CN113221503B - 基于机器学习的无源器件建模仿真引擎 - Google Patents

基于机器学习的无源器件建模仿真引擎 Download PDF

Info

Publication number
CN113221503B
CN113221503B CN202011639453.0A CN202011639453A CN113221503B CN 113221503 B CN113221503 B CN 113221503B CN 202011639453 A CN202011639453 A CN 202011639453A CN 113221503 B CN113221503 B CN 113221503B
Authority
CN
China
Prior art keywords
model
data
machine learning
simulation
stage
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
CN202011639453.0A
Other languages
English (en)
Other versions
CN113221503A (zh
Inventor
蒋历国
凌峰
孙悦婉
代文亮
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.)
Xinhe Semiconductor Technology Shanghai Co ltd
Original Assignee
Xinhe Semiconductor Technology Shanghai Co ltd
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 Xinhe Semiconductor Technology Shanghai Co ltd filed Critical Xinhe Semiconductor Technology Shanghai Co ltd
Priority to CN202011639453.0A priority Critical patent/CN113221503B/zh
Publication of CN113221503A publication Critical patent/CN113221503A/zh
Application granted granted Critical
Publication of CN113221503B publication Critical patent/CN113221503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的一种基于机器学习的无源器件建模仿真引擎，包括:模型训练阶段，利用机器学习算法对PDK标称值或仿真所采集的数据进行学习，以训练模型；模型应用阶段，利用所述模型训练阶段中训练好的模型对第一数据查询或对第二数据进行回归预测。使用数据库进行数学建模，实现了射频无源仿真中微带线与带状线的实时仿真引擎，帮助射频电路设计工程师根据需要自动产生无源器件模型，并进行高效的参数调节，生成的机器学习模型同时支持对原有数据做到精准搜索，而对新数据需要做到准确预测。

Description

基于机器学习的无源器件建模仿真引擎
技术领域
本发明属于高频无源器件仿真建模技术领域，具体来说是基于机器学习的无源器件建模仿真引擎。
背景技术
无源器件等效电路物理模型是高频仿真的核心。现有技术对无源器件的仿真以及建模步骤主要为：
1.根据输入物理参数(如电感的线宽、间距、圈数和内径，电容的边长)，调用仿真工具进行仿真。目前主流参数提取法是的迭代拟合法，需要大量迭代运算，既非常耗时，又由于其与输入的初始值有强的关联性，可能会产生潜在的无法收敛的问题，如非最佳结果和非收敛解等。随着频率的增加和电路复杂性的提升，需要有准确的等效模型来进行数值分析，目前市场上没有EDA工具能做到精确仿真，给射频电路分析带来很大困难。
2.在集成电路设计阶段，由于所使用的数学模型的非线性度和复杂度非常高，调用仿真工具进行仿真往往有着误差大，时间长，精度无法达到工程技术需要的问题。这时芯片设计人员往往需要根据参数手动查找对应的标称值，工作量大，耗时长。另外标称值需要手动测量，测量范围大，数据量大，对于没有测量到的数据点，也无法得到模型参数。
传统基于机器学习的应用，一般只支持单向流程。也就是模型建立后只能继续输入新的数据进行回归预测。
发明内容
1.发明要解决的技术问题
本发明的目的在于解决上述技术问题，使用数据库进行数学建模，实现了射频无源仿真中微带线与带状线的实时仿真引擎，帮助射频电路设计工程师根据需要自动产生无源器件模型，并进行高效的参数调节，生成的机器学习模型同时支持对原有数据做到精准搜索，而对新数据需要做到准确预测。
2.技术方案
为达到上述目的，本发明提供的技术方案为：
一种基于机器学习的无源器件建模仿真引擎，包括:
模型训练阶段，利用机器学习算法对PDK标称值或仿真所采集的数据进行学习，以训练模型；
模型应用阶段，利用所述模型训练阶段中训练好的模型对第一数据查询或对第二数据进行回归预测。
优选地，所述模型训练阶段的训练模型是数据库与回归分析相结合，所述第一数据利用数据库算法的二叉树搜索引擎算法，所述第二数据在数据库中利用机器学习的人工神经网络，通过多层人工神经网络，对输入数据的特征进行自主学习和挖掘，并建立多层神经网络进行拟合和插值。
优选地，所述模型训练阶段还包括数据筛选步骤，所述数据筛选步骤使用无监督学习对所述模型训练阶段出现的仿真异常值进行自动检测，并对训练数据进行必要的数据挖掘，提供信息以供仿真设计人员对后续数据进行合理采样。
3.有益效果
采用本发明提供的技术方案，与现有技术相比，至少包括如下有益效果：
(1)本发明创造性地将数据库技术与机器学习技术结合，可以做到实时精准查找和仿真。
(2)本发明同时支持物理参数组合与电气参数值的双向查找和拟合，可以让用户根据射频电路设计的电气要求，实时调整芯片设计物理参数，达到满足信号完整性和电源完整性的需要。
(3)在模型训练阶段，本发明利用无监督学习中的聚类算法对仿真异常值进行自动检测，剔除与聚类中心点距离过大的数据点并保存聚类分析的结果，剔除的数据和聚类分析结果可以供仿真设计人员对后续数据进行合理采样。这些操作大大提高了建模的精度。
附图说明
图1为本发明的基于机器学习的无源器件建模仿真引擎的示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述，附图中给出了本发明的若干实施例，但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例，相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同；本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明；本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
参照附图1，本发明利用了机器学习算法中监督学习和无监督学习算法。在模型训练阶段利用机器学习算法对pdk(process design kit)标称值或者仿真所采集的数据进行学习用以训练模型，模型选用了数据库与回归分析相结合；模型应用阶段利用训练好的模型对旧数据可以精确查询，对于新数据可进行回归预测。
训练数据主要包含各种无源器件的物理参数组合，以及在这些参数组合下通过测试或者仿真得到的电气参数，这些电气参数正是建立仿真数学模型的关键参数。因为模型的复杂度和高度非线性，人工测试或者利用仿真工具只能搜集到稀疏的离散数据，因此需要对这样的稀疏采样数据进行精准回归建模以对原有数据做到精准搜索，而对新数据需要做到准确预测。
在模型训练阶段，本发明使用无监督学习对仿真异常值进行自动检测，并对训练数据进行必要的数据挖掘，提供信息以供仿真设计人员对后续数据进行合理采样。这些操作大大提高了建模的精度。
本发明创造性地将数据库技术与机器学习技术结合，可以做到实时精准查找和仿真。对于原有数据利用了数据库算法里面的二叉树搜索引擎算法，对于新数据则在数据库中利用机器学习的人工神经网络，通过多层人工神经网络，对输入数据的特征进行自主学习和挖掘，并建立多层神经网络进行拟合和插值。
传统基于机器学习的应用，一般只支持单向流程。也就是模型建立后只能继续输入新的数据进行回归预测，而本发明同时支持物理参数组合与电气参数值的双向查找和拟合，可以让用户根据射频电路设计的电气要求，实时调整芯片设计物理参数，达到满足信号完整性和电源完整性的需要。
本发明利用机器学习算法，使用数据库进行数学建模，实现了射频无源仿真中微带线与带状线的实时仿真引擎，帮助射频电路设计工程师根据需要自动产生无源器件模型，并进行高效的参数调节。该发明还成功用于IC设计公司的pdk(process design kit)库仿真，帮助不同IC设计公司和不同工艺流程进行快速建模，从而大大提高复杂电路的设计效率。
以上所述实施例仅表达了本发明的某种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，本发明专利的保护范围应以所附权利要求为准。

