CN112861459B - 全灵敏度对抗重要性抽样产量优化方法和装置 - Google Patents
全灵敏度对抗重要性抽样产量优化方法和装置 Download PDFInfo
- Publication number
- CN112861459B CN112861459B CN202110209197.XA CN202110209197A CN112861459B CN 112861459 B CN112861459 B CN 112861459B CN 202110209197 A CN202110209197 A CN 202110209197A CN 112861459 B CN112861459 B CN 112861459B
- Authority
- CN
- China
- Prior art keywords
- yield
- circuit
- failure
- sensitivity
- sampling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000005070 sampling Methods 0.000 title claims abstract description 88
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000013461 design Methods 0.000 claims abstract description 69
- 230000008569 process Effects 0.000 claims abstract description 61
- 230000035945 sensitivity Effects 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 17
- 238000006467 substitution reaction Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000670 limiting effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000003042 antagnostic effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 52
- 238000004088 simulation Methods 0.000 description 16
- 238000010206 sensitivity analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 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
- G06F30/32—Circuit design at the digital level
- G06F30/337—Design optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/14—Details relating to CAD techniques related to nanotechnology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2115/00—Details relating to the type of the circuit
- G06F2115/10—Processors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本申请提出一种全灵敏度对抗重要性抽样产量优化方法和装置，涉及数据处理技术领域，其中，方法包括：获取电路的网表文件和模型文件，将网表文件和模型文件输入外部优化器；分析在电路设计参数下所述电路的性能指标，根据性能指标计算良率；将良率发给所述外部优化器，以使外部优化器判断良率是否满足预设条件，若不满足，基于灵敏度更新电路设计参数，直到生成的电路的良率满足预设条件；获取电路的良率满足预设条件时对应的电路设计参数设计电路。由此，基于灵敏度避免了外部优化过程中的抽样。同时提出了一种快速灵敏度重要性抽样的良率分析方法，以消除重要性采样中寻找最优均值偏移向量和后续采样中的抽样。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种全灵敏度对抗重要性抽样产量优化方法和装置。
背景技术
目前，随着集成电路产业进入纳米技术领域，工艺变化成为限制特征尺寸缩小的最重要组成部分之一。针对高西格玛故障率，重要性采样方法需要在寻找最佳均值漂移矢量(OMSV)的阶段和围绕OMSV进行实际采样的阶段进行大量采样，基于此的产量分析和优化总是需要大量昂贵的仿真。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种全灵敏度对抗重要性抽样产量优化方法，避免了基于敏感性的外部优化抽样，其中，内部快速分析采用快速灵敏度重要性抽样(FSIS)产量分析方法，以消除使用瞬态敏感性分析的抽样。
