CN114021355A - 串扰延时预测方法、装置、终端设备和可读存储介质 - Google Patents

Abstract

本申请公开了一种串扰延时预测方法、装置、终端设备和可读存储介质。该方法利用预先训练好的串扰信号预测模型基于所述待预测受扰网络的自身属性参数集合和所述第i个干扰位点的位点属性参数集合可以快速、准确、稳定的预测出所述待预测受扰网络的第i个干扰位点的第i个串扰信号值，并且，利用预先训练好的串扰延时预测模型基于全部串扰信号值和所述待预测受扰网络的串扰关键参数集合可以快速、准确、稳定的预测所述待预测受扰网络的串扰延时。本申请的串扰延时的预测过程更为简单、高效，可以大大提高STA中的信号完整性分析效率、并且有效减少计算成本。

Description

串扰延时预测方法、装置、终端设备和可读存储介质

技术领域

本发明涉及半导体技术领域，尤其涉及一种串扰延时预测方法、装置、终端设备和可读存储介质。

背景技术

在集成电路的设计过程中，静态时序分析(Static Timing Analysis,STA)是贯穿始终、不可或缺的验证步骤。对于电路中路径时序的严格要求使得设计人员不得不频繁调用STA工具，以避免时序冲突的发生。当前STA的运行效率主要受两大因素的制约：其一是算法本身的复杂性，其二则是不可避免的串扰效应。

在算法稳定的情况下，集成电路技术不断探索，金属层数增加、连线收窄且设备间存在大量互连等现象，导致电路出现耦合效应，当这种耦合效应达到一定程度时，其产生的毛刺和串扰噪声信号会显著改变原本信号的波形，造成信号延时的变化，甚至影响电路的逻辑功能。

现有技术中引入了信号完整性(Signal Integrity，SI)的概念以分析这些日益严重的串扰问题。例如，为了得到相对准确的结果，业界普遍依托于电流源模型，对电路信号的波形进行仿真计算，通过多次迭代获得一个收敛的最终结果以确定串扰引起的串扰延时。但是，这种仿真计算不但占用大量的计算资源，而且相当费时。

发明内容

鉴于上述问题，本申请提出一种串扰延时预测方法、装置、终端设备和可读存储介质。

第一方面，本申请实施例提出一种串扰延时预测方法，所述方法包括：

获取待预测受扰网络的自身属性参数集合、所述待预测受扰网络的串扰关键参数集合和第i个干扰位点的位点属性参数集合，所述第i个干扰位点为所述待预测受扰网络相应的干扰者对所述待预测受扰网络产生干扰的一个点，1≤i≤I，I为影响所述待预测受扰网络的干扰位点的总数；

利用预先训练好的串扰信号预测模型基于所述待预测受扰网络的自身属性参数集合和所述第i个干扰位点的位点属性参数集合预测所述待预测受扰网络的第i个干扰位点的第i个串扰信号值；

利用预先训练好的串扰延时预测模型基于I个串扰信号值和所述待预测受扰网络的串扰关键参数集合预测所述待预测受扰网络的串扰延时。

本申请实施例所述的串扰延时预测方法，所述利用预先训练好的串扰延时预测模型基于I个串扰信号值和所述待预测受扰网络的串扰关键参数集合预测所述待预测受扰网络的串扰延时，包括：

将I个串扰信号值按照从大到小的顺序排列以获得串扰信号序列；

确定I是否大于预定数目；

在I大于等于所述预定数目的情况下，根据所述串扰信号序列中排序靠前的预定数目的串扰信号值和所述串扰关键参数集合确定一个特征向量；或者在I小于所述预定数目的情况下，在所述串扰信号序列的后面增加预定补充值以使所述串扰信号序列包括所述预定数目的串扰信号值，根据所述预定数目的串扰信号值和所述串扰关键参数集合确定一个特征向量；

将所述特征向量输入至预先训练好的串扰延时预测模型，以通过所述预先训练好的串扰延时预测模型预测所述待预测受扰网络的串扰延时。

本申请实施例所述的串扰延时预测方法，所述待预测受扰网络的自身属性参数集合包括：所述待预测受扰网络的累积电容的电容值、所述待预测受扰网络的切换信号的过渡时间和所述待预测受扰网络的总耦合电容的电容值中的至少一种。

本申请实施例所述的串扰延时预测方法，获取所述第i个干扰位点的位点属性参数集合，包括：

确定所述第i个干扰位点对应的第i个串扰模型的驱动等效电阻的第一阻值、所述第i个干扰位点上游电阻的第二阻值、所述第i个干扰位点下游电阻的第三阻值、所述第i个串扰模型中所述待预测受扰网络与所述干扰者的耦合电容的电容值、所述第i个串扰模型中所述待预测受扰网络输出处的负载电容的电容值、所述第i个串扰模型中所述干扰者的切换信号的过渡时间、所述第i个串扰模型中第一连线电容的电容值和所述第i个串扰模型中第二连线电容的电容值；

基于所述第一阻值、所述第二阻值和所述耦合电容的电容值确定所述第i个串扰模型的第一时间参数；

基于所述第一阻值、所述第二阻值、所述第三阻值、所述耦合电容的电容值、所述负载电容的电容值、所述第一连线电容的电容值和所述第二连线电容的电容值确定所述第i个串扰模型的第二时间参数；

根据所述第一阻值、所述第二阻值、所述耦合电容的电容值、所述负载电容的电容值、所述第一时间参数、所述第二时间参数和所述干扰者切换信号的过渡时间确定所述第i个干扰位点的位点属性参数集合。

本申请实施例所述的串扰延时预测方法，利用以下公式确定所述第i个串扰模型的所述第一时间参数：

t_xi＝(R_di+R_si)*C_xi

t_xi表示所述第i个串扰模型的所述第一时间参数，R_di表示所述第i个串扰模型的驱动等效电阻的第一阻值，R_si所述第i个干扰位点上游电阻的第二阻值，C_xi表示所述第i个串扰模型中所述待预测受扰网络与所述干扰者的所述耦合电容的电容值。

本申请实施例所述的串扰延时预测方法，利用以下公式确定所述第i个串扰模型的第二时间参数，包括：

t_vi＝(R_di+R_si)*(C_xi+C_2i+C_Li)+(R_ei*C_Li+R_di*C_1i)

t_vi表示所述第i个串扰模型的第二时间参数，R_di表示所述第i个串扰模型的驱动等效电阻的第一阻值，R_si所述第i个干扰位点上游电阻的第二阻值，C_xi表示所述第i个串扰模型中所述待预测受扰网络与所述干扰者的所述耦合电容的电容值，C_Li表示所述第i个串扰模型中所述待预测受扰网络输出处的所述负载电容的电容值，C_1i表示所述第i个串扰模型中的所述第一连线电容的电容值，C_2i表示所述第i个串扰模型中的所述第二连线电容的电容值。

本申请实施例所述的串扰延时预测方法，所述串扰关键参数集合包括连接所述待预测受扰网络的驱动引脚处切换信号的过渡时间、与所述待预测受扰网络的输出端连接的负载单元的输入引脚处切换信号的过渡时间、所述负载单元的输出引脚处切换信号的过渡时间、所述驱动引脚处的非信号完整性模式时延、所述输入引脚处的非信号完整性模式时延、所述输出引脚处的非信号完整性模式时延和所述负载单元的电压级别中的至少一种。

第二方面，本申请实施例所述的串扰延时预测方法，还包括：预先获取第一训练数据集，并利用所述第一训练数据集迭代训练所述串扰信号预测模型直至所述串扰信号预测模型对应的损失函数收敛为止；

所述预先获取第一训练数据集包括：

获取第j个用于训练的受扰网络的自身属性参数集合，1≤j≤J，J为用于训练的受扰网络的总数；

获取所述第j个用于训练的受扰网络中与一个干扰位点相关的位点属性参数集合；

计算所述一个干扰位点对应的串扰模型输出的信号波形的峰值电压和所述信号波形对应的时间段的乘积；

根据所述第j个用于训练的受扰网络的自身属性参数集合和所述第j个用于训练的受扰网络对应的位点属性参数集合确定所述第一训练数据集中的第j个信号训练样本，所述第j个信号训练样本对应的标签为所述乘积。

第三方面，本申请实施例所述的串扰延时预测方法，还包括：预先获取第二训练数据集，并利用所述第二训练数据集迭代训练所述串扰延时预测模型直至所述串扰延时预测模型对应的损失函数收敛为止；

所述预先获取第二训练数据集包括：

获取第j个用于训练的受扰网络的串扰关键参数集合和第j个用于训练的受扰网络的信号完整性模式时延；

利用所述预先训练好的串扰信号预测模型基于所述第j个用于训练的受扰网络的自身属性参数集合和每一个干扰位点的位点属性参数集合预测所述第j个用于训练的受扰网络的每一个串扰信号值；

根据所述第j个用于训练的受扰网络的串扰关键参数集合和全部串扰信号值确定所述第二训练数据集中的第j个延时训练样本，所述第j个延时训练样本对应的标签为所述信号完整性模式时延。

第四方面，本申请实施例还提出一种串扰延时预测装置，所述装置包括：

参数获取模块，用于获取待预测受扰网络的自身属性参数集合、所述待预测受扰网络的串扰关键参数集合和第i个干扰位点的位点属性参数集合，所述第i个干扰位点为所述待预测受扰网络相应的干扰者对所述待预测受扰网络产生干扰的一个点，1≤i≤I，I为影响所述待预测受扰网络的干扰位点的总数；

信号预测模块，用于利用预先训练好的串扰信号预测模型基于所述待预测受扰网络的自身属性参数集合和所述第i个干扰位点的位点属性参数集合预测所述待预测受扰网络的第i个干扰位点的第i个串扰信号值；

延时预测模块，用于利用预先训练好的串扰延时预测模型基于I个串扰信号值和所述待预测受扰网络的串扰关键参数集合预测所述待预测受扰网络的串扰延时。

第五方面，本申请实施例还提出一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行本申请实施例所述的串扰延时预测方法。

第六方面，本申请实施例还提出一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行本申请实施例所述的串扰延时预测方法。

本申请利用预先训练好的串扰信号预测模型基于所述待预测受扰网络的自身属性参数集合和所述第i个干扰位点的位点属性参数集合可以快速、准确、稳定的预测出所述待预测受扰网络的第i个干扰位点的第i个串扰信号值，并且，利用预先训练好的串扰延时预测模型基于全部串扰信号值和所述待预测受扰网络的串扰关键参数集合可以快速、准确、稳定的预测所述待预测受扰网络的串扰延时。本申请的串扰延时的预测过程更为简单、高效，可以大大提高STA中的信号完整性分析效率、并且有效减少计算成本。

附图说明

为了更清楚地说明本发明的技术方案，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本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。

图1示出了本申请实施例提出的一种同一受扰者与单个干扰者存在单个干扰位点的示意图；

图2示出了本申请实施例提出的一种同一受扰者与单个干扰者存在多个干扰位点的示意图；

图3示出了本申请实施例提出的一种同一受扰者与多个干扰者存在多个干扰位点的示意图；

图4示出了本申请实施例中提出的一种串扰延时预测方法的流程示意图；

图5示出了本申请实施例中提出的一种串扰模型的结构示意图；

图6示出了本申请实施例中提出的一种分析模型的结构示意图；

图7示出了本申请实施例中提出的一种串扰延时预测方法中预测串扰延时的流程示意图；

图8示出了本申请实施例中提出的一种预先训练串扰信号预测模型的方法的流程示意图；

图9示出了本申请实施例中提出的一种预先训练串扰延时预测模型的方法的流程示意图；

图10示出了本申请实施例中提出的一种串扰延时预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例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发明一部分实施例，而不是全部的实施例。

通常在此处附图中描述和示出的本发明实施例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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，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，都属于本发明保护的范围。

在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。

为了便于分析，本申请实施例中，将一段连续走线之间的相互耦合抽象为一个干扰位点，并将其作为串扰噪声信号的来源。可以理解的是，干扰位点并不是一个真正的连接点，仅仅是一个会对信号产生干扰的一个位点。

在深亚微米电路设计中，互连电路的走线设计十分复杂，普遍存在以下状况：

同一受扰者与单个干扰者存在单个干扰位点；

同一受扰者与单个干扰者存在多个干扰位点；

同一受扰者与多个干扰者存在多个干扰位点。

示例性的，请参见图1，本申请实施例中，给出一种同一受扰者与单个干扰者存在单个干扰位点的情况，即若将第一单元的引脚1与第二单元的引脚3之间的连线作为一个受扰者，那么第一单元的引脚2与第二单元的引脚2之间的连线则是一个干扰者，a作为一个干扰位点，该例中的受扰者、干扰者与干扰位点组成了一个受扰网络。

示例性的，请参见图2，本申请实施例中，给出一种同一受扰者与单个干扰者存在多个干扰位点的情况，即若将第一单元的引脚1与第二单元的引脚3之间的连线作为一个受扰者，那么第一单元的引脚2与第二单元的引脚4之间的连线则是一个干扰者，a和b作为两个干扰位点，该例中的受扰者、干扰者与两个干扰位点组成了一个受扰网络。

示例性的，请参见图3，本申请实施例中，给出一种同一受扰者与多个干扰者存在多个干扰位点，即若将第一单元的引脚1与第二单元的引脚3之间的连线作为一个受扰者，那么第一单元的引脚2与第二单元的引脚2之间的连线则是第一个干扰者，第一单元的引脚4与第二单元的引脚1之间的连线则是第二个干扰者，a是第一个干扰者对该受扰网络产生的第一个干扰位点，c是第二个干扰者对该受扰者产生的第二个干扰位点，该例中的受扰者、两个干扰者与两个干扰位点组成了一个受扰网络。

下面将以具体的实施例对本申请的技术方案进行详细的解释说明。

实施例1

请参见图4，本申请实施例中，提出一种串扰延时预测方法，该方法包括以下步骤S100～S300：

步骤S100，获取待预测受扰网络的自身属性参数集合、所述待预测受扰网络的串扰关键参数集合和第i个干扰位点的位点属性参数集合，所述第i个干扰位点为所述待预测受扰网络相应的干扰者对所述待预测受扰网络产生干扰的一个点，1≤i≤I，I为影响所述待预测受扰网络的干扰位点的总数。

其中，待预测受扰网络的自身属性参数集合和所述第i个干扰位点的位点属性参数集合用于预测所述待预测受扰网络的第i个干扰位点的第i个串扰信号值。待预测受扰网络的串扰关键参数集合用于预测所述待预测受扰网络的串扰延时。

经验证，待预测受扰网络的累积电容的电容值C_ty、所述待预测受扰网络的切换信号的过渡时间t_vic,ry和所述待预测受扰网络的总耦合电容的电容值C_c,ty均会影响待预测受扰网络的串扰延时，因此，待预测受扰网络的自身属性参数集合包括所述待预测受扰网络的累积电容的电容值、所述待预测受扰网络的切换信号的过渡时间和所述待预测受扰网络的总耦合电容的电容值中的至少一种。可以理解，优选的，在待预测受扰网络的自身属性参数集合包括所述待预测受扰网络的累积电容的电容值、所述待预测受扰网络的切换信号的过渡时间和所述待预测受扰网络的总耦合电容的电容值时，串扰信号预测模型对待预测受扰网络的串扰信号的预测效果最好，预测精度最高。

进一步的，请参见图5，本实施例中，为了确定待预测受扰网络的各个干扰位点的位点属性参数集合，引入一种串扰模型，图5中的串扰模型是包括一个干扰位点o的串扰模型干扰位点o将受扰网络划分为三部分：耦合前、耦合中和耦合后，并通过RC值的分布反映干扰位点o在受扰网络中的相对位置。

以图5中的串扰模型为例，若将干扰位点o作为第i个干扰位点，则可以确定待预测受扰网络的第i个干扰位点对应的第i个串扰模型，R_di为第i个串扰模型的驱动等效电阻的第一阻值、R_si为所述第i个干扰位点上游电阻的第二阻值、R_ei为所述第i个干扰位点下游电阻的第三阻值、C_xi为所述待预测受扰网络与所述干扰者的耦合电容的电容值、C_Li为所述待预测受扰网络输出处的负载电容的电容值、t_agg,ri为所述待预测受扰网络的一个干扰者的切换信号的过渡时间、C_1i为第i个串扰模型的第一连线电容的电容值和C_2i为第i个串扰模型的第二连线电容的电容值。

进一步的，基于R_di、R_si和C_xi可以确定第i个串扰模型的第一时间参数t_xi，例如，第i个串扰模型的第一时间参数t_xi＝(R_di+R_si)*C_xi。

进一步的，基于第i个串扰模型中的R_di、R_si、R_ei、C_xi、C_Li、C_1i和C_2i可以确定第i个串扰模型的第二时间参数，例如，第i个串扰模型的第二时间参数t_vi＝(R_di+R_si)*(C_xi+C_2i+C_Li)+(R_ei*C_Li+R_di*C_1i)。

进一步的，根据第i个串扰模型中的R_di、R_si、C_xi、C_Li、第一时间参数t_xi、t_vi和t_agg,ri可以确定第i个干扰位点的位点属性参数集合。可以理解，优选的，在第i个干扰位点的位点属性参数集合包括R_di、R_si、C_xi、C_Li、第一时间参数t_xi、t_vi和t_agg,ri时，串扰信号预测模型对待预测受扰网络的串扰信号的预测效果最好，预测精度最高。

需要说明的是，本实施例中提出的串扰模型，不仅考虑了串扰噪声信号的强度与干扰位点处的等效耦合强度(通常以耦合电容、干扰者切换信号的过渡时间等参数)相关，还考虑了串扰噪声信号也随着干扰位点的位置变化而变化。因此，本实施例中提出的串扰模型可以对互连电路进行更加准确的建模。

进一步的，请参见图6，本实施例中，为了确定待预测受扰网络的串扰关键参数集合中的各个参数，引入一种分析模型，包括驱动单元100、总串扰效应模拟单元200和负载单元300，节点K1处作为连接待预测受扰网络的驱动引脚，节点K2处作为负载单元300的输入引脚，节点K3处作为负载单元300的输出引脚。电路信号活动从驱动单元100的驱动引脚输入，受到串扰信号的影响后到达负载单元300，该信号同时也会受到电路下游负载单元300的影响。

因此，待预测受扰网络的串扰关键参数集合包括连接所述待预测受扰网络的驱动引脚处切换信号的过渡时间t_r1y、与所述待预测受扰网络的输出端连接的负载单元300的输入引脚处切换信号的过渡时间t_r2y、与待预测受扰网络连接的负载单元300的输出引脚处切换信号的过渡时间t_r3y、待预测受扰网络的驱动引脚处的非信号完整性模式时延D_1y、与待预测受扰网络连接的负载单元300的输入引脚处的非信号完整性模式时延D_2y、与待预测受扰网络连接的负载单元300的输出引脚处的非信号完整性模式时延D_3y和所述负载单元300的电压级别V_thy中的至少一种。可以理解，优选的，在待预测受扰网络的串扰关键参数集合包括V_thy，t_r1y，t_r2y，t_r3y，D_1y，D_2y，D_3y时，串扰延时预测模型对待预测受扰网络的串扰延时的预测效果最好，预测精度最高。

步骤S200，利用预先训练好的串扰信号预测模型基于所述待预测受扰网络的自身属性参数集合和所述第i个干扰位点的位点属性参数集合预测所述待预测受扰网络的第i个干扰位点的第i个串扰信号值。

示例性的，根据待预测受扰网络的自身属性参数集合和所述第i个干扰位点的位点属性参数集合可以确定第i个特征向量：x_1i＝(R_di，R_si，C_xi，C_Li，t_xi，t_vi，C_ty，t_agg,ri，t_vic,ry，C_c,ty)^T，将该特征向量预先训练好的串扰信号预测模型，预先训练好的串扰信号预测模型可以对将该特征向量对应的待预测受扰网络进行预测，得到待预测受扰网络的第i个干扰位点的第i个串扰信号值。

