CN112765923B - 一种基于深度神经网络的逻辑电路老化预测方法 - Google Patents

一种基于深度神经网络的逻辑电路老化预测方法 Download PDF

Info

Publication number
CN112765923B
CN112765923B CN202110119332.1A CN202110119332A CN112765923B CN 112765923 B CN112765923 B CN 112765923B CN 202110119332 A CN202110119332 A CN 202110119332A CN 112765923 B CN112765923 B CN 112765923B
Authority
CN
China
Prior art keywords
data
aging
neural network
logic circuit
sensor group
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
Application number
CN202110119332.1A
Other languages
English (en)
Other versions
CN112765923A (zh
Inventor
黄乐天
王梓任
谢暄
赵天津
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110119332.1A priority Critical patent/CN112765923B/zh
Publication of CN112765923A publication Critical patent/CN112765923A/zh
Application granted granted Critical
Publication of CN112765923B publication Critical patent/CN112765923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

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)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于深度神经网络的逻辑电路老化预测方法。该方法包括构建片上系统，并进行老化数据采样；对老化数据进行数据整理；对采样数据进行数据积分处理；对积分数据进行数据平均处理；对平均积分数据进行数据分段；对平均积分数据进行数据筛选；对筛选数据进行数据预处理；基于分段结果，采用预处理数据训练神经网络模型；对神经网络模型进行验证；采用训练好的神经网络模型进行逻辑电路老化延迟预测。本发明为了解决现有的逻辑电路老化预测方法存在因工艺、电压和温度产生的偏差和侵入性较强的问题，采用原位传感器进行测量，利用神经网络模型进行预测，通过构建电路的特征变量与电路老化延迟之间的模型实现了对逻辑电路的老化预测。