本申请的第二个目的在于提出一种全灵敏度对抗重要性抽样产量优化装置。
为达上述目的，本申请第一方面实施例提出了一种全灵敏度对抗重要性抽样产量优化方法，包括：
获取电路的网表文件和模型文件，将所述网表文件和所述模型文件输入外部优化器；
分析在电路设计参数下所述电路的性能指标，根据所述性能指标计算良率；
将所述良率发送给所述外部优化器，以使所述外部优化器判断所述良率是否满足预设条件，若不满足，更新所述电路设计参数，直到生成的所述电路的良率满足所述预设条件；
获取所述电路的良率满足所述预设条件时对应的电路设计参数设计所述电路。
本申请实施例的全灵敏度对抗重要性抽样产量优化方法，通过获取电路的网表文件和模型文件，将网表文件和模型文件输入外部优化器；分析在电路设计参数下所述电路的性能指标，根据性能指标计算良率；将良率发给所述外部优化器，以使外部优化器判断良率是否满足预设条件，若不满足，更新电路设计参数，直到生成的电路的良率满足预设条件；获取电路的良率满足预设条件时对应的电路设计参数设计电路。由此，基于灵敏度避免了基于敏感性的外部优化抽样。同时提出了一种快速灵敏度重要性抽样的良率分析方法，以消除重要性采样中寻找最优均值偏移向量和后续采样中的抽样。
可选地，在本申请的一个实施例中，所述电路的性能指标包括但不限于增益、带宽和功耗中的一种或者多种。
可选地，在本申请的一个实施例中，根据所述性能指标计算良率，包括：
获取所述性能指标的概率密度函数；
根据灵敏度重要性采样算法对所述性能指标进行处理，获取最临近失效点；
根据所述最临近失效点对所述概率密度函数进行转移处理，获取转移后的概率密度函数，并根据所述转移后的概率密度函数，用一阶替代模型预估所述电路的性能指标，计算所述良率。
可选地，在本申请的一个实施例中，最小化工艺参数x与初始分布中心点μf间的距离，所述工艺参数x满足必须在失效区域的限制条件为：
其中，xp为工艺参数，fi为第i个失效条件，由设计参数xd和工艺参数xp共同决定，
为第i个失效边界值，任一个失效条件被满足，对应采样点为失效点。
可选地，在本申请的一个实施例中，所述转移后的概率密度函数为q(xp)转换为多个概率分布p(xp,0-xp,opt,j)的按权相加；
其中，xp,0为工艺参数中心点，xp,opt,j为第j个失效区域的最邻近失效点，αj为对应的权重，t为失效区域个数为第，求解公式(1)和(2)获取所述最临近失效点，计算所述良率。
为达上述目的，本申请第二方面实施例提出了一种全灵敏度对抗重要性抽样产量优化装置，包括：
获取生成模块，用于获取电路的网表文件和模型文件，将所述网表文件和所述模型文件输入外部优化器；
分析模块，用于分析在电路设计参数下所述电路的性能指标；
计算模块，用于根据所述性能指标计算良率；
发送判断模块，用于将所述良率发送给所述外部优化器，以使所述外部优化器判断所述良率是否满足预设条件，若不满足，更新所述电路设计参数，直到生成的所述电路的良率满足所述预设条件；
获取模块，用于获取所述电路的良率满足所述预设条件时对应的电路设计参数设计所述电路。
本申请实施例的全灵敏度对抗重要性抽样产量优化装置，通过获取电路的网表文件和模型文件，将网表文件和模型文件输入外部优化器；分析在电路设计参数下电路的性能指标，根据性能指标计算良率；将良率发给所述外部优化器，以使外部优化器判断良率是否满足预设条件，若不满足，更新电路设计参数，直到生成的电路的良率满足预设条件；获取电路的良率满足预设条件时对应的电路设计参数设计电路。由此，基于灵敏度避免了外部优化过程中的抽样。同时提出了一种快速灵敏度重要性抽样的良率分析方法，以消除重要性采样中寻找最优均值偏移向量和后续采样中的抽样。
在本申请的一个实施例中，所述电路的性能指标包括但不限于增益、带宽和功耗中的一种或者多种。
在本申请的一个实施例中，所述计算模块，具体用于：
获取所述性能指标的概率密度函数；
根据灵敏度重要性采样算法对所述性能指标进行处理，获取最临近失效点；
根据所述最临近失效点对所述概率密度函数进行转移处理，获取转移后的概率密度函数，并根据所述转移后的概率密度函数，用一阶替代模型预估所述电路的性能指标，计算所述良率。
在本申请的一个实施例中，最小化工艺参数x与初始分布中心点μf间的距离，所述工艺参数x满足必须在失效区域的限制条件为：
其中，xp为工艺参数，，fi为第i个失效条件，由设计参数xd和工艺参数xp共同决定，
为第i个失效边界值，任一个失效条件被满足，对应采样点为失效点。
在本申请的一个实施例中，所述转移后的概率密度函数为q(xp)转换为多个概率分布p(xp,0-xp，opt，j)的按权相加；
其中，xp，0为工艺参数中心点，xp，opt，j为第j个失效区域的最邻近失效点，αj为对应的权重，t为失效区域个数，为第求解公式(1)和(2)获取所述最临近失效点，计算所述良率。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例一所提供的一种全灵敏度对抗重要性抽样产量优化方法的流程示意图；
