CN112329367A - 一种基于图卷积神经网络的逻辑设计切割方法及系统 - Google Patents
一种基于图卷积神经网络的逻辑设计切割方法及系统 Download PDFInfo
- Publication number
- CN112329367A CN112329367A CN202011393976.1A CN202011393976A CN112329367A CN 112329367 A CN112329367 A CN 112329367A CN 202011393976 A CN202011393976 A CN 202011393976A CN 112329367 A CN112329367 A CN 112329367A
- Authority
- CN
- China
- Prior art keywords
- neural network
- cutting
- logic design
- graph convolution
- convolution neural
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 86
- 238000005520 cutting process Methods 0.000 title claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/34—Circuit design for reconfigurable circuits, e.g. field programmable gate arrays [FPGA] or programmable logic devices [PLD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/327—Logic synthesis; Behaviour synthesis, e.g. mapping logic, HDL to netlist, high-level language to RTL or netlist
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06F2115/02—System on chip [SoC] design
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (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)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明公开了一种基于图卷积神经网络的逻辑设计切割方法及系统,所述方法包括:对待切割逻辑设计的网表进行解析,将其转化为由多个底层模块组成的连接图结构;采用经过训练得到的图卷积神经网络切割模型将所述图连接结构切割成多个逻辑设计,使得切割后的每个逻辑设计可被目标FPGA容纳。采用本发明的技术方案,可以自动将待切割逻辑设计切割成多个小的逻辑设计。
Description
技术领域
本发明涉及芯片设计领域,尤其涉及一种基于图卷积神经网络的逻辑设计切割方法及系统。
背景技术
随着现代SoC设计越来越复杂,晶体管规模越来越庞大,对设计进行验证同样变得困难。当前采用Emulation进行仿真验证加速已成为大型和超大型集成电路设计的主流方向,该设计采用多个FPGA互联和级联方式加速验证待切割逻辑设计。用户需要设法将大的设计切割为若干个小的设计,配置到多个FPGA中,同时保证运行时整个设计的逻辑功能正确无误,性能达标。现有的对用户逻辑DUT逻辑进行分割的方式为采用传统算法进行相对简单和粗放的切割,甚至需要手动对逻辑设计进行人工切割。
发明内容
本发明的目的是针对现有技术的大型逻辑设计切割过程简单粗放的技术问题,本发明提出一种基于图卷积神经网络的逻辑设计切割方法及系统。
本发明实施例中,提供了一种基于图卷积神经网络的逻辑设计切割方法,其包括:
对待切割逻辑设计的网表进行解析,将其转化为由多个底层模块组成的连接图结构;
采用经过训练得到的图卷积神经网络切割模型将所述图连接结构切割成多个逻辑设计,使得切割后的每个逻辑设计可被目标FPGA容纳。
本发明实施例中,所述的基于图卷积神经网络的逻辑设计切割方法,还包括:
采用图卷积神经网络对多个逻辑设计网表样本进行训练,达到收敛后,存储神经网络权值,得到所述图卷积神经网络切割模型。
本发明实施例中,采用图卷积神经网络对多个逻辑设计网表样本进行训练,达到收敛后,存储神经网络权值,得到所述图卷积神经网络切割模型,包括:
对逻辑设计网表样本进行解析,将其转化为由多个底层模块组成的图连接结构;
将所述图连接结构输入到所述图卷积神经网络中进行切割,并输出切割结果;
将得到的切割结果与预期的切割结果进行比较;
根据比较的结果更新所述图卷积神经网络的权值,直到收敛,存储收敛状态下的权值,得到所述图卷积神经网络切割模型。
本发明实施例中,对待切割逻辑设计网表进行解析,还包括:
计算每个底层模块占用资源及底层模块间的连接资源。
本发明实施例中,所述的基于图卷积神经网络的逻辑设计切割方法,其特征在于,还包括:
根据切割后得到的多个逻辑设计生成多个可加载到所述多个目标FPGA中的FPGA源码;
