CN113919253A - 硅通孔阵列峰值温度和参数的优化方法及系统 - Google Patents

硅通孔阵列峰值温度和参数的优化方法及系统 Download PDF

Info

Publication number
CN113919253A
CN113919253A CN202111171043.2A CN202111171043A CN113919253A CN 113919253 A CN113919253 A CN 113919253A CN 202111171043 A CN202111171043 A CN 202111171043A CN 113919253 A CN113919253 A CN 113919253A
Authority
CN
China
Prior art keywords
peak temperature
longitudinal
transverse
array
tsv
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.)
Granted
Application number
CN202111171043.2A
Other languages
English (en)
Other versions
CN113919253B (zh
Inventor
谌东东
孟宝平
单光宝
李迪
杨银堂
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202111171043.2A priority Critical patent/CN113919253B/zh
Publication of CN113919253A publication Critical patent/CN113919253A/zh
Application granted granted Critical
Publication of CN113919253B publication Critical patent/CN113919253B/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
    • G06F30/32—Circuit design at the digital level
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/70—Manufacture or treatment of devices consisting of a plurality of solid state components formed in or on a common substrate or of parts thereof; Manufacture of integrated circuit devices or of parts thereof
    • H01L21/71—Manufacture of specific parts of devices defined in group H01L21/70
    • H01L21/768—Applying interconnections to be used for carrying current between separate components within a device comprising conductors and dielectrics
    • H01L21/76898—Applying interconnections to be used for carrying current between separate components within a device comprising conductors and dielectrics formed through a semiconductor substrate
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Semiconductor Integrated Circuits (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

本申请涉及硅通孔阵列峰值温度和参数的优化方法及系统，涉及三维集成电路领域，本申请通过输入TSV阵列设计参数范围和温度优化目标，输出优化后的TSV阵列设计参数；将优化后的TSV阵列设计参数输入到预设的TSV阵列设计参数与峰值温度映射关系模型中，计算得到横向峰值温度和纵向峰值温度；分别计算目标横向峰值温度和横向峰值温度的第一差值，以及目标纵向峰值温度和纵向峰值温度的第二差值；若第一差值和第二差值均不大于预设阈值，则将优化后的TSV阵列设计参数，以及计算得到的横向峰值温度和纵向峰值温度作为优化结果进行输出。该方法的发明和推广应用对降低三维集成电路芯片研发成本和缩短其研制周期具有重要工程意义。

Description

硅通孔阵列峰值温度和参数的优化方法及系统
技术领域
本申请涉及三维集成电路领域，具体设置一种硅通孔阵列 峰值温度和参数的优化方法及系统。
背景技术
集成电路已经成为各行各业实现信息化，智能化基础，其 技术水平和产业能力已成为衡量国家产业竞争力与综合国力的 重要标志之一。而三维集成电路作为未来打破摩尔定律的关键 方式之一，近几年受到研发人员的大力追捧。
现有技术中，三维集成电路的开发，较多地依赖于研发人 员的设计经验和软件的重复迭代仿真验证，设计人员通过不断 调整集成电路中器件的尺寸参数，以获得目标的电路模块性能 指标，这种耗时耗力的设计方法降低了集成电路设计效率，提 高了研发成本，延长了集成电路芯片研制周期。
因此，急需提出一种简单、有效的三维集成电路硅通孔 (through silicon via，简称TSV)参数智能优化的方法或者装置。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一 种硅通孔阵列峰值温度和参数的优化方法及系统，以解决现有 技术中急需提出一种简单、有效的计算三维集成电路硅通孔的 峰值温度的方法或者装置的问题。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本申请提供一种硅通孔阵列峰值温度和参数的 优化方法，方法包括：
在预设的粒子群优化算法中输入硅通孔半径、硅通孔间距 和绝缘层厚度的参数范围、目标横向峰值温度和目标纵向峰值 温度，并使用预设的粒子群优化算法对TSV阵列设计参数进行 优化，并输出优化后的参数；
将优化后的硅通孔半径、硅通孔间距和绝缘层厚度输入到 预设的硅通孔阵列纵向峰值温度神经网络模型和硅通孔阵列横 向峰值温度神经网络模型中，计算得到横向峰值温度和纵向峰 值温度；
分别计算目标纵向峰值温度和横向峰值温度的第一差值， 以及目标纵向峰值温度和纵向峰值温度的第二差值；
若第一差值和第二差值均不大于预设阈值，则将优化后的 硅通孔半径、硅通孔间距和绝缘层厚度，以及计算得到横向峰 值温度和纵向峰值温度作为优化结果进行输出。
可选地，该在预设的粒子群优化算法中输入硅通孔半径、 硅通孔间距和绝缘层厚度的参数范围、目标横向峰值温度和目 标纵向峰值温度，并使用预设的粒子群优化算法对TSV阵列设 计参数进行优化，并输出优化后的参数的步骤具体包括：
将硅通孔半径、硅通孔间距和绝缘层厚度的参数范围、目 标横向峰值温度和目标纵向峰值温度输入到预设的粒子群优化 算法中，并确定预设的粒子群优化算法中多组粒子的位置与粒 子的速度，其中，粒子的位置为硅通孔半径、硅通孔间距和绝 缘层厚度，粒子的速度为粒子的位置为硅通孔半径、硅通孔间 距和绝缘层厚度的调整步长；
将多组粒子的对应的TSV阵列设计参数输入到预设的硅通 孔阵列纵向峰值温度神经网络模型和硅通孔阵列横向峰值温度 神经网络模型中，计算得到横向峰值温度和纵向峰值温度；
将多组粒子计算得到的横向峰值温度、纵向峰值温度、目 标横向峰值温度和目标纵向峰值温度代入到预设的多目标优化 函数中，计算得到适应度；
比较多组粒子对应的适应度的大小，并进行多次迭代，将 迭代后最小适应度对应的粒子的硅通孔半径、硅通孔间距和绝 缘层厚度作为优化后的参数输出。
可选地，该预设硅通孔阵列纵向峰值温度神经网络模型为：
Figure BDA0003293194630000041
Figure BDA0003293194630000042
其中，gLT(·)表示TSV阵列纵向峰值温度神经网络模型的激 活函数，ex表示以自然常数e为底的指数函数，LT表示TSV阵 列纵向峰值温度，U为硅通孔半径、硅通孔间距和绝缘层厚度的 参数，W1 LT和
Figure BDA0003293194630000043
分别表示TSV阵列纵向峰值温度神经网络模型 中输入层到隐含层的权值矩阵和偏置项，且为已知量，
Figure BDA0003293194630000044
和
Figure BDA0003293194630000045
表示TSV阵列纵向峰值温度神经网络模型中隐含层到输出层的 权值矩阵和偏置项，且为已知量。
可选地，该预设硅通孔阵列横向峰值温度神经网络模型为：
Figure BDA0003293194630000046
Figure BDA0003293194630000047
其中，gTT(·)表示TSV阵列横向峰值温度神经网络模型的激 活函数，e-x表示以自然常数e为底的指数函数，TT表示TSV阵 列横向峰值温度，U为硅通孔半径、硅通孔间距和绝缘层厚度的 参数，W1 TT和
Figure BDA0003293194630000051
分别表示TSV阵列横向峰值温度神经网络模型中 输入层到隐含层的权值矩阵和偏置项，且为已知量，
Figure BDA0003293194630000052
和
Figure BDA0003293194630000053
表 示TSV阵列横向峰值温度神经网络模型中隐含层到输出层的权 值矩阵和偏置项，且为已知量。
可选地，该预设硅通孔阵列峰值温度多目标优化函数为：
J＝α(LT-LTdes)2+β(TT-TTdes)2；
其中，J表示TSV阵列峰值温度多目标优化准则，LT和TT表 示TSV阵列纵向和横向峰值温度，LTdes和TTdes分别表示目标的 TSV阵列纵向和横向峰值温度，α和β分别表示TSV阵列纵向和 横向峰值温度的优化权值系数，且为已知量。
第二方面，本申请提供一种硅通孔阵列峰值温度和参数的 优化系统，系统包括：输入模块、第一计算模块、第二计算模 块和输出模块；输入模块用于在预设的粒子群优化算法中输入 硅通孔半径、硅通孔间距和绝缘层厚度的参数范围、目标横向 峰值温度和目标纵向峰值温度，并使用预设的粒子群优化算法 对硅通孔半径、硅通孔间距和绝缘层厚度进行优化，输出优化 后的硅通孔半径、硅通孔间距和绝缘层厚度；第一计算模块用 于将优化后的硅通孔半径、硅通孔间距和绝缘层厚度输入到预 设的硅通孔阵列纵向峰值温度神经网络模型和硅通孔阵列横向 峰值温度神经网络模型中，计算得到横向峰值温度和纵向峰值 温度；第二计算模块用于分别计算目标纵向峰值温度和横向峰 值温度的第一差值，以及目标纵向峰值温度和纵向峰值温度的 第二差值；输出模块用于若第一差值和第二差值均不大于预设 阈值，则将优化后的硅通孔半径、硅通孔间距和绝缘层厚度， 以及计算得到横向峰值温度和纵向峰值温度作为优化结果进行 输出。
第三方面，本申请提供一种电子设备，包括：存储器、处 理器及存储在存储器上并可在处理器上运行的计算机程序，所 述处理器执行所述程序时实现上述硅通孔阵列峰值温度和参数 的优化方法。
第四方面，本申请提供一种计算机可读存储介质，所述计 算机可读存储介质包括计算机程序，所述计算机程序运行时控 制所述计算机可读存储介质所在电子设备执行上述硅通孔阵列 峰值温度和参数的优化方法。
本发明的有益效果是：
