CN109255160B - 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 - Google Patents
基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 Download PDFInfo
- Publication number
- CN109255160B CN109255160B CN201810940886.6A CN201810940886A CN109255160B CN 109255160 B CN109255160 B CN 109255160B CN 201810940886 A CN201810940886 A CN 201810940886A CN 109255160 B CN109255160 B CN 109255160B
- Authority
- CN
- China
- Prior art keywords
- unit delay
- neural network
- error
- training
- sample set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2115/00—Details relating to the type of the circuit
- G06F2115/06—Structured ASICs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明公开了一种基于神经网络的单元延时预测方法,包括以下步骤:S1:选取SPICE仿真和神经网络训练所需的特征量;S2:随机选取特征量值,采用SPICE仿真测量单元延时,建立单元延时样本集;S3:将SPICE仿真获得的单元延时样本集分为训练样本集和测试样本集两部分,采用训练样本集训练神经网络模型,采用测试样本集验证神经网络精度,比较测试样本集预测的单元延时与SPICE仿真测量的单元延时之间的误差,反复优化调整神经网络参数降低误差;所述神经网络模型即为单元延时的预测模型。本发明还公开了单元延时灵敏度计算方法。本发明精度高、建模开销低、预测速度快。
Description
技术领域
本发明涉及集成电路设计领域,特别是涉及单元延时预测方法和单元延时灵敏度计算方法。
背景技术
近年来应用驱动逐渐成为集成电路产业的发展新模式,由于在物联网等新兴应用中提炼终端产品的技术需求,集成电路向更小晶体管尺寸和更低工作电压发展。在今年来的工艺中,电压已经能降低到近阈值范围,在这个范围内电路性能在很大程度上受到工艺参数波动的影响。对于呈非高斯分布的单元延时的分析是学术界面临的新的挑战。现有的时序分析方法存在着各种局限性:基于工艺角的静态时序分析方法对电路延迟存在着过度悲观的估计;基于蒙特卡洛仿真的分析方法虽然能够精确仿真电路延迟,但仿真运行的数量大,运行花费的时间长,无法作为电路时序分析的方法。
发明内容
发明目的:本发明的目的是提供一种精度高、建模开销低、预测速度快的基于神经网络的单元延时预测方法和单元延时灵敏度计算方法。
技术方案:为达到此目的,本发明采用以下技术方案:
本发明所述的基于神经网络的单元延时预测方法,包括以下步骤:
S1:选取SPICE仿真和神经网络训练所需的特征量;
S2:随机选取特征量值,采用SPICE仿真测量单元延时,建立单元延时样本集;
S3:将SPICE仿真获得的单元延时样本集分为训练样本集和测试样本集两部分,采用训练样本集训练神经网络模型,采用测试样本集验证神经网络精度,比较测试样本集预测的单元延时与SPICE仿真测量的单元延时之间的误差,反复优化调整神经网络参数降低误差;所述神经网络模型即为单元延时的预测模型。
进一步,所述步骤S1中的特征量包括单元工作环境参数和单元工艺参数。
进一步,所述单元工作环境参数包括呈均匀分布的输入转换时间、输出负载电容、温度和电压。
进一步,所述单元工艺参数包括呈高斯分布的栅极氧化层厚度、沟道长度偏移、沟道宽度偏移、阈值电压、低场迁移率、阈值电压偏移和饱和速度。
进一步,所述步骤S3中,比较测试样本集预测的单元延时与SPICE仿真测量的单元延时之间的误差,反复优化调整神经网络参数降低误差的过程如下:首先,逐次增加神经网络各隐藏层节点数量,采用神经网络训练集训练得到网络参数,采用测试集验证精度,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差低于预设误差时,神经网络参数优化结束,建立预测单元延时的神经网络模型,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差不低于预设误差时,如果本次误差与上次误差之间的差值高于预设阈值则继续增加隐藏层节点数并再次训练和验证精度,如果本次误差与上次误差之间的差值不高于预设阈值则增加隐藏层数;其次,逐次增加隐藏层数并训练和验证精度,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差低于预设误差时,神经网络参数优化结束,建立预测单元延时的神经网络模型,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差不低于预设误差时,如果本次误差与上次误差之间的差值高于预设阈值则继续增加隐藏层数并再次训练和验证精度,如果本次误差与上次误差之间的差值不高于预设阈值则增加训练集样本数;最后,逐次增加训练集样本数并训练和验证精度,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差低于预设误差时,神经网络参数优化结束,建立预测单元延时的神经网络模型,如果训练集样本数低于预设样本数则继续增加训练集样本数并再次训练和验证精度,如果训练集样本数不低于预设样本数则结束训练并采用最后一次迭代训练获得的神经网络参数建立单元延时的预测模型。
采用本发明所述的基于神经网络的单元延时预测方法的单元延时灵敏度计算方法,包括以下过程:基于单元延时预测模型预测单元延时,利用该单元延时计算单元延时灵敏度。
进一步,所述特征量包括单元工作环境参数和单元工艺参数,单元工艺参数P1的延时灵敏度通过式(1)计算得到:
式(1)中,FNN(P)表示当神经网络模型得到的某个工艺参数的值为P时的单元延时;FNN(P+ΔP1)表示当神经网络模型得到的某个工艺参数的值增加了ΔP1,为P+ΔP1时的单元延时。
有益效果:本发明公开了基于神经网络的单元延时预测方法和单元延时灵敏度计算方法,与现有技术相比,具有如下的有益效果:
1)延时预测精度高,利用神经网络拟合延时非线性变化,以反相器为例,在0.5~1.1V下预测的延时平均误差仅为1.5%,克服了现有时序模型通过查找二维延时库线性内插计算延时的不足。
2)延时预测模型建模开销低,采用单一神经网络建模,适用于多种工作场景参数(包括工艺角参数和环境参数)和工艺参数下的延时预测,克服现有时序模型需要针对各个工艺角分别建立延时库开销大的不足。
3)延时灵敏度计算速度快,通过神经网络预测的延时计算延时灵敏度,速度远高于现有通过SPICE电路级蒙特卡洛仿真获得延时灵敏度的方法。
附图说明
图1为本发明具体实施方式中单元延时预测方法的流程图;
图2为本发明具体实施方式中神经网络模型的示意图;
图3(a)为本发明具体实施方式用于反相器在0.5V-1.1V电压范围内,25℃下的延时灵敏度;
图3(b)为本发明具体实施方式用于反相器在0.5V-1.1V电压范围内,125℃下的延时灵敏度;
图3(c)为本发明具体实施方式用于反相器在0.5V-1.1V电压范围内,-40℃下的延时灵敏度。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于神经网络的单元延时预测方法,如图1所示,包括以下步骤:
S1:选取SPICE仿真和神经网络训练所需的特征量;
S2:随机选取特征量值,采用SPICE仿真测量单元延时,建立单元延时样本集;
S3:将SPICE仿真获得的单元延时样本集分为训练样本集和测试样本集两部分,采用训练样本集训练神经网络模型,采用测试样本集验证神经网络精度,比较测试样本集预测的单元延时与SPICE仿真测量的单元延时之间的误差,反复优化调整神经网络参数降低误差;所述神经网络模型即为单元延时的预测模型。
神经网络模型如图2所示。神经网络由三层组成,即输入层,输出层和单层隐藏层。输入层是由p表示的输入样本的集合
p=[p1,p2,...,pn]T (2)
其中T是列向量的转置。矢量p的元素由p1,p2,...,pn构成,p是这个NN构建的非线性模型的输入变量,在本专利中p为预测单元延时的11个特征量。隐藏层的每个节点由处理单元组成,处理单元将n个输入和偏差组合成一个加权线性和,然后通过一个非线性激活函数φ(·)。
虽然输入的数量是先验知道的,但隐藏神经元的数量m和隐藏层数n只能在训练时确定。
NN模型的输入参数p和相应的输出是已知的,在本专利中,输入为11个特征量,输出为单元延时。在模型的训练阶段期间确定输入权重矩阵,输出权重,隐藏节点中的偏置矢量以及输出节点中的偏置矢量。
步骤S1中的特征量包括单元工作环境参数和单元工艺参数。单元工作环境参数包括呈均匀分布的输入转换时间、输出负载电容、温度和电压。单元工艺参数包括呈高斯分布的栅极氧化层厚度、沟道长度偏移、沟道宽度偏移、阈值电压、低场迁移率、阈值电压偏移和饱和速度。
步骤S3中,比较测试样本集预测的单元延时与SPICE仿真测量的单元延时之间的误差,反复优化调整神经网络参数降低误差的过程如下:首先,逐次增加神经网络各隐藏层节点数量,采用神经网络训练集训练得到网络参数,采用测试集验证精度,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差低于预设误差时,神经网络参数优化结束,建立预测单元延时的神经网络模型,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差不低于预设误差时,如果本次误差与上次误差之间的差值高于预设阈值则继续增加隐藏层节点数并再次训练和验证精度,如果本次误差与上次误差之间的差值不高于预设阈值则增加隐藏层数;其次,逐次增加隐藏层数并训练和验证精度,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差低于预设误差时,神经网络参数优化结束,建立预测单元延时的神经网络模型,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差不低于预设误差时,如果本次误差与上次误差之间的差值高于预设阈值则继续增加隐藏层数并再次训练和验证精度,如果本次误差与上次误差之间的差值不高于预设阈值则增加训练集样本数;最后,逐次增加训练集样本数并训练和验证精度,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差低于预设误差时,神经网络参数优化结束,建立预测单元延时的神经网络模型,如果训练集样本数低于预设样本数则继续增加训练集样本数并再次训练和验证精度,如果训练集样本数不低于预设样本数则结束训练并采用最后一次迭代训练获得的神经网络参数建立单元延时的预测模型。
采用该基于神经网络的单元延时预测方法的单元延时灵敏度计算方法包括以下过程:基于单元延时预测模型预测单元延时,利用该单元延时计算单元延时灵敏度。
单元工艺参数P1的延时灵敏度通过式(1)计算得到:
式(1)中,FNN(P)表示当神经网络模型得到的某个工艺参数的值为P时的单元延时;FNN(P+ΔP1)表示当神经网络模型得到的某个工艺参数的值增加了ΔP1,为P+ΔP1时的单元延时。
表1为基于神经网络的单元延时模型的不同组合逻辑单元测试集的平均误差和最大误差。
表1基于神经网络的单元延时模型的不同组合逻辑单元测试集的平均误差和最大误差
图3(a)为本发明具体实施方式用于反相器在0.5V-1.1V电压范围内,25℃下的延时灵敏度;
图3(b)为本发明具体实施方式用于反相器在0.5V-1.1V电压范围内,125℃下的延时灵敏度;
图3(c)为本发明具体实施方式用于反相器在0.5V-1.1V电压范围内,-40℃下的延时灵敏度。
Claims (2)
1.基于神经网络的单元延时预测方法,其特征在于:包括以下步骤:
S1:选取SPICE仿真和神经网络训练所需的特征量;所述特征量包括单元工作环境参数和单元工艺参数;所述单元工作环境参数包括呈均匀分布的输入转换时间、输出负载电容、温度和电压;所述单元工艺参数包括呈高斯分布的栅极氧化层厚度、沟道长度偏移、沟道宽度偏移、阈值电压、低场迁移率、阈值电压偏移和饱和速度;
S2:随机选取特征量值,采用SPICE仿真测量单元延时,建立单元延时样本集;
S3:将SPICE仿真获得的单元延时样本集分为训练样本集和测试样本集两部分,采用训练样本集训练神经网络模型,所述神经网络模型输入为步骤S1中选取的11个特征量,输出为单元延时,在模型的训练阶段期间确定输入权重矩阵,输出权重,隐藏节点中的偏置矢量以及输出节点中的偏置矢量;采用测试样本集验证神经网络精度,比较测试样本集预测的单元延时与SPICE仿真测量的单元延时之间的误差,反复优化调整神经网络参数降低误差;所述神经网络模型即为单元延时的预测模型;
其中所述步骤S3中,比较测试样本集预测的单元延时与SPICE仿真测量的单元延时之间的误差,反复优化调整神经网络参数降低误差的过程如下:首先,逐次增加神经网络各隐藏层节点数量,采用神经网络训练集训练得到网络参数,采用测试集验证精度,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差低于预设误差时,神经网络参数优化结束,建立预测单元延时的神经网络模型,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差不低于预设误差时,如果本次误差与上次误差之间的差值高于预设阈值则继续增加隐藏层节点数并再次训练和验证精度,如果本次误差与上次误差之间的差值不高于预设阈值则增加隐藏层数;其次,逐次增加隐藏层数并训练和验证精度,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差低于预设误差时,神经网络参数优化结束,建立预测单元延时的神经网络模型,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差不低于预设误差时,如果本次误差与上次误差之间的差值高于预设阈值则继续增加隐藏层数并再次训练和验证精度,如果本次误差与上次误差之间的差值不高于预设阈值则增加训练集样本数;最后,逐次增加训练集样本数并训练和验证精度,当测试样本集预测的单元延时相比SPICE仿真测量的单元延时的误差低于预设误差时,神经网络参数优化结束,建立预测单元延时的神经网络模型,如果训练集样本数低于预设样本数则继续增加训练集样本数并再次训练和验证精度,如果训练集样本数不低于预设样本数则结束训练并采用最后一次迭代训练获得的神经网络参数建立单元延时的预测模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810940886.6A CN109255160B (zh) | 2018-08-17 | 2018-08-17 | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 |
PCT/CN2019/077796 WO2020034630A1 (zh) | 2018-08-17 | 2019-03-12 | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810940886.6A CN109255160B (zh) | 2018-08-17 | 2018-08-17 | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109255160A CN109255160A (zh) | 2019-01-22 |
CN109255160B true CN109255160B (zh) | 2020-10-16 |
Family
ID=65048997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810940886.6A Active CN109255160B (zh) | 2018-08-17 | 2018-08-17 | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109255160B (zh) |