Description

一种基于深度神经网络的逻辑电路老化预测方法
技术领域
本发明涉及一种逻辑电路老化预测方法，尤其涉及一种基于深度神经网络的逻辑电路老化预测方法。
背景技术
在集成电路中，随着晶体管工艺尺寸的不断降低，系统的可靠性问题变得日益突出，老化是影响集成电路可靠性的主要因素之一。很多老化机理，例如负偏置温度不稳定性(NBTI)、热载流子注入效应(HCI)、时间相关电介质击穿(TDDB)使集成电路在服役期内失效率随时间的推移而快速升高，对电路的使用寿命造成了严重影响，甚至会导致整个电路系统失效。特别是在高可靠性领域，像太空领域、飞机、动车等系统，一旦发生故障后果不堪设想，这些领域对集成电路老化造成的系统可靠性问题更为看重。因此需要一种面向集成电路中逻辑电路的老化预测方法来对逻辑电路的老化状态进行预测，进而预警可能出现的失效。
半导体器件的老化效应会导致集成电路的某些参数发生变化，例如影响组合逻辑的延迟，进而引发电路时序紊乱，造成电路出现功能故障，发生错误。目前在数字集成电路中，通过感知时序路径的延迟增加间接感知老化程度是一种常见的逻辑电路老化预测方法，其主要分为以下三类：
a、使用复制电路来近似被监测电路的老化特征。复制电路存在的主要问题是没有测量工作电路的真实老化情况，存在工艺、电压、温度的偏差，这种做法会造成监测结果的不准确；
b、以Razor触发器为代表的原位传感器，其原理是直接测量待监测工作电路的老化情况。原位传感器可以较好的解决工艺、电压、温度的偏差问题，但是其侵入性较强，需要对原电路进行修改，从而对电路性能造成一定影响。
c、利用机器学习算法建立电路的信号概率、温度等特征信息与电路延迟增量之间的数学模型，利用该模型进行电路的老化预测。目前此类方法的训练数据集都是来自于电路仿真，没有结合电路老化的实际情况，也没有考虑工艺、温度、电压偏差所带来的影响。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于深度神经网络的逻辑电路老化预测方法。
为了达到上述发明目的，本发明采用的技术方案为：
一种基于深度神经网络的逻辑电路老化预测方法，包括以下步骤：
S1、构建待预测逻辑电路片上系统，并对待预测逻辑电路进行老化数据采样，得到老化数据；
S2、对步骤S1得到的老化数据进行数据整理，得到采样数据；
S3、对步骤S2得到的采样数据进行数据积分处理，得到积分数据；
S4、对步骤S3得到的积分数据进行数据平均处理，得到平均积分数据；
S5、对步骤S4得到的平均积分数据进行数据分段；
S6、对步骤S4得到的平均积分数据进行数据筛选，得到筛选数据；
S7、对步骤S6得到的筛选数据进行数据预处理，得到预处理数据；
S8、基于步骤S5的分段结果，采用步骤S7得到的预处理数据进行神经网络模型训练；
S9、对训练后的神经网络模型进行验证，判断神经网络模型是否符合精度要求，若是，则执行步骤S10，否则返回步骤S8；
S10、采用训练好的神经网络模型进行逻辑电路老化延迟预测。
本发明具有以下有益效果：本发明没有采用直接测量的方式，不需要对原电路进行修改，侵入性较小，通过构建信号概率积分、信号翻转率积分、温度积分、电压积分等变量与电路老化延迟之间的模型实现对逻辑电路的细粒度老化预测，应用真实的实验数据来构建模型，考虑到真实的老化情况以及噪声、测量误差等实际因素，并且消除了温度与电压偏差的问题。
优选地，步骤S1包括以下分步骤：
S11、构建待预测逻辑电路片上系统，待预测逻辑电路片上系统包括老化传感器组、温度传感器、电压传感器、待预测逻辑电路和片上数据读出电路，老化传感器组包括16个RO老化传感器组和ALU老化传感器组，RO老化传感器组包括10个相同的RO老化传感器，ALU老化传感器组包括16个相同的ALU老化传感器，片上数据读出电路分别与16组RO老化传感器组、ALU老化传感器组、温度传感器、电压传感器和外界PC机通信连接；
S12、设定各组RO老化传感器组和ALU老化传感器组的工作状态及待预测逻辑电路工作电压；
S13、利用片上数据读出电路以固定的时间间隔分别采样RO老化传感器组、ALU老化传感器组、温度传感器和电压传感器数据，得到老化数据。
该优选方案具有以下有益效果：采样了多组老化数据以满足神经网络训练数据集的数据量。
优选地，步骤S2具体包括：
对每个老化传感器从采样时间t1到tn的n次老化数据进行整理，得到每个老化传感器各采样时间点的采样数据，采样数据包括温度、电压、信号概率、信号翻转率和延迟。
该优选方案具有以下有益效果：将采样的数据按照传感器和采样时间进行整理，便于后续步骤进行运算。
优选地，步骤S3具体包括：
对每个老化传感器的n个采样时间点的采样数据，以第一个时间点采样数据为基准数据，将温度、电压、信号概率、信号翻转率依次累加，保持延迟不变，得到积分数据。
该优选方案具有以下有益效果：解决了温度、电压等因素对电路老化产生的影响为损伤模型，长期影响老化且具有累积效应的问题。
优选地，步骤S4具体包括：
将同一个老化传感器组多个老化传感器的积分数据中对应同一采样时间点的延迟取平均值，作为该老化传感器组中的组内平均积分数据。
该优选方案具有以下有益效果：对数据进行平均处理以减小工艺偏差以及采样数据误差所带来的影响，可以反映数据的集中分布情况。
优选地，步骤S5具体包括：
在组内平均积分数据的基础上按采样时间点进行分段，记录每个组内平均积分数据所处的段。
该优选方案具有以下有益效果：将平均积分数据分段以用于后续对神经网络模型进行分段训练和验证，并在实际应用中利用分段模型进行实时预测。
优选地，步骤S6具体包括：
以温度为指标，按照一个固定的温度范围对平均积分数据中的温度数据进行筛选，统计各温度区间内的温度数据个数，将温度数据个数最多的温度区间内的平均积分数据作为筛选数据。
该优选方案具有以下有益效果：消除了环境温度对老化的的直接影响，只用考虑温度积累这一损伤过程对电路老化所造成的影响。
优选地，步骤S7具体包括：
以每一个老化传感器组中的第一个筛选数据为基准筛选数据，将后面的筛选数据中的温度积分、电压积分、信号概率积分、信号翻转率积分数据都与基准筛选数据中的对应项做差，将后面的筛选数据中的延迟数据都与基准筛选数据中的延迟做商并减1做归一化处理，得到预处理数据。
该优选方案具有以下有益效果：采用对积分数据与基准数据做差以考虑变量累积的影响，采用对延迟数据的归一化可以将作为老化表征的延迟增量统一分布在相同的区间，方便后续的数据处理。
优选地，步骤S8具体包括：
将RO老化传感器组1到RO老化传感器组15的预处理数据作为训练数据集，根据步骤S5的数据分段结果设定网络参数进行分段训练深度神经网络。
该优选方案具有以下有益效果：采用了经过一系列步骤筛选处理后的采样数据对神经网络进行训练，使其能完成逻辑电路老化预测。
优选地，步骤S9具体包括：
将RO老化传感器组16和ALU老化传感器组的预处理数据作为验证数据集，对训练得到的神经网络模型进行分段验证，判断神经网络模型所推断出的电路延迟变化与实际的电路延迟变化之间的验证误差是否小于预设误差阈值，若是，则执行步骤S10，否则返回步骤S8。
该优选方案具有以下有益效果：确保了经过训练后的神经网络模型的逻辑电路老化预测精度符合要求，确保了神经网络模型对真实的电路老化情况有效。
附图说明
图1是本发明一种基于深度神经网络的逻辑电路老化预测方法的流程示意图；
图2是本发明实施例中构建的电路结构原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参照图1，本发明提供了一种基于深度神经网络的逻辑电路老化预测方法，包括以下步骤：
S1、构建待预测逻辑电路片上系统，并对待预测逻辑电路进行老化数据采样，得到老化数据；
本发明实施例中，步骤S1包括以下分步骤：
S11、请参照图2，构建待预测逻辑电路片上系统，待预测逻辑电路片上系统包括老化传感器组、温度传感器、电压传感器、待预测逻辑电路和片上数据读出电路，老化传感器组包括16个RO老化传感器组和ALU老化传感器组，RO老化传感器组包括10个相同的RO老化传感器，ALU老化传感器组包括16个相同的ALU老化传感器，片上数据读出电路分别与16组RO老化传感器组、ALU老化传感器组、温度传感器、电压传感器和外界PC机通信连接；
S12、设定各组RO老化传感器组和ALU老化传感器组的工作状态及待预测逻辑电路工作电压；
不同组之间的RO老化传感器具有不同的设定条件。RO老化传感器是由深度为80的缓冲器链构成的组合逻辑环路，其存在两种工作状态。一是老化状态，即环路断开缓冲器链正常工作在提前设定的工作状态下，其可设定的条件包括组合逻辑的平均信号概率SP和平均信号翻转率SA，将其作为老化压力的输入特征，RO老化传感器组1到RO老化传感器组16的设定条件如表1所示；
表1
Figure BDA0002921418470000071
二是测试状态，即将缓冲器链的输入输出以一定的逻辑形式连接成振荡器环路，在规定时间内对基于缓冲器链环路的振荡器生成的振荡信号进行计数，作为传感器的输出。