本申请提供的硅通孔阵列峰值温度和参数的优化方法，方 法包括：在预设的粒子群优化算法中输入硅通孔半径、硅通孔 间距和绝缘层厚度的参数范围、目标横向峰值温度和目标纵向 峰值温度，并使用预设的粒子群优化算法对硅通孔半径、硅通 孔间距和绝缘层厚度进行优化，输出优化后的硅通孔半径、硅 通孔间距和绝缘层厚度；将优化后的硅通孔半径、硅通孔间距 和绝缘层厚度输入到预设的硅通孔阵列纵向峰值温度神经网络 模型和硅通孔阵列横向峰值温度神经网络模型中，计算得到横 向峰值温度和纵向峰值温度；分别计算目标纵向峰值温度和横 向峰值温度的第一差值，以及目标纵向峰值温度和纵向峰值温 度的第二差值；若第一差值和第二差值均不大于预设阈值，则 将优化后的硅通孔半径、硅通孔间距和绝缘层厚度，以及计算 得到横向峰值温度和纵向峰值温度作为优化结果进行输出；本 申请通过将硅通孔半径、硅通孔间距和绝缘层厚度作为已知量 输入，通过预设硅通孔阵列纵向峰值温度神经网络模型计算得 到纵向峰值温度，通过预设硅通孔阵列横向峰值温度神经网络 模型得到横向峰值温度；进而使得本申请通过计算简单、快速、 准确的得到硅通孔阵列的峰值温度，进而简单、有效地解决计 算三维集成电路硅通孔的峰值温度的问题；另外，本发明针对 现有的集成电路研发过于依赖设计人员的经验和效率较低的难 题，根据制定的三维集成电路中TSV设计参数优化策略，利用 粒子群优化算法优化三维集成电路中TSV的设计参数，可以高 效地确定三维集成电路器件的设计尺寸参数，提高集成电路设 计效率，降低研发成本，缩短集成电路芯片研制周期。该方法 的发明和推广应用对降低三维集成电路芯片研发成本和缩短其 研制周期具有重要工程意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实 施例中所需要使用的附图作简单地介绍，应当理解，以下附图 仅示出了本发明的某些实施例，因此不应被看作是对范围的限 定，对于本领域普通技术人员来讲，在不付出创造性劳动的前 提下，还可以根据这些附图获得其他相关的附图。
图1为本申请提供的一种应用场景示意图；
图2为本申请实施例提供的一种硅通孔阵列峰值温度和参 数的优化方法的流程示意图；
图3为本申请实施例提供的一种硅通孔阵列峰值温度和参 数的优化方法的另一种流程示意图；
图4为本申请实施例提供的一种硅通孔阵列峰值温度和参 数的优化方法运行30次后的TSV半径优化结果示意图；
图5为本申请实施例提供的一种硅通孔阵列峰值温度和参 数的优化方法运行30次后的TSV间距优化结果示意图；
图6为本申请实施例提供的一种硅通孔阵列峰值温度和参 数的优化方法运行30次后的绝缘层厚度优化结果示意图；
图7为本申请实施例提供的一种硅通孔阵列峰值温度和参 数的优化方法运行30次后对应的TSV阵列纵向峰值温度结果示 意图；
图8为本申请实施例提供的一种硅通孔阵列峰值温度和参 数的优化方法运行30次后对应的TSV阵列横向峰值温度结果示 意图；
图9为本申请实施例根据优化的TSV阵列设计参数利用 COMSOL软件对纵向峰值温度进行有限元模拟验证的结果图；
图10为本申请实施例根据优化的TSV阵列设计参数利用 COMSOL软件对横向峰值温度进行有限元模拟验证的结果。
具体实施方式
下面将结合本申请中附图，对本申请中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分 实施例，而不是全部的实施例。通常在此处附图中描述和示出 的本申请的组件可以以各种不同的配置来布置和设计。因此， 以下对在附图中提供的本申请的实施例的详细描述并非旨在限 制要求保护的本申请的范围，而是仅仅表示本申请的选定实施 例。基于本申请的实施例，本领域技术人员在没有做出创造性 劳动的前提下所获得的所有其他实施例，都属于本申请保护的 范围。
应注意到：相似的标号和字母在下面的附图中表示类似项， 因此，一旦某一项在一个附图中被定义，则在随后的附图中不 需要对其进行进一步定义和解释。
图1为本申请提供的一种应用场景示意图，如图1所示，本 申请中的方法可以应用于图1所示的电子设备10。如图1所示， 电子设备10可以包括：存储器11、处理器12、网络模块13。
存储器11、处理器12、网络模块13相互之间直接或间接地 电性连接，以实现数据的传输或交互。存储器11用于存储程序， 所述处理器12在接收到执行指令后，执行所述程序。所述处理 器12可能是一种集成电路芯片，具有数据的处理能力。上述的 处理器12可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等。 可以实现或者执行本申请中的各方法、步骤及逻辑框图。通用 处理器可以是微处理器或者该处理器也可以是任何常规的处理 器等，一般的，该处理器12可以是PCB603C01的芯片，该芯片 灵敏度为100mV/g，量程为±50g，频带为5-10kHz，适用温度 为-54℃～+121℃。
网络模块13用于通过网络建立电子设备10与外部通信终端 之间的通信连接，实现网络信号及数据的收发操作。上述网络 信号可包括无线信号或者有线信号。
可以理解，图1所示的结构仅为示意，电子设备10还可包 括比图1中所示更多或者更少的组件，或者具有与图1所示不同 的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
在上述基础上，本申请还提供一种计算机可读存储介质， 所述计算机可读存储介质包括计算机程序，所述计算机程序运 行时控制所述计算机可读存储介质所在电子设备10执行下述的 方法。
为了使本发明的实施过程更加清楚，下面将会结合附图进 行详细说明。
图2为本申请实施例提供的一种硅通孔阵列峰值温度和参 数的优化方法的流程示意图；如图2所示，本申请提供一种硅通 孔阵列峰值温度和参数的优化方法，方法包括：
S101、在预设的粒子群优化算法中输入硅通孔半径、硅通 孔间距和绝缘层厚度的参数范围、目标横向峰值温度和目标纵 向峰值温度，并使用预设的粒子群优化算法对硅通孔半径、硅 通孔间距和绝缘层厚度进行优化，输出优化后的硅通孔半径、 硅通孔间距和绝缘层厚度。
集成电路上设置的硅通孔的参数不同，使得该集成电路的 电特性不同，并且该硅通孔的硅通孔半径、硅通孔间距和绝缘 层厚度对硅通孔阵列的峰值温度有影响，因此改变该阵列的设 计参数，就可以改变该阵列的峰值温度，即硅通孔阵列的峰值 温度与硅通孔半径、硅通孔间距和绝缘层厚度有关，即本申请 通过该硅通孔半径、硅通孔间距和绝缘层厚度的值计算该硅通 孔的峰值温度，需要获取该硅通孔半径、硅通孔间距和绝缘层 厚度的参数，该硅通孔半径、硅通孔间距和绝缘层厚度的参数 的精确度越高，计算得到的硅通孔的峰值温度的精度越高。
将该硅通孔阵列人为的分为横向硅通孔阵列和纵向硅通孔 阵列，本申请方法通过分别计算硅通孔阵列的横向硅通孔阵列 和纵向硅通孔阵列的峰值温度，然后通过预设硅通孔阵列峰值 温度多目标优化函数优化纵向峰值温度和横向峰值温度，计算 得到硅通孔阵列的峰值温度，为了进一步的说明，在此先计算 纵向峰值温度。
图3为本申请实施例提供的另一种硅通孔阵列峰值温度和 参数的优化方法的流程示意图；如图3所示，具体的，该S101 的步骤具体包括：
S201、将硅通孔半径、硅通孔间距和绝缘层厚度的参数范 围、目标横向峰值温度和目标纵向峰值温度输入到预设的粒子 群优化算法中，并确定预设的粒子群优化算法中多组粒子的位 置与粒子的速度。
粒子群优化算法中将多个粒子设置在一个空间内部，即输 入的硅通孔半径、硅通孔间距和绝缘层厚度的参数范围所限定 的空间，粒子的位置为硅通孔半径、硅通孔间距和绝缘层厚度， 粒子的速度为粒子的位置为硅通孔半径、硅通孔间距和绝缘层 厚度的调整步长，即每次更新粒子的位置时硅通孔半径、硅通 孔间距和绝缘层厚度要调整的大小，确定预设的粒子群优化算 法中多组粒子的位置与粒子的速度。
可选地，粒子群优化算法是一种常用的种群优化算法，具 有结构简单和易于实施等优点。将建立的神经网络模型和优化 准则集成到粒子群优化算法中，利用惯性权值线性递减的粒子 群优化算法优化三维集成电路中TSV阵列的设计参数，惯性权 值线性递减的粒子群优化算法可以描述为：
vi(t+1)＝wvi(t)+c1r1(pi-xi(t))+c2r2(pg-xi(t))
xi(t+1)＝xi(t)+vi(t+1)
Figure RE-GDA0003397311430000131
其中：xi和vi分别表示第i个粒子的位置向量和速度向量，w 表示惯性权值，pi表示局部最优位置，pg表示全局最优位置，c1和c2是常数，r1和r2是[0,1]之间的随机数，iter表示当前迭代次数， itermax表示最大迭代次数，wmax和wmin分别表示惯性权值的最大值 和最小值。
可选地，该粒子群优化算法相当于一种对应关系。具体到 本实施例，输入目标横向峰值温度和目标纵向峰值温度和硅通 孔半径、硅通孔间距和绝缘层厚度的参数范围，通过比较每一 组参数对于目标横向峰值温度和目标纵向峰值温度的适应度大 小来调整硅通孔半径、硅通孔间距和绝缘层厚度的数值大小， 并不断地进行迭代。最终输出最优的硅通孔半径、硅通孔间距 和绝缘层厚度。
S202、将多组粒子的硅通孔半径、硅通孔间距和绝缘层厚 度输入到预设的硅通孔阵列纵向峰值温度神经网络模型和硅通 孔阵列横向峰值温度神经网络模型中，计算得到纵向峰值温度 和横向峰值温度。
为了方便说明，在此以该粒子群优化算法中的粒子数量为 30组进行说明，每组粒子的位置均代表该相对应的硅通孔半径、 硅通孔间距和绝缘层厚度三个参数，分别将30组粒子的参数代 入到预设的硅通孔阵列纵向和横向峰值温度神经网络模型中， 计算得到纵向峰值温度和横向峰值温度。
根据预设硅通孔阵列纵向峰值温度神经网络模型计算硅通 孔的纵向峰值温度。
具体的，该预设硅通孔阵列纵向峰值温度神经网络模型为：
Figure BDA0003293194630000151
Figure BDA0003293194630000152
其中，gLT(·)表示TSV阵列纵向峰值温度神经网络模型的激 活函数，ex表示以自然常数e为底的指数函数，LT表示TSV阵 列纵向峰值温度，U为硅通孔半径、硅通孔间距和绝缘层厚度的 参数，W1 LT和
Figure BDA0003293194630000153
分别表示TSV阵列纵向峰值温度神经网络模型 中输入层到隐含层的权值矩阵和偏置项，且为已知量，
Figure BDA0003293194630000154
和
Figure BDA0003293194630000155
表示TSV阵列纵向峰值温度神经网络模型中隐含层到输出层的 权值矩阵和偏置项，且为已知量。
将该硅通孔半径、硅通孔间距和绝缘层厚度作为输入量， 输入到该预设硅通孔阵列纵向峰值温度神经网络模型中，进行 计算，得到硅通孔的纵向峰值温度，上述的预设硅通孔阵列纵 向峰值温度神经网络模型中输入层到隐含层的权值矩阵和偏置 项、隐含层到输出层的权值矩阵和偏置项均为已知量，在此不 做具体限定。
根据预设硅通孔阵列横向峰值温度神经网络模型计算硅通 孔的横向峰值温度。
具体的，该预设硅通孔阵列横向峰值温度神经网络模型为：
Figure BDA0003293194630000156
Figure BDA0003293194630000157
其中，gTT(·)表示TSV阵列横向峰值温度神经网络模型的激 活函数，e-x表示以自然常数e为底的指数函数，TT表示TSV阵 列横向峰值温度，U为硅通孔半径、硅通孔间距和绝缘层厚度的 参数，W1 TT和
Figure BDA0003293194630000161
分别表示TSV阵列横向峰值温度神经网络模型中 输入层到隐含层的权值矩阵和偏置项，且为已知量，
Figure BDA0003293194630000162
和
Figure BDA0003293194630000163
表 示TSV阵列横向峰值温度神经网络模型中隐含层到输出层的权 值矩阵和偏置项，且为已知量。
将硅通孔半径、硅通孔间距和绝缘层厚度的参数作为输入 量代入到上述的预设硅通孔阵列横向峰值温度神经网络模型 中，计算得到该硅通孔阵列横向峰值温度，在该预设硅通孔阵 列横向峰值温度神经网络模型中输入层到隐含层的权值矩阵和 偏置项、隐含层到输出层的权值矩阵和偏置项均为已知量，在 此不做具体限定。
TSV阵列纵向峰值温度和横向峰值温度神经网络模型的激 活函数优势在于可以快速准确地反映出TSV阵列纵向峰值温度 和横向峰值温度与硅通孔半径、硅通孔间距和绝缘层厚度之间 的映射关系，而不需要经过有限元仿真软件的复杂计算。
S203、将多组粒子计算得到的横向峰值温度、纵向峰值温 度、目标横向峰值温度和目标纵向峰值温度代入到预设的多目 标优化函数中，计算得到适应度。
该多目标优化函数的J表示TSV阵列峰值温度多目标优化 准则，也相当于此处的适应度，由于粒子的数量具有30组，则 得到的适应度也应该存在30个。
具体的，该预设硅通孔阵列峰值温度多目标优化函数为：
J＝α(LT-LTdes)2+β(TT-TTdes)2；
其中，J表示TSV阵列峰值温度多目标优化准则，LT和TT表 示TSV阵列纵向和横向峰值温度，LTdes和TTdes分别表示目标的 TSV阵列纵向和横向峰值温度，α和β分别表示TSV阵列纵向和 横向峰值温度的优化权值系数，且为已知量。
上述预设硅通孔阵列峰值温度多目标优化函数，好处在于， 在同一问题模型中同时存在多个优化目标，即LT和TT，这些 目标函数需要同时进行优化处理。然而在优化过程中，一个子 目标的改善有可能会引起另一个子目标的性能降低，因此需要 在它们中间进行协调和折中处理，通过调整权值系数使各个子 目标都尽可能地达到最优化。
将通过预设硅通孔阵列峰值温度神经网络模型计算得到的 硅通孔的纵向峰值温度和横向峰值温度作为输入量，代入到该 预设硅通孔阵列峰值温度多目标优化函数中，输出每个粒子对 应的适应度，且该预设硅通孔阵列峰值温度多目标优化函数中 的已知量根据实际需要进行设置，在此不做具体限定。
S204、比较多组粒子的适应度大小，并进行多次迭代，将 迭代后最小适应度对应的粒子的硅通孔半径、硅通孔间距和绝 缘层厚度作为优化后的参数输出。