图2为本申请实施例的重要性采样的示例图；
图3为本申请实施例的OMSV搜索算法的示例图；
图4为本申请实施例的高斯函数3sigma分布示例图；
图5为本申请实施例的良率优化通用流程；
图6为本申请实施例所提供的一种全灵敏度对抗重要性抽样产量优化装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的全灵敏度对抗重要性抽样产量优化方法和装置。
图1为本申请实施例一所提供的一种全灵敏度对抗重要性抽样产量优化方法的流程示意图。
如图1所示，该全灵敏度对抗重要性抽样产量优化方法包括以下步骤：
步骤101，获取电路的网表文件和模型文件，将网表文件和模型文件输入外部优化器。
在本申请实施例中，网表文件指的是用于描述电路元件相互之间连接关系的文本文件；模型文件指的是用于描述电路元件性能的文本文件，将两者输入仿真器可以得到该特定电路的性能。将网表文件和模型文件输入外部优化器，以仿真器输出的电路性能为优化目标。
步骤102，分析在电路设计参数下电路的性能指标，根据性能指标计算良率。
在本申请实施例中，电路的性能指标包括但不限于增益、带宽和功耗中的一种或者多种。
在本申请实施例中，获取性能指标的概率密度函数；根据灵敏度重要性采样算法对所述性能指标进行处理，获取最临近失效点；根据最临近失效点对概率密度函数进行转移处理，获取转移后的概率密度函数，并根据转移后的概率密度函数，用一阶替代模型预估电路的性能指标，计算良率。
具体地，采用可靠度最高的蒙特卡洛(Monte-Calo,MC)方法计算良率，该方法通过计算电路性能指标(如增益、带宽、功耗)的概率密度函数从而计算良率，主要包含三个步骤：首先，从工艺参数中生成一组随机采样点；然后，在仿真器中仿真，计算所有采样点的性能指标，根据给定的性能指标判断该采样点成功或者失效；最后，采用统计的方法计算良率，可以简单描述为用成功点比例来近似良率：
其中，
表示预估的良率，
表示第i个参数下的电路性能，Z表示电路成功区间集合，N表示样本点的个数，1表示判别函数，输入为真则为1，反之为0。
High-sigma event指的是失效概率极低的事件，常见于单元大量重复的电路中，比如静态随机存取存储器(Static Random-Access Memory，SRAM)、D触发器(Data Flip-Flop,DFF)等。但当面对high-sigma(极低失效率)问题时，直接蒙特卡洛分析按照原始参数概率密度函数采样到Ω失效区域的概率很小，仅有少量样本点落入失效区域，需要的仿真总数很多。以含有百万个位单元的SRAM芯片为例，若要达到99.9％的良率，则每个位单元良率约为1e-9，这意味着平均进行1e9次仿真才能采样到一个失效点，为达到较高的置信度和精度需要的MC仿真次数约为1e11。
为避免上述问题，针对high-sigma分析，提出了很多种速度增强技术，有效降低了仿真次数。其中，重要性采样方法(Importance Sampling，IS)使用一个变换过的概率密度函数来替换初始的概率密度函数来进行采样，重要性采样如图2(最优均值偏移向量OMSV，概率密度分布函数PDF)所示，将概率密度函数中心点转移到失效区域附近或者失效区域中，在此转移后的概率密度函数上采样，大大提高了失效样本出现的概率，再根据转移后的概率密度函数采样计算失效率：
其中，
表示原始概率密度函数，
为原始概率密度函数，
表示以
为中心的转移后概率密度函数。
为找到最优均值偏移向量(Optimal Mean-Shift Vector，OMSV)Xopt，通常要大量采样点来推进启发式学习或者保证建模的准确定性。灵敏度分析是在仿真器内部计算目标函数(电路性能)对给定(设计或者工艺)参数的梯度。为了解决这两种方法共同的需要大量仿真的问题，提出使用基于自身灵敏度优化的方法，灵敏度给寻找过程提供了方向，速度快，可以避免大量采样过程。因此提出了一种新的快速灵敏度重要性采样(FastSensitivity Importance Sampling，FSIS)良率分析方法。
具体地，假设最优均值偏移向量Xopt为最临近失效点(most probable failurepoint，MPFP)，问题转换成寻找最临近失效点的优化问题。因为改点本身具有的两点特性。一是最邻近失效点在边界处，可保障同时采样大量成功点和失效点；二是MPFP是归一化后最接近中心的故障点，根据高斯分布，距离中心点越近，采样概率越大，其采样概率在所有故障点中最高。所以，以最邻近失效点作为OMSV可以保障转移后的采样，可以获取更多具有较高采样率的故障点，较为全面的覆盖最有可能发生的失效区域，得到较为准确的良率结果。
寻找OMSV转变寻找最邻近失效点，该优化问题的具体数学定义为最小化工艺参数x与初始分布中心点μff间的距离，参数x需要满足必须在失效区域的限制条件，最小化工艺参数x与初始分布中心点μf间的距离，所述工艺参数x满足必须在失效区域的限制条件为：
其中，xp为工艺参数，fi为第i个失效条件，由设计参数xd和工艺参数xp共同决定，
为第i个失效边界值，任一个失效条件被满足，对应采样点为失效点。