Claims (2)

1.一种基于机器学习的无源器件建模仿真方法，其特征在于，包括:
模型训练阶段，利用机器学习算法对PDK标称值或仿真所采集的数据进行学习，以训练模型；
模型应用阶段，利用所述模型训练阶段中训练好的模型对第一数据查询和对第二数据进行回归预测；
所述模型训练阶段的训练模型是数据库与回归分析相结合，所述第一数据利用数据库算法的二叉树搜索引擎算法，所述第二数据在数据库中利用机器学习的人工神经网络，通过多层人工神经网络，对输入数据的特征进行自主学习和挖掘，并建立多层神经网络进行拟合和插值。
2.如权利要求1所述的基于机器学习的无源器件建模仿真方法，其特征在于，所述模型训练阶段还包括数据筛选步骤，所述数据筛选步骤使用无监督学习对所述模型训练阶段出现的仿真异常值进行自动检测，并对训练数据进行数据挖掘，提供信息以供仿真设计人员对后续数据进行合理采样。
CN202011639453.0A 2020-12-31 2020-12-31 基于机器学习的无源器件建模仿真引擎 Active CN113221503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011639453.0A CN113221503B (zh) 2020-12-31 2020-12-31 基于机器学习的无源器件建模仿真引擎

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011639453.0A CN113221503B (zh) 2020-12-31 2020-12-31 基于机器学习的无源器件建模仿真引擎

Publications (2)

Publication Number Publication Date
CN113221503A CN113221503A (zh) 2021-08-06
CN113221503B true CN113221503B (zh) 2024-05-31

Family

ID=77085975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011639453.0A Active CN113221503B (zh) 2020-12-31 2020-12-31 基于机器学习的无源器件建模仿真引擎

Country Status (1)