可以理解，待预测受扰网络的干扰位点可能有多个，通过该步骤S200可以确定待预测受扰网络的全部干扰位点对应的串扰信号值。

步骤S300，利用预先训练好的串扰延时预测模型基于I个串扰信号值和所述待预测受扰网络的串扰关键参数集合预测所述待预测受扰网络的串扰延时。

可以理解，不同的受扰网络所对应的干扰位点的总数是不相同的，若想要使用预先训练好的串扰延时预测模型可以基于I个串扰信号值和所述待预测受扰网络的串扰关键参数集合预测所述待预测受扰网络的串扰延时，则需要保证将输入至串扰延时预测模型的串扰信号值的数目为预定数目，即使用预定数目的串扰信号值与串扰关键参数集合中的各个参数组成预定大小的特征向量，再将该特征向量输入至预先训练好的串扰延时预测模型，得到待预测受扰网络的串扰延时。

本实施例中，进一步考虑了I大于等于预定数目和小于预定数目的两种情况下，确定特征向量的两种实施例方式，示例性的，请参见图7，可以利用以下步骤S310～S350基于I的大小确定特征向量：

步骤S310，将I个串扰信号值按照从大到小的顺序排列以获得串扰信号序列。

可以理解，串扰信号值越大，对待预测受扰网络的影响越大，本实施例中，通过对I个串扰信号值按照从大到小的顺序排列以获得串扰信号序列，以确定在串扰信号序列中排序越靠前的串扰信号值，对于串扰延时的预测过程越重要。

步骤S320，确定I是否大于等于预定数目。

在I大于等于所述预定数目的情况下，执行步骤S330和S350，在I小于所述预定数目的情况下，执行步骤S340和S350。

其中，预定数目可以记为m，需要说明的是，在利用预先训练好的串扰延时预测模型预测待预测受扰网络的串扰延时，预定数目为m，同样的，在预先训练串扰延时预测模型时，也要保证预定数目为m。

步骤S330，根据所述串扰信号序列中排序靠前的预定数目的串扰信号值和所述串扰关键参数集合确定一个特征向量。

可以理解，在I大于等于所述预定数目的情况下，预定数目的串扰信号值对应的子向量可以表示为B_m＝{b₁，b₂，……，b_m}，m≤I，b₁为串扰信号序列中位于第一位的串扰信号值，b₂为串扰信号序列中位于第二位的串扰信号值，b_m为串扰信号序列中位于第m位的串扰信号值。

步骤S340，在所述串扰信号序列的后面增加预定补充值以使所述串扰信号序列包括所述预定数目的串扰信号值，根据所述预定数目的串扰信号值和所述串扰关键参数集合确定一个特征向量。

可以理解，在I小于所述预定数目的情况下，预定数目的串扰信号值对应的子向量可以表示为B_m＝{b₁，b₂，……，b_n，0，……，0}，b_n为串扰信号序列中位于第n位的串扰信号值，n小于m。

进一步的，步骤S330和步骤S340中，还基于各自获得的子向量B_m与V_thy，t_r1y，t_r2y，t_r3y，D_1y，D_2y，D_3y可以确定一个特征向量，示例性的，该特征向量可以表示为x_2i＝(V_thy，t_r1y，t_r2y，t_r3y，D_1y，D_2y，D_3y，B_m)^T。

步骤S350，将所述特征向量输入至预先训练好的串扰延时预测模型，以通过所述预先训练好的串扰延时预测模型预测所述待预测受扰网络的串扰延时。

本实施例中，利用预先训练好的串扰信号预测模型基于所述待预测受扰网络的自身属性参数集合和所述第i个干扰位点的位点属性参数集合可以快速、准确、稳定的预测出所述待预测受扰网络的第i个干扰位点的第i个串扰信号值，并且，利用预先训练好的串扰延时预测模型基于全部串扰信号值和所述待预测受扰网络的串扰关键参数集合可以快速、准确、稳定的预测所述待预测受扰网络的串扰延时。本实施例的串扰延时的预测过程更为简单、高效，可以大大提高STA中的信号完整性分析效率、并且有效减少计算成本。

实施例2

请参见图8，本申请实施例中，提出一种预先训练串扰信号预测模型的方法，该方法需要预先获取第一训练数据集，并利用所述第一训练数据集迭代训练所述串扰信号预测模型直至所述串扰信号预测模型对应的损失函数收敛为止。

可以理解，串扰信号预测模型是一种非线性模型，需要大量的训练样本对其进行多次迭代训练，以得到串扰信号预测模型的各个参数对应的最优值。

进一步的，预先获取第一训练数据集包括以下步骤：

步骤S10，获取第j个用于训练的受扰网络的自身属性参数集合，1≤j≤J，J为用于训练的受扰网络的总数。

可以理解，用于训练的受扰网络的自身属性参数集合与待预测受扰网络的自身属性参数集合中的参数个数和类型应保持一致。例如，用于训练的受扰网络的自身属性参数集合可以表示为{C_tj，t_vic,rj，C_c,tj}，其中，C_tj为第j个用于训练的受扰网络的累积电容的电容值，t_vic,rj为第j个用于训练的受扰网络的切换信号的过渡时间，C_c,tj为第j个用于训练的受扰网络的总耦合电容的电容值。