灵敏度重要性采样(SIS)算法基于类似于梯度下降(GD)算法——灵敏度下降寻找OMSV，旨在以最少的模拟运行次数有效地找到OMSV。从几何学上来讲，仿真器计算出的灵敏度(梯度)方向是目标函数上升最快的方向。具体而言，对于函数
在点
处，沿着灵敏度矢量
的方向是上升最快的方向，沿着灵敏度矢量的相反方向，
减小得最快，这使得更容易找到损失函数的最小值，也就是最可能的故障点。
从工艺参数的均值
开始，运行仿真以获得电路特性的标称值
及其灵敏度
然后迭代更新：
其中，
是第i次迭代的参数，α是学习率，决定算法在灵敏度负方向上每个步骤所走的长度。
如果该点进入失效区域，它将返回上一步并降低学习率。可以舍弃了落在故障区域的工艺参数特性及其灵敏度数据，因为失效区域在电路中的变化可能非常迅速，甚至观察事件不会直接发生。如果事件失败，则特征将为NaN(Not a Number，非数)，并且无法获得其灵敏度，因此退回上一步并自适应以系数v降低学习率，即减小学习步长，这并不会引入额外的仿真次数。最后，找到最邻近失效点后，根据转移后的概率密度函数采样，仿真，计算失效率。
举例而言，如图3所示，提出的SIS方法中的OMSV搜索算法的图示,该图3是函数
的轮廓图，蓝线星星是失效区域φ≤2.2的边界，红线圆圈是通过SIS的搜索路径，沿着点0→1→0→2→3→2→4的方向。
在简单的二维空间中的OMSV搜索算法的插图如图3所示。点0是初始中心点。将沿着灵敏度的相反方向按照学习率α走一定步长移至点1。但是在仿真后，点1位于失效区域边界(蓝线)外，这意味着学习率太大。因此，使用第一次敏感性分析中保存的点0的信息，将点移回点0，降低学习率，并将点移到点2。然后，执行点2的灵敏度分析并将距离移至点3。重复此过程，直到达到精度要求或最大迭代次数的MPFP。
为进一步提升效率，使用在最临近失效点附近的替代模型来预估采样点的性能，而不进行仿真，进一步降低仿真次数。良率结果取决于采样点是否满足电路性能指标，也就是判别函数结果仅有1和0，对于电路性能数值精度在距离转移后中心点较远区域的采样点上的要求并不高。相对前文中提到的在启发式算法中使用的在线替代模型，该方法中仅在OMSV确定后的采样阶段使用的替代模型，精度要求相对较低。可以根据已有的OMSV采样点电路性能及其灵敏度，建立在转移后概率分布中心点附近的一阶替代模型：
其中，在寻找OMSV后已计算出
和
无需额外仿真。OMSV离中心点较远，可能整个区域的模型非常复杂，但是第二步的采样区域较小，如图4所示，sigma预测足够准确，可以满足精度需求。也可以使用基于优化Xopt时收敛的点及周围重要参数扰动点建立更为复杂的替代模型。
将具有替代模型的敏感性重要抽样称为快速敏感性重要抽样(FSIS)，以将其与没有替代模型的敏感性重要抽样(SIS)区分开。
步骤103，将良率发给外部优化器，以使外部优化器判断良率是否满足预设条件，若不满足，基于灵敏度更新电路设计参数，直到生成的电路的良率满足预设条件。
步骤104，获取电路的良率满足预设条件时对应的电路设计参数设计电路。
在本申请实施例中，转移后的概率密度函数为q(xp)转换为多个概率分布p(xp，0-xp，opt，j的按权相加；
其中，xp，0为工艺参数中心点，xp，opt，j为第j个失效区域的最邻近失效点，αj为对应的权重，t为失效区域个数，为第求解公式(1)和(2)获取所述最临近失效点，计算良率。
举例而言，如图5所示，步骤1，初始化，将电路网表和相关技术文件放入外部优化器中，进入接下来的优化循环过程；步骤2，外部优化器生成候选电路设计参数；步骤3，分析该参数下的性能和良率；步骤4，将良率结果反馈给外部优化器以进行下一次迭代；步骤5，直至最后产生满足良率和性能指标要求的电路。
其中，有两个核心过程，分别为外部优化器和内部良率分析。外部优化器优化设计参数使良率最大化，内部良率分析扰动工艺参数等得到良率。内部良率分析则为完整的良率分析过程，外部优化器主要采用启发式算法，例如差分进化(Differential Evolution，DE)、遗传算法(Genetic Algorithm,GA)、DE进阶算法GASPAD(Gaussian process modelassisted differential evolution)、边缘搜索算法等，但其本质仍然属于遍历算法，速度较慢。尤其在良率优化过程中，需要迭代数百次父代子代过程，每一次生成n个子代，就需要进行n次良率分析，而良率分析本身就需要进行成百上千次仿真，综合来看速度缓慢。
通过仿真器的灵敏度分析，不仅可以获取电路性能对工艺参数的灵敏度，还可以获取电路性能对设计参数的灵敏度，即失效限制条件对设计参数的梯度，通过相关推导可以获得上述优化问题的损失函数对工艺参数的灵敏度。如此，根据调研结果，提出一种全灵敏度对抗重要性采样良率优化(All Sensitivity Adversarial Importance Sampling，ASAIS)的良率分析方法，进一步基于灵敏度优化设计参数最大化良率，同时优化过程中良率的计算使用之前提出的FSIS方法，双重灵敏度优化，避免大量采样过程，大大提升效率。
外部优化器可以定义为，在给定设计参数空间中，优化设计参数y实现最大化良率，即最大化转移后的概率密度函数中心点