Country Link
CN (1) CN113221503B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113971387A (zh) * 2021-10-11 2022-01-25 芯和半导体科技(上海)有限公司 一种基于人工智能算法的等效电路正向预测方法
CN118246398A (zh) * 2024-05-21 2024-06-25 广东保伦电子股份有限公司 一种基于仿真的电路开发方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620644A (zh) * 2008-06-25 2010-01-06 台湾积体电路制造股份有限公司 光学微缩技术节点中的集成电路设计
CN107886568A (zh) * 2017-12-09 2018-04-06 东方梦幻文化产业投资有限公司 一种利用3D Avatar重建人脸表情的方法及系统
CN108345749A (zh) * 2018-02-11 2018-07-31 中国电子科技集团公司第二十九研究所 射频集成工艺容差与电性能耦合特性的建模与封装方法
CN109284541A (zh) * 2018-08-31 2019-01-29 天津工业大学 一种用于微波无源器件的神经网络多物理建模方法
CN110502837A (zh) * 2019-08-22 2019-11-26 山东科技大学 一种基于神经网络建模的太赫兹无源器件的电路优化设计方法及系统
CN111095312A (zh) * 2017-06-22 2020-05-01 日昶半导体制造有限公司 信息处理设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160071017A1 (en) * 2014-10-15 2016-03-10 Brighterion, Inc. Method of operating artificial intelligence machines to improve predictive model training and performance

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620644A (zh) * 2008-06-25 2010-01-06 台湾积体电路制造股份有限公司 光学微缩技术节点中的集成电路设计
CN111095312A (zh) * 2017-06-22 2020-05-01 日昶半导体制造有限公司 信息处理设备
CN107886568A (zh) * 2017-12-09 2018-04-06 东方梦幻文化产业投资有限公司 一种利用3D Avatar重建人脸表情的方法及系统
CN108345749A (zh) * 2018-02-11 2018-07-31 中国电子科技集团公司第二十九研究所 射频集成工艺容差与电性能耦合特性的建模与封装方法
CN109284541A (zh) * 2018-08-31 2019-01-29 天津工业大学 一种用于微波无源器件的神经网络多物理建模方法
CN110502837A (zh) * 2019-08-22 2019-11-26 山东科技大学 一种基于神经网络建模的太赫兹无源器件的电路优化设计方法及系统

Also Published As

Publication number Publication date
CN113221503A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113221503B (zh) 基于机器学习的无源器件建模仿真引擎
US7409651B2 (en) Automated migration of analog and mixed-signal VLSI design
CN107770783B (zh) 一种基站扩容改造方案设计方法及相关设备
LU100965B1 (en) An ELM-based method for modeling temperature characteristics of radio frequency power amplifier
CN109214023B (zh) 一种工艺设计工具包的测试方法及装置
US20220207351A1 (en) Semiconductor design optimization using at least one neural network
CN101452492B (zh) 集成电路版图与原理图一致性检查的局部重签名修复方法
CN107394892B (zh) 一种智能变电站间隔变动的调试范围确定方法及系统
CN114548586B (zh) 一种基于混合模型的短期电力负荷预测方法及系统
Jafari et al. Design optimization of analog integrated circuits by using artificial neural networks
CN102508977B (zh) 用于模拟电路移植的电路优化方法和装置
CN110362881B (zh) 基于极限学习机的微波功率器件非线性模型方法
CN118246700B (zh) 基于图计算的配电网供电策略动态调整方法及系统
CN113468301A (zh) 集成电路测试方案的自动化生成方法和系统
Fan et al. From specification to topology: Automatic power converter design via reinforcement learning
CN112084294B (zh) 一种基于人工智能的整车电磁兼容分级管理方法
CN109063026A (zh) 一种地理信息数据采集方法及系统
CN117171586A (zh) 一种基于电流序列相似度的户变关系识别方法及系统
CN110674315A (zh) 一种基于知识图谱技术的辅助电源调试方法
CN112834863A (zh) 利用电力线通信中的阻抗估计算法监测电力线故障的方法
Kabir et al. Advances of neural network modeling methods for RF/microwave applications
Parvathi Machine learning based interconnect parasitic R, C, and power estimation analysis for adder family circuits
US20230394201A1 (en) Simulation post processor for a dual-mode power amplifier
CN102945303A (zh) 一种基于径向基网络算法获取集成电路成品率的方法
Zhou Large Scale Electric Network Analysis Based on Circuit Topology and MCL Algorithm

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 401, No.5, Lane 60, Naxian Road, Pudong New Area, Shanghai

Applicant after: Xinhe Semiconductor Technology (Shanghai) Co.,Ltd.

Address before: Room 401, No.5, Lane 60, Naxian Road, Pudong New Area, Shanghai

Applicant before: Core and semiconductor technology (Shanghai) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant