，对电路可靠性的影响就显得愈发明显。因此，提高电路的可靠性是一项非常重要的工作，它直接关系到人们生命财产的安全，而可靠性评估是提高电路可靠性的重要前提之一。

面对当前的超大规模集成电路，传统基于仿真建模的方法在计算复杂度上稍显不足。比如概率转移矩阵模型、概率门模型与贝叶斯网络方法等，它们往往在具有较高评估精度的同时也有着较大的计算时空开销，且要求评估对象为具体存在的实体。然而，面对当前新技术应用加快，产品更新换代加速的时代，需要有能够在产品构思阶段便可实现对电路可靠性进行快速评估的新方法技术。

发明内容

为了克服现有的电路结构可靠性预测方法的无法兼顾可靠性和计算时空开销的不足，本发明提供一种兼顾可靠性和计算时空开销的基于深度自编码器网络的电路结构可靠性预测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于深度自编码器网络的电路结构可靠性预测方法，所述预测方法包括以下步骤：

步骤1：网表解析及相关量的初始化，过程如下：

1.1)解析网表，并生成电路的完整性链表LC；

1.2)在LC中标识电路的层级数Ts；

步骤2：创建电路的特征集；

步骤3：基于基准电路集合采集对应特征集[TS,PF,AP]的数据集[ts,pf,ap]及其标签R所对应的数据r；

步骤4：依据数据集[ts,pf,ap,r]的特点与规模，构建面向电路可靠性预测的DAN模型；

步骤5：基于所选取的DAN模型，依据新输入的特征数据，实现对电路结构可靠性的快速预测。

进一步，所述步骤2的过程如下：

2.1)依据电路结构，构建面向拓扑结构的电路特征TS＝{PIs,Ts,Gs,As,NAs,Os,NOs,Ns,XOs,XNOs,Bs,Fs,FOs}，其中，PIs指原始输入端数，Ts指层级数，Gs指门单元数，As指与门数，NAs指与非门数，Os指或门数，NOs指或非门数，Ns指非门数，XOs指异或门数，XNOs指同或门数，Bs指Buff数，Fs指扇出源数，FOs指扇出分支数；

2.2)基于当前工艺下器件的实际可靠性水平，构建面向过程性因子的电路特征PF，其取值pf＝{10^d|d＝-1,-2,…,-10}；

2.3)基于输入向量，构建面向应用环境的电路特征AP，其由随机生成的电路输入向量ap构成。

再进一步，所述步骤3的过程如下：

3.1)提取基准电路circuit.isc，针对其不同取值的pf与ap，基于步骤2.1)的特征，通过步骤1生成的circuit.isc的LC，生成其特征数据集[ts,pf,ap]；

3.2)基于circuit.isc的pf与ap，借助其LC，利用E-PTM模型方法，计算circuit.isc在[pf,ap]下所对应的r以生成circuit.isc的带标签数据集[ts,pf,ap,r]；

更进一步，所述步骤4中，构建面向电路可靠性预测的DAN模型的过程如下：

4.1)初始化隐含层的最大层数ly，隐含层的最大结点个数nd，模型的最大训练次数nt，训练增量sl，常量ln及计数器l＝1；

4.2)若l≤ly，初始化计数器i＝1并转到步骤4.3)，否则转到步骤4.10)；

4.3)若2^i+ln≤nd，转到步骤4.4)，否则转到步骤4.9)；

4.4)初始化隐含层节点数hn＝2^i+ln与模型的训练次数t＝ne；

4.5)构建并基于无监督学习逐层训练自编码器(AE)

4.5.1)初始化计数器j＝1；

4.5.2)若t≤nt，则初始化h₀＝[ts,pf,ap]；否则转到步骤4.8)；

4.5.3)若j≤l，则构建第j个有hn个隐含层节点的AE，记为AE_l_i_t_j；否则转到步骤4.6)；

4.5.4)通过输入数据h_j-1对AE_l_i_t_j开展t次无监督学习训练；

4.5.5)基于AE_l_i_t_j的编码器对h_j-1进行编码，结果记为h_j；

4.5.6)执行j＝j+1，转到步骤4.5.3)；

4.6)构建并训练DAN模型；

4.7)执行t＝t+sl，转到步骤4.5)；

4.8)执行i＝i+1，转到步骤4.3)；

4.9)执行l＝l+1，转到步骤4.2)；

4.10)基于测试数据集测试所构建的DAN模型，并计算其对应的RMSE与MAPE，其中，N指测试集的规模，y_k与分别指测试集中的第k个记录值与预测值；

4.11)提取最小RMSE所对应的DAN模型。

所述4.6)中，构建并训练DAN模型的过程如下：

4.6.1)构建一个包含有l个隐含层且隐含层节点数为hn的深度神经网络结构DAN_l_i_t；

4.6.2)初始化计数器j＝1；

4.6.3)若j≤l，则用AE_l_i_t_j的输入层和隐含层的连接权重矩阵和偏置向量来初始化DAN_l_i_t第j层和第j+1层的连接权重矩阵和偏置向量；否则转到步骤4.6.5)；

4.6.4)执行j＝j+1，转到步骤4.6.3)；

4.6.5)基于有标签的训练数据集对DAN_l_i_t展开t次有监督训练。

本发明的技术构思为：注意到深度学习模型，典型的有如卷积神经网络(CNN)、深度信念网络(DBN)与深度自编码器网络(DAN)等，是一种通过模拟人脑神经中枢，并组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示的方法。它结合分类器或预测器即可依据输入特征实现对象分类或结果预测，并有着近似常数的时空开销，且满足当前时代对电路可靠性评估方法提出的新要求。另外，鉴于基于扩展的概率转移矩阵模型(E-PTM)可以精确给出指定输入下的电路可靠性水平，也就是说E-PTM可以给出指定输入下的电路可靠性标签。因此，基于有监督模式的深度学习模型被选取用作在构思阶段以实现对电路结构的可靠性预测。

又考虑到CNN主要面向的为非结构化数据，而DBN与DAN在处理结构化与非结构化数据时均有着较好的表现，尤其是结构化数据。有研究表明，DBN更适合用于对连续型数据进行处理，而DAN在处理离散型数据时有着较好的表现。鉴于电路可靠性数据的结构化与离散型特点，DAN模型被选取用来实现上述目标。

本发明的基于深度自编码器网络的电路结构可靠性预测方法，首先，读取并解析网表，标识出电路的原始输入端、原始输出端、基本门信息与电路层号等，并构建以基本门为节点的电路完整性链表LC。其次，分析影响电路可靠性的主要因素，并创建与之相关的电路特征集；接着，提取基于电路可靠性特征集的数据集，并通过E-PTM模型方法计算对应特征数据的可靠性标签数据，且构建带标签的面向电路可靠性的数据集。然后，依据数据集的规模与特点，构建面向电路可靠性预测的DAN模型，包括构建AE，确定DAN隐含层数与隐含层结点数以及模型的训练次数等。最后，提取误差最小的DAN模型，并依据新输入特征实现对电路结构可靠性的快速预测。该结果有助于电路设计人员在电路的构思阶段或早期设计阶段及时掌握所设计产品在指定应用环境下的可靠性水平及电路对不同应用环境的敏感性，以便合理选择与决策。

本发明的有益效果主要表现在：以DAN模型为主要技术手段，通过网格搜索训练方法的应用，提出了一种基于可靠性特征的电路结构可靠性预测方法，它有近似于常数的计算开销。在电路的构思阶段或早期设计阶段，利用本发明可以随时了解指定应用环境下的大规模及超大规模集成电路结构的可靠性水平，这有助于设计人员根据产品所要应用到的环境及时作出合理的选择与决策，以降低成本。

附图说明

图1是一种面向电路可靠性的带标签数据集采集方法流程图。

图2是一种基于深度自编码器网络的电路结构可靠性预测方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种基于深度自编码器网络的电路结构可靠性预测方法，包括以下步骤：

步骤1：网表解析及相关量的初始化，过程如下：

1.1)解析网表，并生成电路的完整性链表LC；

1.2)在LC中标识电路的层级数Ts。

步骤2：创建电路的特征集，过程如下：

2.1)依据电路结构，构建面向拓扑结构的电路特征TS＝{PIs,Ts,Gs,As,NAs,Os,NOs,Ns,XOs,XNOs,Bs,Fs,FOs}。其中，PIs指原始输入端数，Ts指层级数，Gs指门单元数，As指与门数，NAs指与非门数，Os指或门数，NOs指或非门数，Ns指非门数，XOs指异或门数，XNOs指同或门数，Bs指Buff数，Fs指扇出源数与FOs指扇出分支数；

2.2)基于当前工艺下器件的实际可靠性水平，构建面向过程性因子的电路特征PF，其取值pf＝{10^d|d＝-1,-2,…,-10}；

2.3)基于输入向量，构建面向应用环境的电路特征AP，其由随机生成的电路输入向量ap构成。

步骤3：基于基准电路集合采集对应特征集[TS,PF,AP]的数据集[ts,pf,ap]及其标签R所对应的数据r，过程如下：

3.1)提取基准电路circuit.isc，针对其不同取值的pf与ap，基于步骤2.1)的特征，通过步骤1生成的circuit.isc的LC，生成其特征数据集[ts,pf,ap]；

3.2)基于circuit.isc的pf与ap，借助其LC，利用E-PTM模型方法，计算circuit.isc在[pf,ap]下所对应的r以生成circuit.isc的带标签数据集[ts,pf,ap,r]。

步骤4：依据数据集[ts,pf,ap,r]的特点与规模，构建面向电路可靠性预测的DAN模型，过程如下：

4.1)初始化隐含层的最大层数ly，隐含层的最大结点个数nd，模型的最大训练次数nt，训练增量sl，常量ln及计数器l＝1；

4.2)若l≤ly，初始化计数器i＝1并转到步骤4.3)，否则转到步骤4.10)；

4.3)若2^i+ln≤nd，转到步骤4.4)，否则转到步骤4.9)；

4.4)初始化隐含层节点数hn＝2^i+ln与模型的训练次数t＝ne；

4.5)构建并基于无监督学习逐层训练自编码器AE，过程如下：

4.5.1)初始化计数器j＝1；

4.5.2)若t≤nt，则初始化h₀＝[ts,pf,ap]；否则转到步骤4.8)；

4.5.3)若j≤l，则构建第j个有hn个隐含层节点的AE(记为AE_l_i_t_j)；否则转到步骤4.6)；

4.5.4)通过输入数据h_j-1对AE_l_i_t_j开展t次无监督学习训练；

4.5.5)基于AE_l_i_t_j的编码器对h_j-1进行编码，结果记为h_j；

4.5.6)执行j＝j+1，转到步骤4.5.3)；

4.6)构建并训练DAN模型，过程如下：

4.6.1)构建一个包含有l个隐含层且隐含层节点数为hn的深度自编码器网络结构DAN_l_i_t；

4.6.2)初始化计数器j＝1；

4.6.3)若j≤l，则用AE_l_i_t_j的输入层和隐含层的连接权重矩阵和偏置向量来初始化DAN_l_i_t第j层和第j+1层的连接权重矩阵和偏置向量；否则转到步骤4.6.5)；

4.6.4)执行j＝j+1，转到步骤4.6.3)；

4.6.5)基于有标签的训练数据集对DAN_l_i_t展开t次有监督训练；

4.7)执行t＝t+sl，转到步骤4.5)；

4.8)执行i＝i+1，转到步骤4.3)；

4.9)执行l＝l+1，转到步骤4.2)；

4.10)基于测试数据集测试所构建的DAN模型，并计算其对应的RMSE与MAPE，其中，N指测试集的规模，y_k与分别指测试集中的第k个记录值与预测值；

4.11)提取最小RMSE所对应的DAN模型。

步骤5：基于所选取的DAN模型，依据新输入的特征数据，实现对电路结构可靠性的快速预测。

本实施例以DAN模型为主要技术手段，通过网格搜索训练方法等实现了基于可靠性特征的电路结构可靠性预测，且有近似于常数的计算开销。它可对构思阶段或早期设计阶段的电路进行结构可靠性预测，且可推广应用至大规模及超大规模集成电路。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (5)

1.一种基于深度自编码器网络的电路结构可靠性预测方法，其特征在于，所述预测方法包括以下步骤：

步骤1：网表解析及相关量的初始化，过程如下：

1.1)解析网表，并生成电路的完整性链表LC；

1.2)在LC中标识电路的层级数Ts；

步骤2：创建电路的特征集；

步骤3：基于基准电路集合采集对应特征集[TS,PF,AP]的数据集[ts,pf,ap]及其标签R所对应的数据r，

步骤4：依据数据集[ts,pf,ap,r]的特点与规模，构建面向电路可靠性预测的DAN模型；

步骤5：基于所选取的DAN模型，依据新输入的特征数据，实现对电路结构可靠性的快速预测。

2.如权利要求1所述的一种基于深度自编码器网络的电路结构可靠性预测方法，其特征在于，所述步骤2的过程如下：

2.1)依据电路结构，构建面向拓扑结构的电路特征TS＝{PIs,Ts,Gs,As,NAs,Os,NOs,Ns,XOs,XNOs,Bs,Fs,FOs}，其中，PIs指原始输入端数，Ts指层级数，Gs指门单元数，As指与门数，NAs指与非门数，Os指或门数，NOs指或非门数，Ns指非门数，XOs指异或门数，XNOs指同或门数，Bs指Buff数，Fs指扇出源数，FOs指扇出分支数；

2.2)基于当前工艺下器件的实际可靠性水平，构建面向过程性因子的电路特征PF，其取值pf＝{10^d|d＝-1,-2,…,-10}；

2.3)基于输入向量，构建面向应用环境的电路特征AP，其由随机生成的电路输入向量ap构成。

3.如权利要求2所述的一种基于深度自编码器网络的电路结构可靠性预测方法，其特征在于，所述步骤3的过程如下：

3.1)提取基准电路circuit.isc，针对其不同取值的pf与ap，基于步骤2.1)的特征，通过步骤1生成的circuit.isc的LC，生成其特征数据集[ts,pf,ap]；

3.2)基于circuit.isc的pf与ap，借助其LC，利用E-PTM模型方法，计算circuit.isc在[pf,ap]下所对应的r以生成circuit.isc的带标签数据集[ts,pf,ap,r]。

4.如权利要求3所述的一种基于深度自编码器网络的电路结构可靠性预测方法，其特征在于，所述步骤4中，构建面向电路可靠性预测的DAN模型的过程如下：

4.1)初始化隐含层的最大层数ly，隐含层的最大结点个数nd，模型的最大训练次数nt，训练增量sl，常量ln及计数器l＝1；

4.2)若l≤ly，初始化计数器i＝1并转到步骤4.3)，否则转到步骤4.10)；

4.3)若2^i+ln≤nd，转到步骤4.4)，否则转到步骤4.9)；

4.4)初始化隐含层节点数hn＝2^i+ln与模型的训练次数t＝ne；

4.5)构建并基于无监督学习逐层训练自编码器AE，过程如下：

4.5.1)初始化计数器j＝1；

4.5.2)若t≤nt，则初始化h₀＝[ts,pf,ap]；否则转到步骤4.8)；

4.5.3)若j≤l，则构建第j个有hn个隐含层节点的AE，记为AE_l_i_t_j；否则转到步骤4.6)；

4.5.4)通过输入数据h_j-1对AE_l_i_t_j开展t次无监督学习训练；

4.5.5)基于AE_l_i_t_j的编码器对h_j-1进行编码，结果记为h_j；

4.5.6)执行j＝j+1，转到步骤4.5.3)；

4.6)构建并训练DAN模型；

4.7)执行t＝t+sl，转到步骤4.5)；

4.8)执行i＝i+1，转到步骤4.3)；

4.9)执行l＝l+1，转到步骤4.2)；

4.10)基于测试数据集测试所构建的DAN模型，并计算其对应的RMSE与MAPE，其中，N指测试集的规模，y_k与分别指测试集中的第k个记录值与预测值；

4.11)提取最小RMSE所对应的DAN模型。

5.如权利要求4所述的一种基于深度自编码器网络的电路结构可靠性预测方法，其特征在于，所述4.6)中，构建并训练DAN模型的过程如下：

4.6.1)构建一个包含有l个隐含层且隐含层节点数为hn的深度神经网络结构DAN_l_i_t；

4.6.2)初始化计数器j＝1；

4.6.3)若j≤l，则用AE_l_i_t_j的输入层和隐含层的连接权重矩阵和偏置向量来初始化DAN_l_i_t第j层和第j+1层的连接权重矩阵和偏置向量；否则转到步骤4.6.5)；

4.6.4)执行j＝j+1，转到步骤4.6.3)；

4.6.5)基于有标签的训练数据集对DAN_l_i_t展开t次有监督训练。