到原先的概率密度函数中心点
的距离：
s.t.d∈Xd，其中xd为设计参数，Xd为所优化的设计参数空间。
因为转移后的概率密度函数中心点(最临近失效点)距离原中心点越远，采样概率越小，即失效概率越小，良率越大。所以，归一化工艺参数为正态分布后，优化问题可以描述为：
其中fi为第i个目标函数，
为fi失效的边界值。将限制条件严格转换为最临近失效点在失效边界上，而非失效点在边界外，可以得到如下问题定义：
s.t.gev(xp,opt,xd)＝f(xp,opt,xd)-f0＝0。
α<xd<b
其中
为良率优化总目标，gev为触发事件，a，b为设计参数边界值。对触发事gev求导，可以推得最终目标函数对设计参数的灵敏度，接下来基于基于梯度的算法求解最值问题：
借鉴对抗神经网络(Generative Adversarial Networks，GAN)提出对抗的思路，先优化若干步工艺参数xp，再优化若干步设计参数xd，在两者相互的对抗中达到最优目的。在每一次外部优化器迭代中，都会调用一次之前介绍的SIS灵敏度重要性采样良率分析方法。通常，判断一个电路是否通过pass，指标通常是多个，而非单一的。所以，尽管良率为单目标，但是决定良率的判断条件为多目标，最临近失效点在失效边界上仅对某一个或者某些限制条件生效，所以在最大化设计参数最小化和最小化工艺参数之间添加选择有效限制条件步骤，问题转变为：
其中xp,i为满足第i个失效边界的工艺参数。
在原问题定义的max和min之间添加了一个选择最小函数i的过程，将最后的min视为一个一个函数fi，min max fi可以转换为min z，其中z大于任意fi函数。两表达式含义等效。如此该minmax问题可以转换成一个带约束的优化问题，使用投影法求解。如果跑到约束集外面去了，那么将它投影到约束集内“最接近”的点。
多失效区域现象在多目标良率优化中更为明显，所以我们采用对应的多失效区域重要性采样解决问题。重要性采样的转移后概率密度函数q(xp)从简单的更换中心值变为多个概率分布p(xp,0-xp,opt,j)的按权相加，
其中，xp,0为工艺参数中心点，xp,opt,j为第j个失效区域的最邻近失效点，αj为对应的权重，t为失效区域个数，为第，求解公式(1)和(2)获取所述最临近失效点，计算良率。
具体地，ADSIS算法主要流程如下：1)初始化设计参数xd，工艺参数xp，l＝0；2)根据SIS算法得到最临近最临近失效点xp,opt，
3)计算φ,
4)l＝l+1，m＝0，n＝0，若l>kl,max，φ>φtol，转步骤(9)，否则转步骤(5)；5)生成新的设计参数
若
超出(a,b)的范围，则投影到设计区域，仿真计算；6)若m>kd,max,
转步骤(7)；否则，m＝m+1，转步骤(5)；7)生成新的工艺参数
仿真计算；8)若n>p,max,
转步骤(4)；否则，n＝+1，转步骤(7)；9)根据转移后的概率密度函数采样，用一阶替代模型预估电路性能，根据重要性采样计算得到良率。
本申请实施例的全灵敏度对抗重要性抽样产量优化方法，通过获取电路的网表文件和模型文件，将网表文件和模型文件输入外部优化器；分析在电路设计参数下所述电路的性能指标，根据性能指标计算良率；将良率发给所述外部优化器，以使外部优化器判断良率是否满足预设条件，若不满足，基于灵敏度更新电路设计参数，直到生成的电路的良率满足预设条件；获取电路的良率满足预设条件时对应的电路设计参数设计电路。由此，基于灵敏度避免了外部优化过程中的抽样。同时提出了一种快速灵敏度重要性抽样的良率分析方法，以消除重要性采样中寻找最优均值偏移向量和后续采样中的抽样。
为了实现上述实施例，本申请还提出一种全灵敏度对抗重要性抽样产量优化装置。
图6为本申请实施例提供的一种全灵敏度对抗重要性抽样产量优化装置的结构示意图。
如图6所示，该全灵敏度对抗重要性抽样产量优化装置包括：获取生成模块610、分析模块620、计算模块630、发送判断模块640和获取模块650。
获取生成模块610，用于获取电路的网表文件和模型文件，将所述网表文件和所述模型文件输入外部优化器。
分析模块620，用于分析在所述电路设计参数下所述电路的性能指标。
计算模块630，用于根据所述性能指标计算良率。
发送判断模块640，用于将所述良率发送给所述外部优化器，以使所述外部优化器判断所述良率是否满足预设条件，若不满足，基于敏感度更新所述电路设计参数，直到生成的所述电路的良率满足所述预设条件。
获取模块650，用于获取所述电路的良率满足所述预设条件时对应的电路设计参数设计所述电路。
在本申请实施例中，电路的性能指标包括但不限于增益、带宽和功耗中的一种或者多种。
在本申请的实施例中，所述计算模块630，具体用于：获取所述性能指标的概率密度函数；根据灵敏度重要性采样算法对所述性能指标进行处理，获取最临近失效点；根据所述最临近失效点对所述概率密度函数进行转移处理，获取转移后的概率密度函数，并根据所述转移后的概率密度函数，用一阶替代模型预估所述电路的性能指标，计算所述良率。
在本申请的实施例中，最小化工艺参数x与初始分布中心点μf间的距离，所述工艺参数x满足必须在失效区域的限制条件为：