适应度与硅通孔半径、硅通孔间距和绝缘层厚度具有对应 关系，多次迭代确定最小适应度，然后通过最小适应度确定优 化后的硅通孔半径、硅通孔间距和绝缘层厚度。
S102、将优化后的硅通孔半径、硅通孔间距和绝缘层厚度 输入到预设的硅通孔阵列纵向峰值温度神经网络模型和硅通孔 阵列横向峰值温度神经网络模型中，计算得到该优化后的硅通 孔半径、硅通孔间距和绝缘层厚度对应的横向峰值温度和纵向 峰值温度。
S103、分别计算目标纵向峰值温度和横向峰值温度的第一 差值，以及目标横向峰值温度和横向峰值温度的第二差值。
上述参数中，目标纵向峰值温度和目标横向峰值温度均为 已知量，该纵向峰值温度和横向峰值温度为上述S102计算得到 的量，分别计算目标纵向峰值温度和横向峰值温度的第一差值， 以及目标横向峰值温度和横向峰值温度的第二差值。
S104、若第一差值和第二差值均不大于预设阈值，则将优 化后的硅通孔半径、硅通孔间距和绝缘层厚度，以及计算得到 横向峰值温度和纵向峰值温度作为优化结果进行输出。
该预设阈值的值根据实际需要进行设置，在此不做具体限 定，若该第一差值和第二差值均不大于预设阈值，则将优化后 的硅通孔半径、硅通孔间距和绝缘层厚度，以及计算得到横向 峰值温度和纵向峰值温度作为优化结果进行输出；若该第一差 值和第二差值有一个大于预设阈值，则继续执行S102的步骤。
图4为本申请实施例提供的一种硅通孔阵列峰值温度和参 数的优化方法运行30次后的TSV半径优化结果示意图；图5为 本申请实施例提供的一种硅通孔阵列峰值温度和参数的优化方 法运行30次后的TSV间距优化结果示意图；图6为本申请实施 例提供的一种硅通孔阵列峰值温度和参数的优化方法运行30次 后的绝缘层厚度优化结果示意图；如图4、图5和图6所示，结 果显示，在相同条件下TSV半径优化30次后的结果几乎完全一 致，在相同条件下TSV间距优化30次后的结果几乎完全一致， 在相同条件下绝缘层厚度优化30次后的结果几乎完全一致。
图7为本申请实施例提供的一种硅通孔阵列峰值温度和参 数的优化方法运行30次后对应的TSV阵列纵向峰值温度结果示 意图；图8为本申请实施例提供的一种硅通孔阵列峰值温度和参 数的优化方法的运行30次后对应的TSV阵列横向峰值温度结果 示意图；如图7和图8所示，在相同条件下优化30次后TSV阵 列纵向峰值温度的结果几乎完全一致，且与目标纵向峰值温度 保持一致，在相同条件下优化30次后TSV阵列横向峰值温度的 结果几乎完全一致，且与目标横向峰值温度保持一致。即表示 本申请通过优化后得到的横向峰值温度与目标横向峰值温度基 本相同，得到的纵向峰值温度与目标纵向峰值温度基本相同。
图9为本申请实施例根据优化的TSV阵列设计参数利用 COMSOL软件对纵向峰值温度进行有限元模拟验证的结果图；
图10为本申请实施例根据优化的TSV阵列设计参数利用 COMSOL软件对横向峰值温度进行有限元模拟验证的结果；如 图9和图10所示，结果显示，优化后的TSV阵列设计参数经过 有限元仿真得到的纵向峰值温度与优化后的纵向峰值温度几乎 一致；结果显示，优化后的TSV阵列设计参数经过有限元仿真 得到的横向峰值温度与优化后的横向峰值温度几乎一致。即表 示本申请通过优化后的参数得到的纵向峰值温度与目标纵向峰 值温度基本相同，得到的横向峰值温度与目标横向峰值温度基 本相同。
可选地，该方法还包括建立数据库和数据库匹配的过程， 具体的步骤包括：
步骤1：建立热量分别沿TSV阵列纵向和横向传播的温度 场有限元模型；
所述三维有限元模型的设计参数包括TSV半径、TSV间距 和绝缘层厚度。其性能指标主要有TSV阵列纵向峰值温度和 TSV阵列横向峰值温度。
步骤2：按照正交设计方案，进行有限元模拟仿真实验，获 取TSV阵列设计参数与峰值温度数据库；
步骤3：基于数据库训练并建立TSV阵列设计参数与峰值 温度映射关系模型；
描述三维有限元模型的TSV阵列设计参数与峰值温度映射 关系的神经网络模型是由COMSOL软件结合正交设计方法获取 模拟实验数据，利用反向传播算法训练建立的，此神经网络模 型包含输入层、隐含层和输出层，TSV阵列纵向峰值温度神经 网络模型可以表示为：
Figure BDA0003293194630000211
Figure BDA0003293194630000212
Figure BDA0003293194630000221
其中，gLT(·)表示TSV阵列纵向峰值温度神经网络模型的激 活函数
Figure BDA0003293194630000222
ex表示以自然常数e为底的指数函数，LT和 U分别表示TSV阵列纵向峰值温度和设计参数，W1 LT和
Figure BDA0003293194630000223
分别表 示TSV阵列纵向峰值温度神经网络模型中输入层到隐含层的权 值矩阵和偏置项，
Figure BDA0003293194630000224
和
Figure BDA0003293194630000225
表示TSV阵列纵向峰值温度神经网 络模型中隐含层到输出层的权值矩阵和偏置项。
TSV阵列横向峰值温度神经网络模型可以表示为：
Figure BDA0003293194630000226
Figure BDA0003293194630000227
Figure BDA0003293194630000228
其中，gTT(·)表示TSV阵列横向峰值温度神经网络模型的激 活函数
Figure BDA0003293194630000231
e-x表示以自然常数e为底的指数函数，TT和 U分别表示TSV阵列横向峰值温度和设计参数，W1 TT和
Figure BDA0003293194630000232
分别表 示TSV阵列横向峰值温度神经网络模型中输入层到隐含层的权 值矩阵和偏置项，
Figure BDA0003293194630000233
和
Figure BDA0003293194630000234
表示TSV阵列横向峰值温度神经网络 模型中隐含层到输出层的权值矩阵和偏置项。
本申请提供一种本申请提供一种硅通孔阵列峰值温度和参 数的优化系统，系统包括：输入模块、第一计算模块、第二计 算模块和输出模块；输入模块用于在预设的粒子群优化算法中 输入硅通孔半径、硅通孔间距和绝缘层厚度的参数范围、目标 横向峰值温度和目标纵向峰值温度，并使用预设的粒子群优化 算法对硅通孔半径、硅通孔间距和绝缘层厚度进行优化，输出 优化后的硅通孔半径、硅通孔间距和绝缘层厚度；第一计算模 块用于将优化后的硅通孔半径、硅通孔间距和绝缘层厚度输入 到预设的硅通孔阵列纵向峰值温度神经网络模型和硅通孔阵列 横向峰值温度神经网络模型中，计算得到横向峰值温度和纵向 峰值温度；第二计算模块用于分别计算目标纵向峰值温度和横 向峰值温度的第一差值，以及目标纵向峰值温度和纵向峰值温 度的第二差值；输出模块用于若第一差值和第二差值均不大于 预设阈值，则将优化后的硅通孔半径、硅通孔间距和绝缘层厚 度，以及计算得到横向峰值温度和纵向峰值温度作为优化结果 进行输出。
可选地，该预设硅通孔阵列纵向峰值温度神经网络模型为：
Figure BDA0003293194630000241
Figure BDA0003293194630000242
其中，gLT(·)表示TSV阵列纵向峰值温度神经网络模型的激 活函数，ex表示以自然常数e为底的指数函数，LT表示TSV阵 列纵向峰值温度，U为硅通孔半径、硅通孔间距和绝缘层厚度的 参数，W1 LT和
Figure BDA0003293194630000243
分别表示TSV阵列纵向峰值温度神经网络模型 中输入层到隐含层的权值矩阵和偏置项，且为已知量，
Figure BDA0003293194630000244
和
Figure BDA0003293194630000245
表示TSV阵列纵向峰值温度神经网络模型中隐含层到输出层的 权值矩阵和偏置项，且为已知量。
可选地，该预设硅通孔阵列横向峰值温度神经网络模型为：
Figure BDA00032931946300002410
Figure BDA0003293194630000246
其中，gTT(·)表示TSV阵列横向峰值温度神经网络模型的激 活函数，e-x表示以自然常数e为底的指数函数，TT表示TSV阵 列横向峰值温度，U为硅通孔半径、硅通孔间距和绝缘层厚度的 参数，W1 TT和
Figure BDA0003293194630000247
分别表示TSV阵列横向峰值温度神经网络模型中 输入层到隐含层的权值矩阵和偏置项，且为已知量，
Figure BDA0003293194630000248
和
Figure BDA0003293194630000249
表 示TSV阵列横向峰值温度神经网络模型中隐含层到输出层的权 值矩阵和偏置项，且为已知量。
可选地，该预设硅通孔阵列峰值温度多目标优化函数为：
J＝α(LT-LTdes)2+β(TT-TTdes)2；
其中，J表示TSV阵列峰值温度多目标优化准则，LT和TT表 示TSV阵列纵向和横向峰值温度，LTdes和TTdes分别表示目标的 TSV阵列纵向和横向峰值温度，α和β分别表示TSV阵列纵向和 横向峰值温度的优化权值系数，且为已知量。
本申请提供一种电子设备，包括：存储器、处理器及存储 在存储器上并可在处理器上运行的计算机程序，所述处理器执 行所述程序时实现上述硅通孔阵列峰值温度和参数的优化方 法。
本申请提供一种计算机可读存储介质，所述计算机可读存 储介质包括计算机程序，所述计算机程序运行时控制所述计算 机可读存储介质所在电子设备执行上述硅通孔阵列峰值温度和 参数的优化方法。
以上仅为本发明的优选实施例而已，并不用于限制本发明， 对于本领域的技术人员来说，本发明可以有各种更改和变化。 凡在本发明的精神和原则之内，所作的任何修改、等同替换、 改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种硅通孔阵列峰值温度和参数的优化方法，其特征在于，所述方法包括：
在预设的粒子群优化算法中输入硅通孔半径、硅通孔间距和绝缘层厚度的参数范围、目标横向峰值温度和目标纵向峰值温度，并使用所述预设的粒子群优化算法对所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度进行优化，输出优化后的硅通孔半径、硅通孔间距和绝缘层厚度；
将优化后的所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度输入到预设的硅通孔阵列纵向峰值温度神经网络模型和硅通孔阵列横向峰值温度神经网络模型中，计算得到横向峰值温度和纵向峰值温度；
分别计算所述目标横向峰值温度和所述横向峰值温度的第一差值，以及所述目标纵向峰值温度和所述纵向峰值温度的第二差值；
若所述第一差值和所述第二差值均不大于预设阈值，则将优化后的所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度，以及计算得到横向峰值温度和纵向峰值温度作为优化结果进行输出。
2.根据权利要求1所述的硅通孔阵列峰值温度和参数的优化方法，其特征在于，所述在预设的粒子群优化算法中输入硅通孔半径、硅通孔间距和绝缘层厚度的参数范围、目标横向峰值温度和目标纵向峰值温度，并使用所述预设的粒子群优化算法对所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度进行优化，输出优化后的硅通孔半径、硅通孔间距和绝缘层厚度的步骤具体包括：
将所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度的参数范围、目标横向峰值温度和目标纵向峰值温度输入到所述预设的粒子群优化算法中，并确定所述预设的粒子群优化算法中多组粒子的位置与粒子的速度，其中，所述粒子的位置为所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度，所述粒子的速度为所述粒子的位置为所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度的调整步长；
将多组所述粒子的所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度输入到所述预设的硅通孔阵列纵向峰值温度神经网络模型和硅通孔阵列横向峰值温度神经网络模型中，计算得到横向峰值温度和纵向峰值温度；
将多组所述粒子计算得到的所述横向峰值温度、所述纵向峰值温度、所述目标横向峰值温度和所述目标纵向峰值温度代入到预设的多目标优化函数中，计算得到适应度；
比较多组所述粒子对应的适应度的大小，并进行多次迭代，将迭代后最小适应度对应的粒子的所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度作为优化后的参数输出。
3.根据权利要求2所述的硅通孔阵列峰值温度和参数的优化方法，其特征在于，所述预设硅通孔阵列纵向峰值温度神经网络模型为：
Figure FDA0003293194620000031
Figure FDA0003293194620000032
其中，gLT(·)表示TSV阵列纵向峰值温度神经网络模型的激活函数，ex表示以自然常数e为底的指数函数，LT表示TSV阵列纵向峰值温度，U为硅通孔半径、硅通孔间距和绝缘层厚度的参数，W1 LT和
Figure FDA0003293194620000033
分别表示TSV阵列纵向峰值温度神经网络模型中输入层到隐含层的权值矩阵和偏置项，且为已知量，
Figure FDA0003293194620000034
和
Figure FDA0003293194620000035
表示TSV阵列纵向峰值温度神经网络模型中隐含层到输出层的权值矩阵和偏置项，且为已知量。
4.根据权利要求3所述的硅通孔阵列峰值温度和参数的优化方法，其特征在于，所述预设硅通孔阵列横向峰值温度神经网络模型为：
Figure FDA0003293194620000041
Figure FDA0003293194620000042
其中，gTT(·)表示TSV阵列横向峰值温度神经网络模型的激活函数，e-x表示以自然常数e为底的指数函数，TT表示TSV阵列横向峰值温度，U为硅通孔半径、硅通孔间距和绝缘层厚度的参数，W1 TT和
Figure FDA0003293194620000043
分别表示TSV阵列横向峰值温度神经网络模型中输入层到隐含层的权值矩阵和偏置项，且为已知量，
Figure FDA0003293194620000044
和
Figure FDA0003293194620000045
表示TSV阵列横向峰值温度神经网络模型中隐含层到输出层的权值矩阵和偏置项，且为已知量。
5.根据权利要求4所述的硅通孔阵列峰值温度和参数的优化方法，其特征在于，所述预设硅通孔阵列峰值温度多目标优化函数为：
J＝α(LT-LTdes)2+β(TT-TTdes)2；
其中，J表示TSV阵列峰值温度多目标优化准则，LT和TT表示TSV阵列纵向和横向峰值温度，LTdes和TTdes分别表示目标的TSV阵列纵向和横向峰值温度，α和β分别表示TSV阵列纵向和横向峰值温度的优化权值系数，且为已知量。
6.一种硅通孔阵列峰值温度和参数的优化系统，其特征在于，所述系统包括：输入模块、第一计算模块、第二计算模块和输出模块；所述输入模块用于在预设的粒子群优化算法中输入硅通孔半径、硅通孔间距和绝缘层厚度的参数范围、目标横向峰值温度和目标纵向峰值温度，并使用所述预设的粒子群优化算法对所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度进行优化，输出优化后的硅通孔半径、硅通孔间距和绝缘层厚度；所述第一计算模块用于将优化后的所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度输入到预设的硅通孔阵列纵向峰值温度神经网络模型和硅通孔阵列横向峰值温度神经网络模型中，计算得到横向峰值温度和纵向峰值温度；所述第二计算模块用于分别计算所述目标横向峰值温度和所述横向峰值温度的第一差值，以及所述目标纵向峰值温度和所述纵向峰值温度的第二差值；所述输出模块用于若所述第一差值和所述第二差值均不大于预设阈值，则将优化后的所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度，以及计算得到横向峰值温度和纵向峰值温度作为优化结果进行输出。
7.根据权利要求6所述的硅通孔阵列峰值温度和参数的优化方法，其特征在于，所述第一计算模块具体用于：将所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度的参数范围、目标横向峰值温度和目标纵向峰值温度输入到所述预设的粒子群优化算法中，并确定所述预设的粒子群优化算法中多组粒子的位置与粒子的速度，其中，所述粒子的位置为所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度，所述粒子的速度为所述粒子的位置为所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度的调整步长；将多组所述粒子的所述硅通孔半径、所述硅通孔间距和所述绝缘层厚度输入到所述预设的硅通孔阵列纵向峰值温度神经网络模型和硅通孔阵列横向峰值温度神经网络模型中，计算得到横向峰值温度和纵向峰值温度；将多组所述粒子计算得到的所述横向峰值温度、所述纵向峰值温度、所述目标横向峰值温度和所述目标纵向峰值温度代入到预设的多目标优化函数中，计算得到适应度；比较多组粒子对应的适应度的大小，并进行多次迭代，将迭代后最小适应度对应的粒子的硅通孔半径、硅通孔间距和绝缘层厚度作为优化后的参数输出。
8.根据权利要求7所述的硅通孔阵列峰值温度和参数的优化系统，其特征在于，所述预设硅通孔阵列纵向峰值温度神经网络模型为：
Figure FDA0003293194620000061
Figure FDA0003293194620000062
其中，gLT(·)表示TSV阵列纵向峰值温度神经网络模型的激活函数，ex表示以自然常数e为底的指数函数，LT表示TSV阵列纵向峰值温度，U为硅通孔半径、硅通孔间距和绝缘层厚度的参数，W1 LT和
Figure FDA0003293194620000063
分别表示TSV阵列纵向峰值温度神经网络模型中输入层到隐含层的权值矩阵和偏置项，且为已知量，
Figure FDA0003293194620000064
和
Figure FDA0003293194620000065
表示TSV阵列纵向峰值温度神经网络模型中隐含层到输出层的权值矩阵和偏置项，且为已知量。
9.根据权利要求8所述的硅通孔阵列峰值温度和参数的优化系统，其特征在于，所述预设硅通孔阵列横向峰值温度神经网络模型为：
Figure FDA0003293194620000071
Figure FDA0003293194620000072
其中，gTT(·)表示TSV阵列横向峰值温度神经网络模型的激活函数，e-x表示以自然常数e为底的指数函数，TT表示TSV阵列横向峰值温度，U为硅通孔半径、硅通孔间距和绝缘层厚度的参数，W1 TT和
Figure FDA0003293194620000073
分别表示TSV阵列横向峰值温度神经网络模型中输入层到隐含层的权值矩阵和偏置项，且为已知量，
Figure FDA0003293194620000074
和
Figure FDA0003293194620000075
表示TSV阵列横向峰值温度神经网络模型中隐含层到输出层的权值矩阵和偏置项，且为已知量。
10.根据权利要求9所述的硅通孔阵列峰值温度和参数的优化系统，其特征在于，所述预设硅通孔阵列峰值温度多目标优化函数为：
J＝α(LT-LTdes)2+β(TT-TTdes)2；
其中，J表示TSV阵列峰值温度多目标优化准则，LT和TT表示TSV阵列纵向和横向峰值温度，LTdes和TTdes分别表示目标的TSV阵列纵向和横向峰值温度，α和β分别表示TSV阵列纵向和横向峰值温度的优化权值系数，且为已知量。
CN202111171043.2A 2021-10-08 2021-10-08 硅通孔阵列峰值温度和参数的优化方法及系统 Active CN113919253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111171043.2A CN113919253B (zh) 2021-10-08 2021-10-08 硅通孔阵列峰值温度和参数的优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111171043.2A CN113919253B (zh) 2021-10-08 2021-10-08 硅通孔阵列峰值温度和参数的优化方法及系统