步骤S20，获取所述第j个用于训练的受扰网络中与一个干扰位点相关的位点属性参数集合。

确定第j个用于训练的受扰网络中与一个干扰位点相关的位点属性参数集合，同样需要确定该干扰位点对应的串扰模型，并且，该干扰位点的位点属性参数集合与待预测受扰网络的位点属性参数集合中的参数个数和类型应保持一致。

示例性的，第j个用于训练的受扰网络中与一个干扰位点相关的位点属性参数集合可以表示为{R_dj，R_sj，C_xj，C_Lj，t_xj，t_vj，t_agg,rj}。其中，R_dj为第j个用于训练的受扰网络中与一个干扰位点相关的第一阻值、R_sj为第j个用于训练的受扰网络中与一个干扰位点相关的第二阻值、C_xj为第j个用于训练的受扰网络中与一个干扰位点相关的耦合电容的电容值、C_Lj为第j个用于训练的受扰网络中与一个干扰位点相关的负载电容的电容值、t_xj为第j个用于训练的受扰网络中与一个干扰位点相关的第一时间参数、t_vj为第j个用于训练的受扰网络中与一个干扰位点相关的所述第二时间参数和t_agg,rj为第j个用于训练的受扰网络中与一个干扰位点相关的干扰者切换信号的过渡时间。

步骤S30，计算所述一个干扰位点对应的串扰模型输出的信号波形的峰值电压和所述信号波形对应的时间段的乘积。

该步骤是通过时间段和峰值电压的乘积确定的面积，以将该面积作为一个训练样本的标签。

步骤S40，根据所述第j个用于训练的受扰网络的自身属性参数集合和所述第j个用于训练的受扰网络对应的位点属性参数集合确定所述第一训练数据集中的第j个信号训练样本，所述第j个信号训练样本对应的标签为所述乘积。

示例性的，第j个信号训练样本可以表示为x_1j＝(R_dj，R_sj，C_xj，C_Lj，t_xj，t_vj，Ct_j，t_agg,rj，t_vic,rj，C_c,tj)^T。

可以理解，通过重复执行J次上述步骤S10～S40，可以获得J个信号训练样本，进而利用J个信号训练样本对串扰信号预测模型进行迭代训练，可以获得训练好的串扰信号预测模型。基于该训练好的串扰信号预测模型可以快速准确的确定任一个受扰网络的受扰信号值。

实施例3

请参见图9，本申请实施例中，提出一种预先训练上述实施例1中串扰延时预测模型的方法，该方法包括预先获取第二训练数据集，并利用所述第二训练数据集迭代训练所述串扰延时预测模型直至所述串扰延时预测模型对应的损失函数收敛为止。

进一步的，预先获取第二训练数据集包括以下步骤：

步骤S50，获取第j个用于训练的受扰网络的串扰关键参数集合和第j个用于训练的受扰网络的信号完整性模式时延。

第j个用于训练的受扰网络的串扰关键参数集合应与待预测受扰网络的串扰关键参数集合保持一致，例如，第j个用于训练的受扰网络的串扰关键参数集合可以表示为{V_thj，t_r1j，t_r2j，t_r3j，D_1j，D_2j，D_3j}，其中，t_r1j为连接第j个用于训练的受扰网络的驱动引脚处切换信号的过渡时间、t_r2j为与第j个用于训练的受扰网络的输出端连接的负载单元的输入引脚处切换信号的过渡时间、t_r3j为与第j个用于训练的受扰网络连接的负载单元的输出引脚处切换信号的过渡时间、D_1j为第j个用于训练的受扰网络的驱动引脚处的非信号完整性模式时延、D_2j为与第j个用于训练的受扰网络连接的负载单元的输入引脚处的非信号完整性模式时延、D_3j为与第j个用于训练的受扰网络连接的负载单元的输出引脚处的非信号完整性模式时延和V_thy为与第j个用于训练的受扰网络连接的负载单元的电压级别。

步骤S60，利用所述预先训练好的串扰信号预测模型基于所述第j个用于训练的受扰网络的自身属性参数集合和每一个干扰位点的位点属性参数集合预测所述第j个用于训练的受扰网络的每一个串扰信号值。

步骤S70，根据所述第j个用于训练的受扰网络的串扰关键参数集合和全部串扰信号值确定所述第二训练数据集中的第j个延时训练样本，所述第j个延时训练样本对应的标签为所述信号完整性模式时延。

可以理解，训练时，仍需对全部串扰信号值按照从大到小的顺序排序，并基于全部串扰信号值总数按照不同的方法确定全部串扰信号值对应的子向量，例如，若第j个用于训练的受扰网络的全部串扰信号值的总数小于预定数目m，则第j个子向量可以表示为B_mj＝{b_1j，b_2j，……，b_nj，0，……，0}，b_nj为第j个用于训练的受扰网络对应的全部串扰信号值中位于第n位的串扰信号值，n小于m，m小于等于第j个用于训练的受扰网络的全部串扰信号值的总数；若第j个用于训练的受扰网络的全部串扰信号值的总数大于等于预定数目m，则第j个子向量可以表示为B_mj＝{b_1j，b_2j，……，b_mj}，b_mj为第j个用于训练的受扰网络对应的全部串扰信号值中位于第m位的串扰信号值。