其中，xp为工艺参数，，fi为第i个失效条件，由设计参数xf和工艺参数xp共同决定，
为第i个失效边界值，任一个失效条件被满足，对应采样点为失效点。
在本申请的一个实施例中，所述转移后的概率密度函数为q(xp)转换为多个概率分布p(xp,0-xp,opt,j)的按权相加；
其中，xp,0为工艺参数中心点，xp,opt,j为第j个失效区域的最邻近失效点，αj为对应的权重，t为失效区域个数，为第，求解公式(1)和(2)获取所述最临近失效点，计算所述良率。
本申请实施例的全灵敏度对抗重要性抽样产量优化装置，通过获取电路的网表文件和模型文件，将网表文件和模型文件输入外部优化器；分析在电路设计参数下所述电路的性能指标，根据性能指标计算良率；将良率发给所述外部优化器，以使外部优化器判断良率是否满足预设条件，若不满足，基于敏感度更新电路设计参数，直到生成的电路的良率满足预设条件；获取电路的良率满足预设条件时对应的电路设计参数设计电路。由此，基于灵敏度避免了外部优化过程中的抽样。同时提出了一种快速灵敏度重要性抽样的良率分析方法，以消除重要性采样中寻找最优均值偏移向量和后续采样中的抽样。
需要说明的是，前述对全灵敏度对抗重要性抽样产量优化方法实施例的解释说明也适用于该实施例的全灵敏度对抗重要性抽样产量优化装置，此处不再赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种全灵敏度对抗重要性抽样产量优化方法，其特征在于，包括以下步骤：
获取电路的网表文件和模型文件，将所述网表文件和所述模型文件输入外部优化器；
分析在电路设计参数下所述电路的性能指标，根据所述性能指标计算良率；
将所述良率发送给所述外部优化器，以使所述外部优化器判断所述良率是否满足预设条件，若不满足，基于灵敏度更新所述电路设计参数，直到生成的所述电路的良率满足所述预设条件；
获取所述电路的良率满足所述预设条件时对应的电路设计参数设计所述电路；
所述根据所述性能指标计算良率，包括：
获取所述性能指标的概率密度函数；
根据灵敏度重要性采样算法对所述性能指标进行处理，获取最临近失效点，其中，在根据所述灵敏度重要性采样算法获取所述最临近失效点时，工艺参数满足必须在失效区域的限制条件为：
其中，xp为工艺参数，xd为设计参数，fi为第i个失效条件，由设计参数xd和工艺参数xp共同决定，
为第i个失效边界值，任一个失效条件被满足，对应采样点为失效点；
根据所述最临近失效点对所述概率密度函数进行转移处理，获取转移后的概率密度函数，并根据所述转移后的概率密度函数，用一阶替代模型预估所述电路的性能指标。
2.如权利要求1所述的方法，其特征在于，所述电路的性能指标包括但不限于增益、带宽和功耗中的一种或者多种。
3.如权利要求1所述的方法，其特征在于，
所述转移后的概率密度函数为q(xp)转换为多个概率分布p(xp,0-xp,opt,j)的按权相加；
其中，xp,0为工艺参数中心点，xp,opt,j为第j个失效区域的最临近失效点，αj为对应的权重，t为失效区域个数，求解公式(1)和(2)获取所述最临近失效点，计算所述良率。
4.一种全灵敏度对抗重要性抽样产量优化装置，其特征在于，包括：
获取生成模块，用于获取电路的网表文件和模型文件，将所述网表文件和所述模型文件输入外部优化器；
分析模块，用于分析在电路设计参数下所述电路的性能指标；
计算模块，用于根据所述性能指标计算良率；
发送判断模块，用于将所述良率发送给所述外部优化器，以使所述外部优化器判断所述良率是否满足预设条件，若不满足，更新所述电路设计参数，直到生成的所述电路的良率满足所述预设条件；
获取模块，用于获取所述电路的良率满足所述预设条件时对应的电路设计参数设计所述电路；
所述计算模块具体用于：
获取所述性能指标的概率密度函数；
根据灵敏度重要性采样算法对所述性能指标进行处理，获取最临近失效点，其中，在根据所述灵敏度重要性采样算法获取所述最临近失效点时，工艺参数满足必须在失效区域的限制条件为：
其中，xp为工艺参数，xd为设计参数，fi为第i个失效条件，由设计参数xd和工艺参数xp共同决定，
为第i个失效边界值，任一个失效条件被满足，对应采样点为失效点；
根据所述最临近失效点对所述概率密度函数进行转移处理，获取转移后的概率密度函数，并根据所述转移后的概率密度函数，用一阶替代模型预估所述电路的性能指标。
5.如权利要求4所述的装置，其特征在于，所述电路的性能指标包括但不限于增益、带宽和功耗中的一种或者多种。
6.如权利要求4所述的装置，其特征在于，
所述转移后的概率密度函数为q(xp)转换为多个概率分布p(xp,0-xp,opt,j)的按权相加；