Publications (2)

Publication Number Publication Date
CN113919253A true CN113919253A (zh) 2022-01-11
CN113919253B CN113919253B (zh) 2023-08-11

Family

ID=79238093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111171043.2A Active CN113919253B (zh) 2021-10-08 2021-10-08 硅通孔阵列峰值温度和参数的优化方法及系统

Country Status (1)

Country Link
CN (1) CN113919253B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062576A (zh) * 2022-06-13 2022-09-16 西安电子科技大学 一种三维集成系统散热tsv阵列的设计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232372A (zh) * 2019-06-26 2019-09-13 电子科技大学成都学院 基于粒子群优化bp神经网络的步态识别方法
US20200019837A1 (en) * 2018-07-11 2020-01-16 The Board Of Trustees Of The Leland Stanford Junior University Methods and apparatus for spiking neural network computing based on a multi-layer kernel architecture
WO2020191686A1 (zh) * 2019-03-27 2020-10-01 华为技术有限公司 一种基于神经网络的功率分配方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200019837A1 (en) * 2018-07-11 2020-01-16 The Board Of Trustees Of The Leland Stanford Junior University Methods and apparatus for spiking neural network computing based on a multi-layer kernel architecture
WO2020191686A1 (zh) * 2019-03-27 2020-10-01 华为技术有限公司 一种基于神经网络的功率分配方法及装置
CN110232372A (zh) * 2019-06-26 2019-09-13 电子科技大学成都学院 基于粒子群优化bp神经网络的步态识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王倩;王布宏;李龙军;刘通;: "模拟退火粒子群算法的同心圆阵稀疏优化设计", 空军工程大学学报(自然科学版), no. 06 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062576A (zh) * 2022-06-13 2022-09-16 西安电子科技大学 一种三维集成系统散热tsv阵列的设计方法

Also Published As

Publication number Publication date
CN113919253B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN108052387B (zh) 一种移动云计算中的资源分配预测方法及系统
CN111563589B (zh) 一种神经网络模型的量化方法及装置
CN113158589B (zh) 一种电池管理系统的仿真模型校准方法以及装置
CN112597610B (zh) 机械臂结构轻量化设计的优化方法、装置及设备
US10908675B2 (en) Electronic device for signal processing with embedded optimization of electrical energy consumption and a corresponding method
CN105701568A (zh) 一种启发式的配电网状态估计量测位置快速优化方法
Jin et al. Advanced cognition-driven EM optimization incorporating transfer function-based feature surrogate for microwave filters
CN113919253A (zh) 硅通孔阵列峰值温度和参数的优化方法及系统
CN118153519B (zh) 基于自适应ldg方法的集成电路互连线寄生电容提取方法
CN117193503A (zh) 基于物联网的散热主机电源运行监测方法
CN114676522B (zh) 融合gan和迁移学习的气动形状优化设计方法及系统及设备
CN106372348A (zh) 一种线性系统中基于误差控制的矢量拟合模型降阶方法
CN111313998B (zh) 一种统计信道模型验证方法及装置
Barros et al. A fog model for dynamic load flow analysis in smart grids
CN104950261B (zh) 电池的硬件在环仿真测试方法及系统
CN113868863A (zh) 一种用于不确定结构目标的统计电磁dgtd计算方法
CN115659607A (zh) 一种多层透波结构的确定方法
CN113536489B (zh) 一种组件封装的连接构型和工艺参数确定方法
CN116224070A (zh) 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统
CN108268982B (zh) 一种大规模有源配电网分解策略评价方法和装置
CN113298843B (zh) 数据量化处理方法、装置、电子设备和存储介质
CN108805319B (zh) 一种风电功率建模最优状态数的确定方法及系统
CN113868946B (zh) 集成fem和anfis的硅通孔阵列峰值温度快速预测方法及系统
CN117195761B (zh) 一种基于流场离散度自适应的计算加速方法
CN118312701B (zh) 一种大地电磁反演方法、装置及计算机程序产品

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