示例性的，第j个延时训练样本可以表示为x_2j＝(V_thj，t_r1j，t_r2j，t_r3j，D_1j，D_2j，D_3j，B_mj)^T。

可以理解，通过重复执行J次上述步骤S50～S70，可以获得J个延时训练样本，进而利用J个延时训练样本对串扰延时预测模型进行迭代训练，可以获得训练好的串扰延时预测模型。基于该训练好的串扰延时预测模型可以快速准确的确定任一个受扰网络的串扰延时。

实施例4

请参见图10，本申请实施例中，还提出一种串扰延时预测装置10，该串扰延时预测装置10包括：参数获取模块11、信号预测模块12和延时预测模块13。

参数获取模块11，用于获取待预测受扰网络的自身属性参数集合、所述待预测受扰网络的串扰关键参数集合和第i个干扰位点的位点属性参数集合，所述第i个干扰位点为所述待预测受扰网络相应的干扰者对所述待预测受扰网络产生干扰的一个点，1≤i≤I，I为影响所述待预测受扰网络的干扰位点的总数；信号预测模块12，用于利用预先训练好的串扰信号预测模型基于所述待预测受扰网络的自身属性参数集合和所述第i个干扰位点的位点属性参数集合预测所述待预测受扰网络的第i个干扰位点的第i个串扰信号值；延时预测模块13，用于利用预先训练好的串扰延时预测模型基于I个串扰信号值和所述待预测受扰网络的串扰关键参数集合预测所述待预测受扰网络的串扰延时。

进一步的，本申请实施例，还提出一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行本申请上述实施例所述的串扰延时预测方法。

进一步的，本申请实施例，还提出一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行本申请上述实施例所述的串扰延时预测方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能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，可以存储在一个可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (12)

1.一种串扰延时预测方法，其特征在于，所述方法包括：

获取待预测受扰网络的自身属性参数集合、所述待预测受扰网络的串扰关键参数集合和第i个干扰位点的位点属性参数集合，所述第i个干扰位点为所述待预测受扰网络相应的干扰者对所述待预测受扰网络产生干扰的一个点，1≤i≤I，I为影响所述待预测受扰网络的干扰位点的总数；

利用预先训练好的串扰信号预测模型基于所述待预测受扰网络的自身属性参数集合和所述第i个干扰位点的位点属性参数集合预测所述待预测受扰网络的第i个干扰位点的第i个串扰信号值；

利用预先训练好的串扰延时预测模型基于I个串扰信号值和所述待预测受扰网络的串扰关键参数集合预测所述待预测受扰网络的串扰延时。

2.根据权利要求1所述的串扰延时预测方法，其特征在于，所述利用预先训练好的串扰延时预测模型基于I个串扰信号值和所述待预测受扰网络的串扰关键参数集合预测所述待预测受扰网络的串扰延时，包括：

将I个串扰信号值按照从大到小的顺序排列以获得串扰信号序列；

确定I是否大于等于预定数目；

在I大于等于所述预定数目的情况下，根据所述串扰信号序列中排序靠前的预定数目的串扰信号值和所述串扰关键参数集合确定一个特征向量；或者在I小于所述预定数目的情况下，在所述串扰信号序列的后面增加预定补充值以使所述串扰信号序列包括所述预定数目的串扰信号值，根据所述预定数目的串扰信号值和所述串扰关键参数集合确定一个特征向量；

将所述特征向量输入至预先训练好的串扰延时预测模型，以通过所述预先训练好的串扰延时预测模型预测所述待预测受扰网络的串扰延时。

3.根据权利要求1所述的串扰延时预测方法，其特征在于，所述待预测受扰网络的自身属性参数集合包括：所述待预测受扰网络的累积电容的电容值、所述待预测受扰网络的切换信号的过渡时间和所述待预测受扰网络的总耦合电容的电容值中的至少一种。

4.根据权利要求1所述的串扰延时预测方法，其特征在于，获取所述第i个干扰位点的位点属性参数集合，包括：

确定所述第i个干扰位点对应的第i个串扰模型的驱动等效电阻的第一阻值、所述第i个干扰位点上游电阻的第二阻值、所述第i个干扰位点下游电阻的第三阻值、所述第i个串扰模型中所述待预测受扰网络与所述干扰者的耦合电容的电容值、所述第i个串扰模型中所述待预测受扰网络输出处的负载电容的电容值、所述第i个串扰模型中所述干扰者的切换信号的过渡时间、所述第i个串扰模型中第一连线电容的电容值和所述第i个串扰模型中第二连线电容的电容值；

基于所述第一阻值、所述第二阻值和所述耦合电容的电容值确定所述第i个串扰模型的第一时间参数；

基于所述第一阻值、所述第二阻值、所述第三阻值、所述耦合电容的电容值、所述负载电容的电容值、所述第一连线电容的电容值和所述第二连线电容的电容值确定所述第i个串扰模型的第二时间参数；

根据所述第一阻值、所述第二阻值、所述耦合电容的电容值、所述负载电容的电容值、所述第一时间参数、所述第二时间参数和所述干扰者切换信号的过渡时间确定所述第i个干扰位点的位点属性参数集合。

5.根据权利要求4所述的串扰延时预测方法，其特征在于，利用以下公式确定所述第i个串扰模型的所述第一时间参数：

t_xi＝(R_di+R_si)*C_xi

t_xi表示所述第i个串扰模型的所述第一时间参数，R_di表示所述第i个串扰模型的驱动等效电阻的第一阻值，R_si所述第i个干扰位点上游电阻的第二阻值，C_xi表示所述第i个串扰模型中所述待预测受扰网络与所述干扰者的所述耦合电容的电容值。

6.根据权利要求4所述的串扰延时预测方法，其特征在于，利用以下公式确定所述第i个串扰模型的第二时间参数，包括：

t_vi＝(R_di+R_si)*(C_xi+C_2i+C_Li)+(R_ei*C_Li+R_di*C_1i)

t_vi表示所述第i个串扰模型的第二时间参数，R_di表示所述第i个串扰模型的驱动等效电阻的第一阻值，R_si所述第i个干扰位点上游电阻的第二阻值，C_xi表示所述第i个串扰模型中所述待预测受扰网络与所述干扰者的所述耦合电容的电容值，C_Li表示所述第i个串扰模型中所述待预测受扰网络输出处的所述负载电容的电容值，C_1i表示所述第i个串扰模型中的所述第一连线电容的电容值，C_2i表示所述第i个串扰模型中的所述第二连线电容的电容值。

7.根据权利要求1所述的串扰延时预测方法，其特征在于，所述串扰关键参数集合包括连接所述待预测受扰网络的驱动引脚处切换信号的过渡时间、与所述待预测受扰网络的输出端连接的负载单元的输入引脚处切换信号的过渡时间、所述负载单元的输出引脚处切换信号的过渡时间、所述驱动引脚处的非信号完整性模式时延、所述输入引脚处的非信号完整性模式时延、所述输出引脚处的非信号完整性模式时延和所述负载单元的电压级别中的至少一种。

8.根据权利要求1至7任一项所述的串扰延时预测方法，其特征在于，还包括：预先获取第一训练数据集，并利用所述第一训练数据集迭代训练所述串扰信号预测模型直至所述串扰信号预测模型对应的损失函数收敛为止；

所述预先获取第一训练数据集包括：

获取第j个用于训练的受扰网络的自身属性参数集合，1≤j≤J，J为用于训练的受扰网络的总数；

获取所述第j个用于训练的受扰网络中与一个干扰位点相关的位点属性参数集合；

计算所述一个干扰位点对应的串扰模型输出的信号波形的峰值电压和所述信号波形对应的时间段的乘积；

根据所述第j个用于训练的受扰网络的自身属性参数集合和所述第j个用于训练的受扰网络对应的位点属性参数集合确定所述第一训练数据集中的第j个信号训练样本，所述第j个信号训练样本对应的标签为所述乘积。

9.根据权利要求1至7任一项所述的串扰延时预测方法，其特征在于，还包括：预先获取第二训练数据集，并利用所述第二训练数据集迭代训练所述串扰延时预测模型直至所述串扰延时预测模型对应的损失函数收敛为止；

所述预先获取第二训练数据集包括：

获取第j个用于训练的受扰网络的串扰关键参数集合和第j个用于训练的受扰网络的信号完整性模式时延；

利用所述预先训练好的串扰信号预测模型基于所述第j个用于训练的受扰网络的自身属性参数集合和每一个干扰位点的位点属性参数集合预测所述第j个用于训练的受扰网络的每一个串扰信号值；

根据所述第j个用于训练的受扰网络的串扰关键参数集合和全部串扰信号值确定所述第二训练数据集中的第j个延时训练样本，所述第j个延时训练样本对应的标签为所述信号完整性模式时延。

10.一种串扰延时预测装置，其特征在于，所述装置包括：

参数获取模块，用于获取待预测受扰网络的自身属性参数集合、所述待预测受扰网络的串扰关键参数集合和第i个干扰位点的位点属性参数集合，所述第i个干扰位点为所述待预测受扰网络相应的干扰者对所述待预测受扰网络产生干扰的一个点，1≤i≤I，I为影响所述待预测受扰网络的干扰位点的总数；

信号预测模块，用于利用预先训练好的串扰信号预测模型基于所述待预测受扰网络的自身属性参数集合和所述第i个干扰位点的位点属性参数集合预测所述待预测受扰网络的第i个干扰位点的第i个串扰信号值；

延时预测模块，用于利用预先训练好的串扰延时预测模型基于I个串扰信号值和所述待预测受扰网络的串扰关键参数集合预测所述待预测受扰网络的串扰延时。

11.一种终端设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行权利要求1至9任一项所述的串扰延时预测方法。

12.一种可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1至9任一项所述的串扰延时预测方法。

Images