WO (1) | WO2020034630A1 (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255160B (zh) * | 2018-08-17 | 2020-10-16 | 东南大学 | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 |
CN109839824A (zh) * | 2019-01-24 | 2019-06-04 | 青岛理工大学 | 一种基于预测控制的网络控制系统时延补偿方法 |
CN111353601A (zh) * | 2020-02-25 | 2020-06-30 | 北京百度网讯科技有限公司 | 用于预测模型结构的延时的方法和装置 |
CN111950093B (zh) * | 2020-08-31 | 2023-03-14 | 武汉理工大学 | 基于不同置信度训练样本优化轴系神经网络的方法 |
CN112373483B (zh) * | 2020-11-23 | 2022-07-29 | 浙江天行健智能科技有限公司 | 一种基于前向神经网络的车辆速度和转向预测方法 |
CN112734008A (zh) * | 2020-12-31 | 2021-04-30 | 平安科技(深圳)有限公司 | 分类网络构建方法以及基于分类网络的分类方法 |
CN113326656B (zh) * | 2021-05-26 | 2022-11-01 | 东南大学 | 一种数字集成电路众工艺角延时预测方法 |
CN113626994B (zh) | 2021-07-23 | 2022-11-22 | 东南大学 | 一种寄存器时序约束灵活建模方法 |
CN113779910B (zh) * | 2021-11-10 | 2022-02-22 | 海光信息技术股份有限公司 | 产品性能分布预测方法及装置、电子设备及存储介质 |
CN116774124B (zh) * | 2023-02-09 | 2024-01-02 | 北京昆迈医疗科技有限公司 | Opm的调试校准方法及装置 |
CN116542196B (zh) * | 2023-03-13 | 2023-09-12 | 中国人民解放军国防科技大学 | 基于有效时钟路径的集成电路时序分析方法、系统及介质 |
CN115984889B (zh) * | 2023-03-22 | 2023-06-09 | 中国人民解放军总医院 | 基于人工智能的医疗文书完整性分析方法及系统 |
CN116151491B (zh) * | 2023-04-20 | 2023-07-18 | 天津港电力有限公司 | 一种基于电力数据的电力故障智慧预测平台 |
CN116663465B (zh) * | 2023-06-21 | 2023-10-27 | 南京邮电大学 | 基于深度学习的考虑mis效应的单元统计延时模型构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106547962A (zh) * | 2016-10-21 | 2017-03-29 | 天津大学 | 基于神经网络参数建模的集成电路互连可靠性分析方法 |
CN106777608A (zh) * | 2016-12-02 | 2017-05-31 | 天津大学 | 精确快速低投入的fpga 延时估计方法 |
CN108090288A (zh) * | 2017-12-21 | 2018-05-29 | 北京华大九天软件有限公司 | 一种通过机器学习获取时序参数的方法 |
CN108390775A (zh) * | 2018-02-05 | 2018-08-10 | 中南大学 | 一种基于spice的用户体验质量评价方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018660B (zh) * | 2012-12-25 | 2015-04-22 | 重庆邮电大学 | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 |
US20150073738A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Determining process variation using device threshold sensitivites |
US20170300984A1 (en) * | 2016-04-19 | 2017-10-19 | Agalmic Inc. | Platform for prediction of consumption and re-ordering of goods |
CN109255160B (zh) * | 2018-08-17 | 2020-10-16 | 东南大学 | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 |
-
2018
- 2018-08-17 CN CN201810940886.6A patent/CN109255160B/zh active Active
-
2019
- 2019-03-12 WO PCT/CN2019/077796 patent/WO2020034630A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106547962A (zh) * | 2016-10-21 | 2017-03-29 | 天津大学 | 基于神经网络参数建模的集成电路互连可靠性分析方法 |