ALU老化传感器组中包含了16个相同的ALU老化传感器，ALU老化传感器是由ALU的关键路径构成的组合逻辑环路，其存在两种工作状态。一是老化状态，即ALU正常工作其关键路径不形成环路，ALU的输入由伪随机数生成器产生，其平均信号概率SP和平均信号翻转率SA不需要提前设定，可以根据ALU的输入情况进行计算；二是测试状态，即将ALU关键路径的输入输出以一定的逻辑形式连接成振荡器环路，在规定时间内对基于ALU关键路径环路的振荡器生成的振荡信号进行计数，作为传感器的输出。
温度和电压传感器会感知片上的温度和电压信息。为了加速电路老化，该电路工作在1.5V高电压下。
S13、利用片上数据读出电路以固定的时间间隔分别采样RO老化传感器组、ALU老化传感器组、温度传感器和电压传感器数据，得到老化数据。
片上数据读出电路会定期对RO老化传感器组1到16、ALU老化传感器组和温度/电压传感器的数据进行依次采样，并发送给PC机，总的采样时长要能够满足神经网络训练数据集的数据量。其采样规则为每次采样RO老化传感器组和ALU老化传感器组的一组数据前都要先采样温度/电压传感器，因此可以认为当前采样到的RO老化传感器组和ALU老化传感器组工作在温度/电压传感器所采样的温度和电压条件下。PC机一端会对接收到的数据进行处理，训练基于深度神经网络的逻辑电路老化预测模型。
S2、对步骤S1得到的老化数据进行数据整理，得到采样数据；
本发明实施例中，步骤S2具体包括：
对每个老化传感器从采样时间t1到tn的n次老化数据进行整理，得到每个老化传感器各采样时间点的采样数据，所述采样数据包括温度、电压、信号概率、信号翻转率和延迟。
以一个RO老化传感器为例，t1采样时刻的采样数据为(T1，V1，SP1，SA1，Delay1)，即t1采样时刻的温度、电压、信号概率、信号翻转率、延迟，其中温度、电压、延迟是通过数据采样获取的，信号概率、信号翻转率是每一个RO老化传感器提前设定的。因此，对于每一个RO老化传感器都存在对应着t1到tn这n个采样时间点的采样数据，如表2所示。ALU老化传感器的采样数据整理方法类似，只不过其信号概率、信号翻转率是根据输入情况计算得到的，对于每一个ALU老化传感器也都存在对应着t1到tn这n个采样时间点的采样数据。
表2
Figure BDA0002921418470000081
S3、对步骤S2得到的采样数据进行数据积分处理，得到积分数据；
本发明实施例中，步骤S3具体包括：
对每个老化传感器的n个采样时间点的采样数据，以第一个时间点采样数据为基准数据，将温度、电压、信号概率、信号翻转率依次累加，保持延迟不变，得到积分数据。
以表2记录的一个RO老化传感器的采样数据为例，对于t1采样时刻，其作为第一个采样时间点，积分数据(Temp1’，Vol1’，SP1’，SA1’，Delay1’)就是采样数据(Temp1，Vol1，SP1，SA1，Delay1)；第二个采样时刻t2的积分数据(Temp2’，Vol2’，SP2’，SA2’，Delay2’)中温度、电压、信号概率、信号翻转率对应着前两个采样数据的累加，即(Temp1’+Temp2，Vol1’+Vol2，SP1’+Vol2，SA1’+SA2，Delay2)；后面以此类推，积分数据中的温度、电压、信号概率、信号翻转率都是对前面所有采样数据中对应项的累加。因此，对于每一个老化传感器都存在对应着t1到tn这n个采样时间点的积分数据，如表3所示。进行积分处理的目的在于温度、电压等因素对电路老化的影响属于损伤模型，其长期影响老化并且具有累积效应，因此采用积分信息进行建模。
表3
Figure BDA0002921418470000091
S4、对步骤S3得到的积分数据进行数据平均处理，得到平均积分数据；
本发明实施例中，步骤S4具体包括：
将同一个老化传感器组多个老化传感器的积分数据中对应同一采样时间点的延迟取平均值，作为该老化传感器组中的组内平均积分数据。
例如对于一个RO老化传感器组中，对于T1温度，其中的10个RO老化传感器对应着10个积分数据，这10个积分数据的温度、电压、信号概率、信号翻转率都相同，将10个延迟值取平均，进而变为1个组内平均积分数据。
S5、对步骤S4得到的平均积分数据进行数据分段；
本发明实施例中，步骤S5具体包括：
在组内平均积分数据的基础上按采样时间点进行分段，记录每个组内平均积分数据所处的段。
例如一个老化传感器组中将对应着t1到tn这n个采样时间点的组内平均积分数据分为4段，记录每个组内平均积分数据所处的段，用于后面的神经网络模型训练与验证。将数据分段的目的在于后面分段和验证训练神经网络模型，并在实际应用中利用分段模型进行实时预测。例如在真实的应用场景中time0时刻所知的数据只有0时刻到time0时刻的数据，time1时刻能用到的数据只有0时刻到time1时刻的数据，因此为了确保实际应用中预测的实时性，将数据分段训练，实际应用时应用不同段的模型进行预测。
S6、对步骤S4得到的平均积分数据进行数据筛选，得到筛选数据；
本发明实施例中，步骤S6具体包括：
以温度为指标，按照一个固定的温度范围对平均积分数据中的温度数据进行筛选，统计各温度区间内的温度数据个数，将温度数据个数最多的温度区间内的平均积分数据作为筛选数据。
例如对于温度区间[TM，TM+1]从片上所有组内平均积分数据中可以筛选到M个数据，是对于1℃温度范围可以筛选到的数据最多的温度区间，因此将温度处于这一温度区间的组内平均积分数据作为筛选数据。因为温度可以直接对电路的延迟产生影响，因此这一步筛选的目的在于消除环境温度对老化的直接影响，只考虑温度积累这一损伤过程对电路老化所造成的影响。
S7、对步骤S6得到的筛选数据进行数据预处理，得到预处理数据；
本发明实施例中，步骤S7具体包括：
以每一个老化传感器组中的第一个筛选数据为基准筛选数据，将后面的筛选数据中的温度积分、电压积分、信号概率积分、信号翻转率积分数据都与基准筛选数据中的对应项做差，将后面的筛选数据中的延迟数据都与基准筛选数据中的延迟做商并减1做归一化处理，得到预处理数据。
S8、基于步骤S5的分段结果，采用步骤S7得到的预处理数据进行神经网络模型训练；
本发明实施例中，步骤S8具体包括：
将RO老化传感器组1到RO老化传感器组15的预处理数据作为训练数据集，根据步骤S5的数据分段结果设定网络参数进行分段训练深度神经网络。即用第一段RO老化传感器组1到组15的数据来训练第一个神经网络模型，用第一段和第二段RO老化传感器组1到组15的数据来训练第二个神经网络模型，用第一段、第二段和第三段RO老化传感器组1到组15的数据来训练第三个神经网络模型，用第一段、第二段、第三段和第四段RO老化传感器组1到组15的数据来训练第四个神经网络模型，其它更多的数据分段以此类推。神经网络模型的输入是温度积分、电压积分、信号概率积分、信号翻转率积分数据，模型输出是电路延迟增量。
S9、对训练后的神经网络模型进行验证，判断神经网络模型是否符合精度要求，若是，则执行步骤S10，否则返回所述步骤S8；
本发明实施例中，步骤S9具体包括：
将RO老化传感器组16和ALU老化传感器组的预处理数据作为验证数据集，对训练得到的神经网络模型进行分段验证，以4分段为例，则预测数据是由4个分段模型分别预测并组合起来的，即用第一个神经网络模型来对第一段数据进行验证，用第二个神经网络模型来对第二段数据进行验证，用第三个神经网络模型来对第三段数据进行验证，用第四个神经网络模型来对第四段数据进行验证；，判断神经网络模型所推断出的电路延迟变化与实际的电路延迟变化之间的验证误差是否小于预设误差阈值，若是，则执行步骤S10，否则返回步骤S8。这一步采用ALU老化传感器组作为验证数据集是为了验证模型是否对真实的电路老化情况有效。
S10、采用训练好的神经网络模型进行逻辑电路老化延迟预测。神经网络模型的输入是温度积分、电压积分、信号概率积分、信号翻转率积分数据，模型输出是电路延迟增量。
综上所述，本发明提供了一种基于深度神经网络的逻辑电路老化预测方法，基于深度神经网络构建信号概率积分、信号翻转率积分、温度积分、电压积分等变量与逻辑电路老化延迟增量之间的模型，对原电路的侵入性较小，消除了温度与电压偏差，考虑到真实的电路老化以及噪声、测量误差等实际因素，实现细粒度的老化预测。采用以温度作为筛选指标的数据筛选方法，消除了温度对电路延迟的直接影响。采用对数据集分段训练和分段验证，在实际应用中利用分段模型分段预测，确保了预测的实时性。
本领域的普通技术人员将会意识到，这里所描述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种基于深度神经网络的逻辑电路老化预测方法，其特征在于，包括以下步骤：
S1、构建待预测逻辑电路片上系统，并对待预测逻辑电路进行老化数据采样，得到老化数据，包括以下分步骤：
S11、构建待预测逻辑电路片上系统，所述待预测逻辑电路片上系统包括老化传感器组、温度传感器、电压传感器、待预测逻辑电路和片上数据读出电路，所述老化传感器组包括16个RO老化传感器组和ALU老化传感器组，所述RO老化传感器组包括10个相同的RO老化传感器，所述ALU老化传感器组包括16个相同的ALU老化传感器，所述片上数据读出电路分别与所述16组RO老化传感器组、所述ALU老化传感器组、所述温度传感器、所述电压传感器和外界PC机通信连接；
S12、设定各组RO老化传感器组和ALU老化传感器组的工作状态及待预测逻辑电路工作电压；
S13、利用所述片上数据读出电路以固定的时间间隔分别采样RO老化传感器组、ALU老化传感器组、温度传感器和电压传感器数据，得到老化数据；
S2、对所述步骤S1得到的老化数据进行数据整理，得到采样数据；
S3、对所述步骤S2得到的采样数据进行数据积分处理，得到积分数据；
S4、对所述步骤S3得到的积分数据进行数据平均处理，得到平均积分数据；
S5、对所述步骤S4得到的平均积分数据进行数据分段；
S6、对所述步骤S4得到的平均积分数据进行数据筛选，得到筛选数据；
S7、对所述步骤S6得到的筛选数据进行数据预处理，得到预处理数据；
S8、基于所述步骤S5的分段结果，采用所述步骤S7得到的预处理数据进行神经网络模型训练；
S9、对训练后的神经网络模型进行验证，判断神经网络模型是否符合精度要求，若是，则执行步骤S10，否则返回所述步骤S8；
S10、采用训练好的神经网络模型进行逻辑电路老化延迟预测。
2.如权利要求1所述的一种基于深度神经网络的逻辑电路老化预测方法，其特征在于，所述步骤S2具体包括：
对每个老化传感器从采样时间t1到tn的n次老化数据进行整理，得到每个老化传感器各采样时间点的采样数据，所述采样数据包括温度、电压、信号概率、信号翻转率和延迟。
3.如权利要求2所述的一种基于深度神经网络的逻辑电路老化预测方法，其特征在于，所述步骤S3具体包括：
对每个老化传感器的n个采样时间点的采样数据，以第一个时间点采样数据为基准数据，将温度、电压、信号概率、信号翻转率依次累加，保持延迟不变，得到积分数据。
4.如权利要求3所述的一种基于深度神经网络的逻辑电路老化预测方法，其特征在于，所述步骤S4具体包括：
将同一个老化传感器组多个老化传感器的积分数据中对应同一采样时间点的延迟取平均值，作为该老化传感器组中的组内平均积分数据。
5.如权利要求4所述的一种基于深度神经网络的逻辑电路老化预测方法，其特征在于，所述步骤S5具体包括：
在组内平均积分数据的基础上按采样时间点进行分段，记录每个组内平均积分数据所处的段。
6.如权利要求5所述的一种基于深度神经网络的逻辑电路老化预测方法，其特征在于，所述步骤S6具体包括：
以温度为指标，按照一个固定的温度范围对平均积分数据中的温度数据进行筛选，统计各温度区间内的温度数据个数，将温度数据个数最多的温度区间内的平均积分数据作为筛选数据。
7.如权利要求6所述的一种基于深度神经网络的逻辑电路老化预测方法，其特征在于，所述步骤S7具体包括：
以每一个老化传感器组中的第一个筛选数据为基准筛选数据，将后面的筛选数据中的温度积分、电压积分、信号概率积分、信号翻转率积分数据都与基准筛选数据中的对应项做差，将后面的筛选数据中的延迟数据都与基准筛选数据中的延迟做商并减1做归一化处理，得到预处理数据。
8.如权利要求7所述的一种基于深度神经网络的逻辑电路老化预测方法，其特征在于，所述步骤S8具体包括：
将RO老化传感器组1到RO老化传感器组15的预处理数据作为训练数据集，根据所述步骤S5的数据分段结果设定网络参数进行分段训练深度神经网络。
9.如权利要求8所述的一种基于深度神经网络的逻辑电路老化预测方法，其特征在于，所述步骤S9具体包括：
将RO老化传感器组16和ALU老化传感器组的预处理数据作为验证数据集，对训练得到的神经网络模型进行分段验证，判断神经网络模型所推断出的电路延迟变化与实际的电路延迟变化之间的验证误差是否小于预设误差阈值，若是，则执行步骤S10，否则返回所述步骤S8。
CN202110119332.1A 2021-01-28 2021-01-28 一种基于深度神经网络的逻辑电路老化预测方法 Active CN112765923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110119332.1A CN112765923B (zh) 2021-01-28 2021-01-28 一种基于深度神经网络的逻辑电路老化预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110119332.1A CN112765923B (zh) 2021-01-28 2021-01-28 一种基于深度神经网络的逻辑电路老化预测方法

Publications (2)

Publication Number Publication Date
CN112765923A CN112765923A (zh) 2021-05-07
CN112765923B true CN112765923B (zh) 2022-05-20

Family

ID=75706450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110119332.1A Active CN112765923B (zh) 2021-01-28 2021-01-28 一种基于深度神经网络的逻辑电路老化预测方法

Country Status (1)

Country Link
CN (1) CN112765923B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113567836B (zh) * 2021-07-23 2023-12-26 电子科技大学长三角研究院(湖州) 一种分段预测电路老化系统及方法
CN113552190A (zh) * 2021-07-26 2021-10-26 电子科技大学长三角研究院(湖州) 面向老化监测的传感器总成积分筛选系统及其筛选方法
CN115639456B (zh) * 2022-12-08 2023-03-17 深圳市粉紫实业有限公司 一种发光二极管的寿命预测方法、系统及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749572A (zh) * 2012-06-26 2012-10-24 南京航空航天大学 基于iecmac参数辨识的功率电子电路故障预测方法
CN110456256A (zh) * 2019-09-06 2019-11-15 电子科技大学 基于备份电路的原位老化传感器及老化监测方法
CN111177986A (zh) * 2018-11-09 2020-05-19 三星电子株式会社 用于生成老化模型并使用其制造半导体芯片的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749572A (zh) * 2012-06-26 2012-10-24 南京航空航天大学 基于iecmac参数辨识的功率电子电路故障预测方法
CN111177986A (zh) * 2018-11-09 2020-05-19 三星电子株式会社 用于生成老化模型并使用其制造半导体芯片的方法
CN110456256A (zh) * 2019-09-06 2019-11-15 电子科技大学 基于备份电路的原位老化传感器及老化监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A lifetime-aware mapping algorithm to extend MTTF of Networks-on-Chip;Letian Huang 等;《2018 23rd Asia and South Pacific Design Automation Conference》;20180125;147-152 *
纳米级数字集成电路老化效应分析与老化监测技术综述;赵天津 等;《电子与封装》;20201031;100101-1-100101-8 *

Also Published As

Publication number Publication date
CN112765923A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN112765923B (zh) 一种基于深度神经网络的逻辑电路老化预测方法
US11762013B2 (en) Integrated circuit profiling and anomaly detection
CN111538642B (zh) 一种异常行为的检测方法、装置、电子设备及存储介质
US8086976B2 (en) Methods for statistical slew propagation during block-based statistical static timing analysis
US20230316051A1 (en) Pre-alarming method for rotary stall of compressors based on temporal dilated convolutional neural network
US7886246B2 (en) Methods for identifying failing timing requirements in a digital design
US20160255109A1 (en) Detection method and apparatus
CN113037595B (zh) 异常设备检测方法、装置、电子设备及存储介质
CN112284440A (zh) 一种传感器数据偏差自适应修正方法
CN108664603A (zh) 一种修复时序数据的异常聚合值的方法及装置
CN113626812A (zh) 基于结构特征筛选及负载扩展的机器学习木马检测方法
CN111626351A (zh) 一种用于获取数据分布的概念漂移量的方法和系统
CN111881000A (zh) 一种故障预测方法、装置、设备及机器可读介质
US10216552B2 (en) Robust and adaptable management of event counters
JP5219783B2 (ja) 不正アクセス検知装置及び不正アクセス検知プログラム及び記録媒体及び不正アクセス検知方法
CN115202802A (zh) 告警阈值确定方法、装置、设备及存储介质、告警系统
US7676769B2 (en) Adaptive threshold wafer testing device and method thereof
US9658947B2 (en) Method for ranking fault-test pairs based on waveform statistics in a mutation-based test program evaluation system
Jin et al. Data-driven resiliency solutions for boards and systems
CN114674511B (zh) 一种用于剔除时变环境因素影响的桥梁模态异常预警方法
KR102343139B1 (ko) 어노멀리 검출방법 및 그 장치
CN113567836B (zh) 一种分段预测电路老化系统及方法
CN111159961B (zh) 一种基于曲线数据的异常检测方法及系统
Zhu Anomaly detection over time series data
CN112150795A (zh) 一种车辆轨迹异常的检测方法及装置

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