其中，xp,0为工艺参数中心点，xp,opt,j为第j个失效区域的最临近失效点，αj为对应的权重，t为失效区域个数，求解公式(1)和(2)获取所述最临近失效点，计算所述良率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110209197.XA CN112861459B (zh) | 2021-02-24 | 2021-02-24 | 全灵敏度对抗重要性抽样产量优化方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110209197.XA CN112861459B (zh) | 2021-02-24 | 2021-02-24 | 全灵敏度对抗重要性抽样产量优化方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112861459A CN112861459A (zh) | 2021-05-28 |
| CN112861459B true CN112861459B (zh) | 2022-10-04 |
Family
ID=75991296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110209197.XA Active CN112861459B (zh) | 2021-02-24 | 2021-02-24 | 全灵敏度对抗重要性抽样产量优化方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112861459B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779926B (zh) * | 2021-08-03 | 2024-08-02 | 深圳天狼芯半导体有限公司 | 一种电路的检测方法、装置、电子设备及可读存储介质 |
| CN114139482A (zh) * | 2021-09-06 | 2022-03-04 | 苏州宽温电子科技有限公司 | 一种基于深度度量学习的eda电路失效分析方法 |
| CN113609815B (zh) * | 2021-09-16 | 2022-05-13 | 芯和半导体科技(上海)有限公司 | 一种电路仿真优化方法、装置、计算机设备及存储介质 |
| CN115358178B (zh) * | 2022-08-11 | 2023-04-07 | 山东大学 | 一种基于融合神经网络的电路良率分析方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344898A (zh) * | 2007-07-11 | 2009-01-14 | 恩益禧电子股份有限公司 | 半导体集成电路的生产方法、设计方法和设计系统 |
| CN107729589A (zh) * | 2016-08-14 | 2018-02-23 | 复旦大学 | 一种基于多起始点重要性采样技术的快速计算sram失效概率的方法 |
| CN110046365A (zh) * | 2018-01-16 | 2019-07-23 | 复旦大学 | 一种基于非高斯采样的sram电路良率分析方法 |
| CN111581909A (zh) * | 2020-04-15 | 2020-08-25 | 东南大学 | 基于改进的自适应重要性采样算法的sram良率评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8601416B2 (en) * | 2012-03-15 | 2013-12-03 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method of circuit design yield analysis |
-
2021
- 2021-02-24 CN CN202110209197.XA patent/CN112861459B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344898A (zh) * | 2007-07-11 | 2009-01-14 | 恩益禧电子股份有限公司 | 半导体集成电路的生产方法、设计方法和设计系统 |
| CN107729589A (zh) * | 2016-08-14 | 2018-02-23 | 复旦大学 | 一种基于多起始点重要性采样技术的快速计算sram失效概率的方法 |
| CN110046365A (zh) * | 2018-01-16 | 2019-07-23 | 复旦大学 | 一种基于非高斯采样的sram电路良率分析方法 |
| CN111581909A (zh) * | 2020-04-15 | 2020-08-25 | 东南大学 | 基于改进的自适应重要性采样算法的sram良率评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 可靠性灵敏度分析的自适应重要抽样法;张峰等;《工程力学》;20080430;第25卷(第04期);第80-84页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112861459A (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112861459B (zh) | 全灵敏度对抗重要性抽样产量优化方法和装置 | |
| CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
| CN112036084B (zh) | 一种相似产品寿命迁移筛选方法和系统 | |
| US20180082215A1 (en) | Information processing apparatus and information processing method | |
| US20200372342A1 (en) | Systems and methods for predictive early stopping in neural network training | |
| CN111695301A (zh) | 电池电荷状态的预测方法及预测装置、存储介质、设备 | |
| JP6525002B2 (ja) | メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体 | |
| JP2016218869A (ja) | 設定方法、設定プログラム、及び設定装置 | |
| CN113554148A (zh) | 一种基于贝叶斯优化的BiLSTM电压偏差预测方法 | |
| US20210133378A1 (en) | Methods and systems for the estimation of the computational cost of simulation | |
| Jiang et al. | An adaptive sampling strategy for Kriging metamodel based on Delaunay triangulation and TOPSIS | |
| CN113888351A (zh) | 光伏系统的功率预测方法、装置及电子设备 | |
| CN111046979A (zh) | 一种基于小样本学习的badcase发现方法及系统 | |
| US20170132045A1 (en) | Load estimation system, information processing device, load estimation method, and storage medium for storing program | |
| CN116110526B (zh) | 一种钛合金应力腐蚀临界应力强度因子预测方法 | |
| CN116431346A (zh) | 一种用于电子设备主存储器容量的补偿方法 | |
| US20230186150A1 (en) | Hyperparameter selection using budget-aware bayesian optimization | |
| CN112860531B (zh) | 基于深度异构图神经网络的区块链广泛共识性能评测方法 | |
| CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 | |
| Mulder et al. | Fast optimisation of convolutional neural network inference using system performance models | |
| Kuvayskova et al. | Hyper-Parameter Selection of Machine Learning Models for Predicting the State of a Technical Object | |
| CN117828344A (zh) | 基于量子贝叶斯结合模型评估的网络模型优化方法和系统 | |
| Arsenyev et al. | Surrogate-based Robust Shape Optimization for Vane Clusters | |
| CN118606806B (zh) | 一种基于巷道断面传感器数据的平均风量预测方法及系统 | |
| CN117113524B (zh) | 一种融合设计知识的采样方法、系统、设备及终端 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231129 Address after: Room 201, 1st and 2nd floors, Building 3, No. 16 Yongchang Middle Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing, 100176 Patentee after: Beijing Xinli Technology Innovation Center Co.,Ltd. Address before: 100084 Tsinghua Yuan, Beijing, Haidian District Patentee before: TSINGHUA University |
|
| TR01 | Transfer of patent right |