对每个可加载到所述目标FPGA中的FPGA源码进行综合编译,生成可运行的二进制文件;
将所述二进制文件下载到对应的目标FPGA中运行。
本发明实施例中,还提供了一种基于图卷积神经网络的逻辑设计切割系统,其上述的基于图卷积神经网络的逻辑设计切割方法。
与现有技术相比较,在本发明的基于图卷积神经网络的逻辑设计切割方法中,根据用户预先训练得到图卷积神经网络分割模型,对逻辑设计自动分割,每个分割出来的逻辑设计可以配置到单独的一颗FPGA中运行,使得整个系统的逻辑功能运行正确,同时达到FPGA资源的合理利用,运行期性能达到最优,从而方便用户快速方便地开发,设计基于多块FPGA的大容量、复杂程度高的芯片,加快SOC产品的开发流程。
附图说明
图1是本发明实施例的基于图卷积神经网络的逻辑设计切割方法的硬件环境的示意图。
图2是本发明实施例的基于图卷积神经网络的逻辑设计切割方法的流程图。
图3是本发明实施例的基于图卷积神经网络的逻辑设计切割过程的示意图。
图4是本发明实施例的图卷积神经网络网络的示意图。
图5是本发明实施例的图卷积神经网络网络切割模型的训练过程示意图。
具体实施方式
本发明适用于用户大规模或超大规模的芯片设计,当用户的逻辑设计在一个FPGA中放置不下,需要切割到多个FPGA中协同运行的情况。如图1所示,系统硬件要求如下:
1,系统硬件由多个FPGA组成;
2,每个FPGA之间有IO或者总线与其他FPGA进行连接;
3,FPGA可用资源明确。每两个FPGA可用IO数量或者BUS总线参数明确。
下面对本发明实施例的基于图卷积神经网络的逻辑设计切割方法进行详细说明。
如图2及图3所示,本发明实施例中,提供了一种基于图卷积神经网络的逻辑设计切割方法,其包括步骤S1-S7。下面分别进行说明。
步骤S1:对待切割逻辑设计的网表进行解析,将其转化为由多个底层模块组成的连接图结构。
需要说明的是,在大规模的逻辑设计中,包括了多个底层模块,每个底层模块都会占用一些资源,在底层模块之间会存在连接关系,因此,会占用连接资源。因此,在对待切割逻辑设计的网表进行解析时,需要计算每个底层模块占用资源及底层模块间的连接资源。将这些模块之间的连接关系及资源占用情况通过连接图结构表示出来,以便于进行切割时,切割得到的逻辑设计占用的资源可以被承载该逻辑设计的FPGA满足。
步骤S2:采用经过训练得到的图卷积神经网络切割模型将所述图连接结构切割成多个逻辑设计,使得切割后的每个逻辑设计可被目标FPGA容纳。
需要说明的是,在本发明实施例中, 在应用所述图卷积神经网络切割模型来切割所述图连接结构时,需要获取用于容纳切割后地逻辑设计的目标FPGA的资源情况,使得切割后的每个逻辑设计可被目标FPGA容纳。
还需要说明的是,在本发明实施例中,在应用所述图卷积神经网络切割模型来切割所述图连接结构之前,需要首先通过训练的方式来得到所述图卷积神经网络切割模型,即采用图卷积神经网络对多个逻辑设计网表样本进行训练,达到收敛后,存储神经网络权值,得到所述图卷积神经网络切割模型。如图4所示,本发明实施例中,所示图卷积神经网络包括两个图卷积层:第一层和第二层。
如图5所示,采用图卷积神经网络对多个逻辑设计网表样本进行训练的过程包括:
对逻辑设计网表样本进行解析,将其转化为由多个底层模块组成的图连接结构;
将所述图连接结构输入到所述图卷积神经网络中进行切割,并输出切割结果;
将得到的切割结果与预期的切割结果进行比较;
根据比较的结果更新所述图卷积神经网络的权值,直到收敛,存储收敛状态下的权值,得到所述图卷积神经网络切割模型。
步骤S3:根据切割后得到的多个逻辑设计生成多个可加载到所述多个目标FPGA中的FPGA源码。
需要说明的是,对所述图连接结构进行切割后,得到多个小的逻辑设计,将这些小的逻辑设计生成FPGA源码,以便加载到目标FPGA中。
步骤S4:对每个可加载到所述目标FPGA中的FPGA源码进行综合编译,生成可运行的二进制文件。
步骤S5:将所述二进制文件下载到对应的目标FPGA中运行。
需要说明的是,可到FPGA源码之后,即可对其进行编译并加载到对应的目标FPGA中进行测试。
本发明实施例中,还提供了一种基于图卷积神经网络的逻辑设计切割系统,其上述的基于图卷积神经网络的逻辑设计切割方法。
综上所述,在本发明的基于图卷积神经网络的逻辑设计切割方法中,根据用户预先训练得到图卷积神经网络分割模型,对逻辑设计自动分割,每个分割出来的逻辑设计可以配置到单独的一颗FPGA中运行,使得整个系统的逻辑功能运行正确,同时达到FPGA资源的合理利用,运行期性能达到最优,从而方便用户快速方便地开发,设计基于多块FPGA的大容量、复杂程度高的芯片,加快SOC产品的开发流程。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于图卷积神经网络的逻辑设计切割方法,其特征在于,包括:
对待切割逻辑设计的网表进行解析,将其转化为由多个底层模块组成的连接图结构;
采用经过训练得到的图卷积神经网络切割模型将所述图连接结构切割成多个逻辑设计,使得切割后的每个逻辑设计可被目标FPGA容纳。
2.如权利要求1所述的基于图卷积神经网络的逻辑设计切割方法,其特征在于,还包括:
采用图卷积神经网络对多个逻辑设计网表样本进行训练,达到收敛后,存储神经网络权值,得到所述图卷积神经网络切割模型。
3.如权利要求2所述的基于图卷积神经网络的逻辑设计切割方法,其特征在于,采用图卷积神经网络对多个逻辑设计网表样本进行训练,达到收敛后,存储神经网络权值,得到所述图卷积神经网络切割模型,包括:
对逻辑设计网表样本进行解析,将其转化为由多个底层模块组成的图连接结构;
将所述图连接结构输入到所述图卷积神经网络中进行切割,并输出切割结果;
将得到的切割结果与预期的切割结果进行比较;
根据比较的结果更新所述图卷积神经网络的权值,直到收敛,存储收敛状态下的权值,得到所述图卷积神经网络切割模型。
4.如权利要求1所述的基于图卷积神经网络的逻辑设计切割方法,其特征在于,对待切割逻辑设计网表进行解析,还包括:
计算每个底层模块占用资源及底层模块间的连接资源。
5.如权利要求1所述的基于图卷积神经网络的逻辑设计切割方法,其特征在于,还包括:
根据切割后得到的多个逻辑设计生成多个可加载到所述多个目标FPGA中的FPGA源码;
对每个可加载到所述目标FPGA中的FPGA源码进行综合编译,生成可运行的二进制文件;
将所述二进制文件下载到对应的目标FPGA中运行。
6.一种基于图卷积神经网络的逻辑设计切割系统,其特征在于,采用如权利要求1-5任一项所述的基于图卷积神经网络的逻辑设计切割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393976.1A CN112329367A (zh) | 2020-12-02 | 2020-12-02 | 一种基于图卷积神经网络的逻辑设计切割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011393976.1A CN112329367A (zh) | 2020-12-02 | 2020-12-02 | 一种基于图卷积神经网络的逻辑设计切割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112329367A true CN112329367A (zh) | 2021-02-05 |
Family
ID=74301758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011393976.1A Pending CN112329367A (zh) | 2020-12-02 | 2020-12-02 | 一种基于图卷积神经网络的逻辑设计切割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329367A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789512A (zh) * | 2011-05-20 | 2012-11-21 | 中国科学院微电子研究所 | multi-FPGA系统的EDA工具设计方法和装置 |
WO2013178543A1 (fr) * | 2012-06-01 | 2013-12-05 | Flexras Technologies | Prototypage multi-fpga d'un circuit asic |
CN107346351A (zh) * | 2016-05-06 | 2017-11-14 | 百度(美国)有限责任公司 | 用于基于源代码中定义的硬件要求来设计fpga的方法和系统 |
CN111027266A (zh) * | 2019-12-06 | 2020-04-17 | 思尔芯(上海)信息科技有限公司 | 一种多个fpga的设计分割的方法、系统、存储介质及终端 |
CN111125975A (zh) * | 2019-12-09 | 2020-05-08 | 思尔芯(上海)信息科技有限公司 | 一种fpga时分复用多路数据传输的方法、存储介质及终端 |
US20200151288A1 (en) * | 2018-11-09 | 2020-05-14 | Nvidia Corp. | Deep Learning Testability Analysis with Graph Convolutional Networks |
US20200175216A1 (en) * | 2018-12-04 | 2020-06-04 | Google Llc | Generating integrated circuit floorplans using neural networks |
CN111753484A (zh) * | 2020-06-30 | 2020-10-09 | 无锡中微亿芯有限公司 | 一种基于电路性能的多裸片结构fpga的布局方法 |
CN111753486A (zh) * | 2020-06-30 | 2020-10-09 | 无锡中微亿芯有限公司 | 一种多裸片结构fpga的新型布局方法 |
CN111753482A (zh) * | 2020-06-30 | 2020-10-09 | 无锡中微亿芯有限公司 | 一种io自动分配的多裸片结构fpga的布局方法 |
CN112084735A (zh) * | 2020-09-03 | 2020-12-15 | 国微集团(深圳)有限公司 | 一种基于rtl源码的fpga切割方法及系统 |
CN112183002A (zh) * | 2020-12-02 | 2021-01-05 | 上海国微思尔芯技术股份有限公司 | 一种基于fpga逻辑的软件分割方法 |
CN114117981A (zh) * | 2022-01-26 | 2022-03-01 | 湖南泛联新安信息科技有限公司 | 一种基于先验信息的rtl级逻辑划分方法 |
-
2020
- 2020-12-02 CN CN202011393976.1A patent/CN112329367A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789512A (zh) * | 2011-05-20 | 2012-11-21 | 中国科学院微电子研究所 | multi-FPGA系统的EDA工具设计方法和装置 |
WO2013178543A1 (fr) * | 2012-06-01 | 2013-12-05 | Flexras Technologies | Prototypage multi-fpga d'un circuit asic |
CN107346351A (zh) * | 2016-05-06 | 2017-11-14 | 百度(美国)有限责任公司 | 用于基于源代码中定义的硬件要求来设计fpga的方法和系统 |
US20200151288A1 (en) * | 2018-11-09 | 2020-05-14 | Nvidia Corp. | Deep Learning Testability Analysis with Graph Convolutional Networks |
US20200175216A1 (en) * | 2018-12-04 | 2020-06-04 | Google Llc | Generating integrated circuit floorplans using neural networks |
CN111027266A (zh) * | 2019-12-06 | 2020-04-17 | 思尔芯(上海)信息科技有限公司 | 一种多个fpga的设计分割的方法、系统、存储介质及终端 |
CN111125975A (zh) * | 2019-12-09 | 2020-05-08 | 思尔芯(上海)信息科技有限公司 | 一种fpga时分复用多路数据传输的方法、存储介质及终端 |
CN111753484A (zh) * | 2020-06-30 | 2020-10-09 | 无锡中微亿芯有限公司 | 一种基于电路性能的多裸片结构fpga的布局方法 |
CN111753486A (zh) * | 2020-06-30 | 2020-10-09 | 无锡中微亿芯有限公司 | 一种多裸片结构fpga的新型布局方法 |
CN111753482A (zh) * | 2020-06-30 | 2020-10-09 | 无锡中微亿芯有限公司 | 一种io自动分配的多裸片结构fpga的布局方法 |
CN112084735A (zh) * | 2020-09-03 | 2020-12-15 | 国微集团(深圳)有限公司 | 一种基于rtl源码的fpga切割方法及系统 |
CN112183002A (zh) * | 2020-12-02 | 2021-01-05 | 上海国微思尔芯技术股份有限公司 | 一种基于fpga逻辑的软件分割方法 |
CN114117981A (zh) * | 2022-01-26 | 2022-03-01 | 湖南泛联新安信息科技有限公司 | 一种基于先验信息的rtl级逻辑划分方法 |
Non-Patent Citations (10)
Title |
---|
DANIELA SÁNCHEZ: "A Comprehensive Survey on Electronic Design Automation and Graph Neural Networks: Theory and Applications", ACM TRANSACTIONS ON DESIGN AUTOMATION OF ELECTRONIC SYSTEMS, vol. 28, no. 2, pages 1 - 27, XP058994496, DOI: 10.1145/3543853 * |
DIVYASREE TUMMALAPALLI 等: "Novel Design partitioning technique for ASIC prototyping on multi- FPGA platforms using Graph Deep Learning", 2022 29TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONICS, CIRCUITS AND SYSTEMS (ICECS), pages 1 - 4 * |
THOMAS N. KIPF 等: "Semi-supervised classification with graph convolutional networks", INTERNATIONAL CONFERENCE ON LEARNING REPRESENTATIONS, pages 1 - 14 * |
叶恒: "应用于多FPGA验证的分割软件的设计与实现", 万方数据库, pages 1 - 65 * |
周丽娜: "多片FPGA原型验证系统上的设计分割与管脚复用", 中国优秀硕士论文电子期刊网 信息科技, no. 3, pages 135 - 1538 * |
张倩莉 等: "结合用户约束文件的高效多FPGA系统分割方法", 哈尔滨工业大学学报, vol. 44, no. 7, pages 144 - 148 * |
张承畅: "多FPGA系统的关键问题及应用研究", CNKI博士学位论文全文库信息科技, no. 7, pages 1 - 143 * |
张承畅: "多FPGA系统的关键问题及应用研究", 中国博士学位论文全文数据库 信息科技辑, no. 7, pages 135 - 83 * |
徐冰冰 等: "图卷积神经网络综述", 计算机学报, vol. 43, no. 5, pages 755 - 780 * |
肖春华 等: "一种面向高性能计算的多 FPGA 互连结构及划分方法", 计算机应用研究, vol. 32, no. 1, pages 150 - 155 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110192192B (zh) | 用于电路设计的基于神经网络的物理综合 | |
US20060064680A1 (en) | Extensible internal representation of systems with parallel and sequential implementations | |
CN111209203B (zh) | 一种基于源代码的模型验证方法 | |
JP2021081413A (ja) | 人工知能チップのテスト方法、装置、機器、及び記憶媒体 | |
CN114139475A (zh) | 芯片验证方法、系统、设备及存储介质 | |
CN116663467B (zh) | 断言等效硬件库的构建方法、装置、电子设备及存储介质 | |
CN115422866A (zh) | 用于在仿真器上仿真逻辑系统设计的方法及相关设备 | |
Shi et al. | Deepgate2: Functionality-aware circuit representation learning | |
CN112084735B (zh) | 一种基于rtl源码的fpga切割方法及系统 | |
CN114357685A (zh) | 一种基于云平台的量子芯片性能模拟分析系统 | |
CN112329367A (zh) | 一种基于图卷积神经网络的逻辑设计切割方法及系统 | |
US8904318B1 (en) | Method and apparatus for performing optimization using don't care states | |
US8863058B2 (en) | Characterization based buffering and sizing for system performance optimization | |
CN115688643A (zh) | 仿真逻辑系统设计的方法、设备及存储介质 | |
CN110909793B (zh) | 一种基于fpga实现的决策森林系统及决策森林推理方法 | |
US10796041B1 (en) | Compacting test patterns for IJTAG test | |
CN111240972A (zh) | 一种基于源代码的模型验证装置 | |
CN114282472A (zh) | 一种fpga的源码分割方法及系统 | |
CN116451625B (zh) | 用于rtl和带sdf网表的联合仿真的装置和方法 | |
CN111221843A (zh) | 大数据处理方法及装置 | |
EP4261734A1 (en) | Automatic configuration of pipeline modules in an electronics system | |
Xu et al. | FPGA autotuning optimization based on structural equation modeling | |
CN110099094B (zh) | 考虑资源约束的电力物联网信息交互过程分析方法及系统 | |
CN116702663B (zh) | 一种电路综合方法、装置、电子设备及可读存储介质 | |
Lee et al. | K-means clustering-specific lightweight RISC-V processor |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220707 Address after: 518000 Room 201, A building, 1 front Bay Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretarial Co., Ltd.) Applicant after: Shenzhen guomicrochip Technology Co.,Ltd. Address before: 22A, Guoshi building, 1801 Shahe West Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: GUOWEI GROUP (SHENZHEN) Co.,Ltd. |
|
TA01 | Transfer of patent application right |