CN106777608A (zh) * | 2016-12-02 | 2017-05-31 | 天津大学 | 精确快速低投入的fpga 延时估计方法 |
CN108090288A (zh) * | 2017-12-21 | 2018-05-29 | 北京华大九天软件有限公司 | 一种通过机器学习获取时序参数的方法 |
CN108390775A (zh) * | 2018-02-05 | 2018-08-10 | 中南大学 | 一种基于spice的用户体验质量评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020034630A1 (zh) | 2020-02-20 |
CN109255160A (zh) | 2019-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255160B (zh) | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 | |
CN109255159B (zh) | 一种基于机器学习的电路路径延时波动预测方法 | |
US8615725B1 (en) | Methods for compact modeling of circuit stages for static timing analysis of integrated circuit designs | |
Maricau et al. | Efficient variability-aware NBTI and hot carrier circuit reliability analysis | |
US6278964B1 (en) | Hot carrier effect simulation for integrated circuits | |
CN101329695A (zh) | 检测及建立应用于噪声的mos管模型的方法 | |
US9928324B1 (en) | System and method for accurate modeling of back-miller effect in timing analysis of digital circuits | |
KR20220048941A (ko) | 인공 신경망을 이용한 트랜지스터 컴팩트 모델링 시스템, 방법 및 컴퓨터 프로그램 제품 | |
CN110362881B (zh) | 基于极限学习机的微波功率器件非线性模型方法 | |
Koskinen et al. | Hierarchical tolerance analysis using statistical behavioral models | |
Dolin et al. | Modified methods of circuit simulation of radio engineering devices in the time domain | |
US8645883B2 (en) | Integrated circuit simulation using fundamental and derivative circuit runs | |
US6327555B1 (en) | Semiconductor simulation method | |
WO2012081158A1 (ja) | 回路シミュレーション方法及び半導体集積回路 | |
CN108233356B (zh) | 一种光伏逆变器控制器一致性评估方法及其评估平台 | |
Liu et al. | Performance bound and yield analysis for analog circuits under process variations | |
Philipps et al. | Smart universal parameter fitting method for modeling static SiC power MOSFET behavior | |
JP4871194B2 (ja) | パラメータ抽出方法及び当該パラメータ抽出方法を実行させるプログラムを具備するコンピュータ読み取り可能な記憶媒体 | |
WO2023151132A1 (zh) | 电路模型的仿真模拟方法及装置、计算机设备和存储介质 | |
CN114239465A (zh) | 一种基于缩放方差采样的近阈值电路延时估计方法 | |
US9582622B1 (en) | Evaluating on-chip voltage regulation | |
CN112685958B (zh) | 一种基于神经网络的SiC MOSFET阻断电压确定方法 | |
CN110262393B (zh) | 带滞后数据处理的灰色理论分段式加权热误差建模方法 | |
CN116438536A (zh) | 使用物理参数的扩充灵敏度数据建模时序行为 | |
Liu et al. | Fast hierarchical process variability analysis and parametric test development for analog/RF circuits |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |