CN114417717A - 印刷电路板的仿真方法及装置 - Google Patents
印刷电路板的仿真方法及装置 Download PDFInfo
- Publication number
- CN114417717A CN114417717A CN202210050392.7A CN202210050392A CN114417717A CN 114417717 A CN114417717 A CN 114417717A CN 202210050392 A CN202210050392 A CN 202210050392A CN 114417717 A CN114417717 A CN 114417717A
- Authority
- CN
- China
- Prior art keywords
- simulation
- network model
- training
- neural network
- source file
- 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
Links
Images
Classifications
-
- 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
- G06N3/08—Learning methods
Abstract
本公开涉及电路仿真技术领域,提供了一种印刷电路板的仿真方法及装置。该方法包括:使用电路仿真软件对第一源文件进行仿真,得到仿真结果;根据第一源文件和仿真结果对神经网络模型进行第一次训练;对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;根据推理结果对神经网络模型进行第二次训练;从经过第二次训练之后的神经网络模型中提取出第一逻辑走线图,并根据仿真结果对第一逻辑走线图进行优化;根据优化后的第一逻辑走线图对神经网络模型进行第三次训练;在检测到仿真请求时,使用经过第三次训练之后的神经网络模型对仿真请求对应的第二源文件进行仿真。
Description
技术领域
本公开涉及电路仿真技术领域,尤其涉及一种印刷电路板的仿真方法及装置。
背景技术
目前在对印刷电路板的电路仿真中,使用的仿真软件都需要使用者对仿真工程文件进行详细的参数设置,且不同的仿真目的其参数的设置完全不同,工程与工程之间又无法通用。倘若发生人为参数设置错误,还会导致仿真结果与实际情况的偏差,造成时间上的浪费。如果可以将神经网络应用到电路仿真中,可以极大的提高电路仿真的效率,但是目前还没有基于神经网络对电路进行仿真的方案。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下技术问题:对印刷电路板进行仿真,效率低的问题。
发明内容
有鉴于此,本公开实施例提供了一种印刷电路板的仿真方法及装置,以解决现有技术中对印刷电路板进行仿真效率低的问题。
本公开实施例的第一方面,提供了一种印刷电路板的仿真方法,包括:获取印刷电路板场景下的第一源文件,并使用电路仿真软件对第一源文件进行仿真,得到仿真结果;根据第一源文件和仿真结果对神经网络模型进行第一次训练;对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;根据推理结果对神经网络模型进行第二次训练;从经过第二次训练之后的神经网络模型中提取出第一逻辑走线图,并根据仿真结果对第一逻辑走线图进行优化;根据优化后的第一逻辑走线图对神经网络模型进行第三次训练;在检测到仿真请求时,使用经过第三次训练之后的神经网络模型对仿真请求对应的第二源文件进行仿真。
本公开实施例的第二方面,提供了一种印刷电路板的仿真装置,包括:第一仿真模块,被配置为获取印刷电路板场景下的第一源文件,并使用电路仿真软件对第一源文件进行仿真,得到仿真结果;第一训练模块,被配置为根据第一源文件和仿真结果对神经网络模型进行第一次训练;推理模块,被配置为对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;第二训练模块,被配置为根据推理结果对神经网络模型进行第二次训练;优化模块,被配置为从经过第二次训练之后的神经网络模型中提取出第一逻辑走线图,并根据仿真结果对第一逻辑走线图进行优化;第三训练模块,被配置为根据优化后的第一逻辑走线图对神经网络模型进行第三次训练;第二仿真模块,被配置为在检测到仿真请求时,使用经过第三次训练之后的神经网络模型对仿真请求对应的第二源文件进行仿真。
本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是:因为本公开实施例通过使用电路仿真软件对第一源文件进行仿真,得到仿真结果;根据第一源文件和仿真结果对神经网络模型进行第一次训练;对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;根据推理结果对神经网络模型进行第二次训练;从经过第二次训练之后的神经网络模型中提取出第一逻辑走线图,并根据仿真结果对第一逻辑走线图进行优化;根据优化后的第一逻辑走线图对神经网络模型进行第三次训练;在检测到仿真请求时,使用经过第三次训练之后的神经网络模型对仿真请求对应的第二源文件进行仿真,因此,采用上述技术手段,可以解决现有技术中对印刷电路板进行仿真效率低的问题,进而提高对印刷电路板的仿真的效率。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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它的附图。
图1是本公开实施例的应用场景的场景示意图;
图2是本公开实施例提供的一种印刷电路板的仿真方法的流程示意图;
图3是本公开实施例提供的一种印刷电路板的仿真装置的结构示意图;
图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本公开实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本公开的描述。
下面将结合附图详细说明根据本公开实施例的一种印刷电路板的仿真方法和装置。
图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。
终端设备1、2和3可以是硬件,也可以是软件。当终端设备1、2和3为硬件时,其可以是具有显示屏且支持与服务器4通信的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等;当终端设备1、2和3为软件时,其可以安装在如上的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块,也可以实现为单个软件或软件模块,本公开实施例对此不作限制。进一步地,终端设备1、2和3上可以安装有各种应用,例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
服务器4可以是提供各种服务的服务器,例如,对与其建立通信连接的终端设备发送的请求进行接收的后台服务器,该后台服务器可以对终端设备发送的请求进行接收和分析等处理,并生成处理结果。服务器4可以是一台服务器,也可以是由若干台服务器组成的服务器集群,或者还可以是一个云计算服务中心,本公开实施例对此不作限制。
需要说明的是,服务器4可以是硬件,也可以是软件。当服务器4为硬件时,其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时,其可以是为终端设备1、2和3提供各种服务的多个软件或软件模块,也可以是为终端设备1、2和3提供各种服务的单个软件或软件模块,本公开实施例对此不作限制。
网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络,也可以是无需布线就能实现各种通信设备互联的无线网络,例如,蓝牙(Bluetooth)、近场通信(Near FieldCommunication,NFC)、红外(Infrared)等,本公开实施例对此不作限制。
用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接,以接收或发送信息等。需要说明的是,终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整,本公开实施例对此不作限制。
图2是本公开实施例提供的一种印刷电路板的仿真方法的流程示意图。图2的印刷电路板的仿真方法可以由图1的终端设备或服务器执行。如图2所示,该印刷电路板的仿真方法包括:
S201,获取印刷电路板场景下的第一源文件,并使用电路仿真软件对第一源文件进行仿真,得到仿真结果;
S202,根据第一源文件和仿真结果对神经网络模型进行第一次训练;
S203,对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;
S204,根据推理结果对神经网络模型进行第二次训练;
S205,从经过第二次训练之后的神经网络模型中提取出第一逻辑走线图,并根据仿真结果对第一逻辑走线图进行优化;
S206,根据优化后的第一逻辑走线图对神经网络模型进行第三次训练;
S207,在检测到仿真请求时,使用经过第三次训练之后的神经网络模型对仿真请求对应的第二源文件进行仿真。
PCB是印刷电路板(即Printed Circuit Board)的简称。印刷电路板是组装电子零件用的基板,是在通用基材上按预定设计形成点间连接及印制元件的印制板。该产品的主要功能是使各种电子零组件形成预定电路的连接,起中继传输的作用,是电子产品的关键电子互连件,有“电子产品之母”之称。
需要说明的是,第一源文件囊括了印刷电路板对应的参数、图片和其他描述印刷电路板信息的文件,例如,过孔文件也属于第一源文件。第一源文件所包含的印刷电路板信息越详细,越可以使得仿真结果贴近实际情况。本公开实施例中的神经网络模型可以是任何一种常见的神经网络模型。推理运算,是一种基于人工智能的前向运算,对第一源文件进行推理运算,得到的推理结果具有第一源文件的内在逻辑。推理运算在数据分析中很常用,在此不再赘述。根据仿真结果对第一逻辑走线图进行优化,是对第一逻辑进行了参数化布线的操作,参数化布线可以理解为参数化和布线操作,因为参数化和布线操为常用的数学方法,在此不再赘述。第一逻辑走线图是电路的元器件之间连接的图,包括了元器件之间连接的方向,根据仿真结果对第一逻辑走线图进行优化,是使得逻辑走线图更加详细更加准确。
在检测到仿真请求时,使用经过第三次训练之后的神经网络模型对仿真请求对应的第二源文件进行仿真。第二源文件是仿真请求对应的印刷电路板场景下的源文件,第二源文件可以为印刷电路板场景对应的参数、图片和文件。比如给经过第三次训练之后的神经网络模型输入仿真请求对应的参数、图片和其他文件中的任意一个或多个,可以得到仿真请求对应的仿真结果。
根据本公开实施例提供的技术方案,因为本公开实施例通过使用电路仿真软件对第一源文件进行仿真,得到仿真结果;根据第一源文件和仿真结果对神经网络模型进行第一次训练;对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;根据推理结果对神经网络模型进行第二次训练;从经过第二次训练之后的神经网络模型中提取出第一逻辑走线图,并根据仿真结果对第一逻辑走线图进行优化;根据优化后的第一逻辑走线图对神经网络模型进行第三次训练;在检测到仿真请求时,使用经过第三次训练之后的神经网络模型对仿真请求对应的第二源文件进行仿真,因此,采用上述技术手段,可以解决现有技术中对印刷电路板进行仿真效率低的问题,进而提高对印刷电路板的仿真的效率。
在一个可选实施例中,印刷电路板场景,包括:大电流场景和数据高速传输场景;
对印刷电路板场景进行场景细分操作后,将大电流场景细分为多个电流区间场景,将数据高速传输场景细分为一般信号传输场景,DDR信号传输场景,PCIE信号传输场景。
举例说明,多个电流区间场景可以为小于10安培的区间,大于10安培的区间小于50安培的区间,大于50安培的区间。一般信号传输场景可以是2-6GHZ的射频信号,DDR信号可以是ddr3、ddr4和ddr5,ddr3、ddr4和ddr5都是计算机内存规格。PCIE是高速串行计算机扩展总线标准,PCIE信号就是使用该高速串行计算机扩展总线标准的信号。需要说明的是,上述大电流场景和数据高速传输场景细分后的场景只是举例,还可以是其他区间或者内存规格的。
在步骤202中,根据第一源文件和仿真结果对神经网络模型进行第一次训练,包括:仿真结果为集总参数,包括:第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗;通过如下步骤对神经网络模型进行第一次训练:使用第一源文件和第一特征阻抗对神经网络模型进行训练,使得将第一源文件输入神经网络模型后,输出的第一源文件对应的第二特征阻抗,与第一特征阻抗间的差值小于第一预设阈值;使用第一源文件和第一串扰对神经网络模型进行训练,使得将第一源文件输入神经网络模型后,输出的第一源文件对应的第二串扰,与第一串扰间的差值小于第二预设阈值;使用第一源文件和第一插入损耗对神经网络模型进行训练,使得将第一源文件输入神经网络模型后,输出的第一源文件对应的第二插入损耗,与第一插入损耗的差值小于第三预设阈值;使用第一源文件和第一回波损耗对神经网络模型进行训练,使得将第一源文件输入神经网络模型后,输出的第一源文件对应的第二回波损耗,与第一回波损耗的差值小于第四预设阈值。
第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗是电路仿真软件对第一源文件进行仿真得到的,第二特征阻抗、第二串扰、第二插入损耗和第二回波损耗是神经网络模型对第一源文件进行仿真得到的。根据第一源文件和仿真结果对神经网络模型进行第一次训练。本公开实施例是在对神经网络模型训练中,依次考虑了第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗。第二特征阻抗,与第一特征阻抗间的差值小于第一预设阈值。
在步骤202中,根据第一源文件和仿真结果对神经网络模型进行第一次训练,包括:仿真结果为集总参数,包括:第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗;使用第一源文件和仿真结果对神经网络模型进行训练,使得将第一源文件输入神经网络模型后,输出的检测结果,与仿真结果对比的误差值小于第五预设阈值;其中,检测结果为第一源文件对应的第二特征阻抗、第二串扰、第二插入损耗和第二回波损耗按照预设权值加权求和后的结果。比如第二特征阻抗相比与第一特征阻抗的误差值小于第五预设阈值。
本公开实施例是在对神经网络模型训练中,综合考虑了第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗。预设权值是一组权值,代表在加权求和中,第二特征阻抗、第二串扰、第二插入损耗和第二回波损耗各自对应的权值。
在步骤204中,根据推理结果对神经网络模型进行第二次训练,包括:确定每次对神经网络模型进行训练的批处理条数,其中,批处理条数用于指示每次训练神经网络模型时,从推理结果中选择的数据的数量;循环执行如下步骤对神经网络模型进行第二次训练:从推理结果中确定出批处理条数个数据;根据确定出的每个数据生成第一矩阵,得到多个第一矩阵;分别将多个第一矩阵依次输入神经网络模型,得到多个第二矩阵;通过神经网络模型的误差函数计算每个第一矩阵与每个第一矩阵所对应的第二矩阵的误差值;根据误差值对神经网络模型进行训练;在当前批次的训练中,在最后一个输入神经网络模型的第一矩阵和最后一个输入神经网络模型的第一矩阵所对应的第二矩阵的误差值小于第六预设阈值时,结束循环。
一个数据相当于一条数据,批处理条数是每次批处理对应的从推理结果中选择数据的个数,如果批处理条数是100,那么从推理结果中确定出批处理条数个数据,就是从推理结果中确定出的100个数据,也就是100条数据,批处理是模型训练中的专有名词,本公开不再解释,推理结果存在多个数据。需要说明的是,确定训练神经网络模型时的批处理条数时,还可以确定神经网络模型的最大模型维度,确定网络各个模块中超参数,例如神经网络模型的网络层数、学习率、学习率衰减、学习种子等超参数。根据确定出的每个数据生成第一矩阵,是将每个数据转换为了矩阵数据,也就是第一矩阵。分别将多个第一矩阵依次输入神经网络模型,得到多个第二矩阵。其中,第二矩阵是神经网络模型根据第一矩阵,预测出的数据。通过误差函数计算每个第一矩阵与每个第一矩阵所对应的第二矩阵的误差值,也就是计算神经网络模型预测的值和真实值之间的差距,最后根据误差值对神经网络模型进行训练。在循环训练中,逐渐减小误差值,提高神经网络模型仿真的准确率,在当前批次训练的最后一个输入神经网络模型的第一矩阵和最后一个输入神经网络模型的第一矩阵所对应的第二矩阵的误差值小于第六预设阈值时,结束循环。需要说明的是,每次循环从推理结果中确定出批处理条数个数据,是可以重复的。
在执行步骤201之后,也就是使用电路仿真软件对第一源文件进行仿真,得到仿真结果之后,方法还包括:对第一源文件和仿真结果进行拟合处理,得到拟合结果,并根据拟合结果构建仿真模型;对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;根据推理结果对仿真模型进行第一次训练;从经过第一次训练之后的仿真模型中提取出第二逻辑走线图,并根据仿真结果对第二逻辑走线图进行优化;根据优化后的第二逻辑走线图对仿真模型进行第二次训练;在检测到仿真请求时,使用经过第二次训练之后的仿真模型对仿真请求对应的第二源文件进行仿真。
可以将神经网络模型替代为仿真模型,本公开实施例就是构建仿真模型,使用仿真模型进行仿真的方法。使用本公开实施例构建的仿真模型和上文经过第三次训练后的神经网络模型都可以用来仿真电路。拟合结果可以一条或者多条公式,根据拟合结果构建仿真模型就是根据公式构建仿真模型。
对第一源文件和仿真结果进行拟合处理,得到拟合结果,并根据拟合结果构建仿真模型之后,方法还包括:使用仿真模型和神经网络模型构建仿真网络模型;根据第一源文件和仿真结果对仿真网络模型进行第一次训练;对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;根据推理结果对仿真网络模型进行第二次训练;从经过第二次训练之后的仿真网络模型中提取出第三逻辑走线图,并根据仿真结果对第三逻辑走线图进行优化;根据优化后的第三逻辑走线图对仿真网络模型进行第三次训练;在检测到仿真请求时,使用经过第三次训练之后的仿真网络模型对仿真请求对应的第二源文件进行仿真。
本公开实施例,还提出了一种使用仿真模型和神经网络模型组成仿真网络模型的方法,并通过仿真网络模型进行仿真,因为,仿真网络模型包括了仿真模型和神经网络模型,所以仿真网络模型的仿真效果是最好的。
根据优化后的第三逻辑走线图对仿真网络模型进行第三次训练,包括:获取验证数据,并根据优化后的第三逻辑走线图,确定出验证数据对应的真实数据;在整个训练过程中,首次训练,在冻结仿真模型的参数的情况下,使用真实数据训练仿真网络模型,以根据训练结果更新神经网络模型的参数;非首次训练,在不冻结仿真模型的情况下,使用真实数据训练仿真网络模型,以根据训练结果更新仿真网络模型中的仿真模型和神经网络模型的参数。
本公开实施例基于仿真网络模型提出了一种全新的训练方法。首次训练,在冻结仿真模型的参数的情况下,使用真实数据训练仿真网络模型,实际上是在训练神经网络模型;非首次训练,在不冻结仿真模型的情况下,使用真实数据训练仿真网络模型,可以理解为对仿真网络模型进行了微调,使得仿真网络模型仿真效果最优。因为拟合结果可以一条或者多条公式,根据拟合结果构建仿真模型就是根据公式构建仿真模型,所以根据训练结果更新仿真模型的参数,实际上就是在调整拟合结果对应的公式的系数。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图3是本公开实施例提供的一种印刷电路板的仿真装置的示意图。如图3所示,该印刷电路板的仿真装置包括:
第一仿真模块301,被配置为获取印刷电路板场景下的第一源文件,并使用电路仿真软件对第一源文件进行仿真,得到仿真结果;
第一训练模块302,被配置为根据第一源文件和仿真结果对神经网络模型进行第一次训练;
推理模块303,被配置为对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;
第二训练模块304,被配置为根据推理结果对神经网络模型进行第二次训练;
优化模块305,被配置为从经过第二次训练之后的神经网络模型中提取出第一逻辑走线图,并根据仿真结果对第一逻辑走线图进行优化;
第三训练模块306,被配置为根据优化后的第一逻辑走线图对神经网络模型进行第三次训练;
第二仿真模块307,被配置为在检测到仿真请求时,使用经过第三次训练之后的神经网络模型对仿真请求对应的第二源文件进行仿真。
PCB是印刷电路板(即Printed Circuit Board)的简称。印刷电路板是组装电子零件用的基板,是在通用基材上按预定设计形成点间连接及印制元件的印制板。该产品的主要功能是使各种电子零组件形成预定电路的连接,起中继传输的作用,是电子产品的关键电子互连件,有“电子产品之母”之称。
需要说明的是,第一源文件囊括了印刷电路板对应的参数、图片和其他描述印刷电路板信息的文件,例如,过孔文件也属于第一源文件。第一源文件所包含的印刷电路板信息越详细,越可以使得仿真结果贴近实际情况。本公开实施例中的神经网络模型可以是任何一种常见的神经网络模型。推理运算,是一种基于人工智能的前向运算,对第一源文件进行推理运算,得到的推理结果具有第一源文件的内在逻辑。推理运算在数据分析中很常用,在此不再赘述。根据仿真结果对第一逻辑走线图进行优化,是对第一逻辑进行了参数化布线的操作,参数化布线可以理解为参数化和布线操作,因为参数化和布线操为常用的数学方法,在此不再赘述。第一逻辑走线图是电路的元器件之间连接的图,包括了元器件之间连接的方向,根据仿真结果对第一逻辑走线图进行优化,是使得逻辑走线图更加详细更加准确。
在检测到仿真请求时,使用经过第三次训练之后的神经网络模型对仿真请求对应的第二源文件进行仿真。第二源文件是仿真请求对应的印刷电路板场景下的源文件,第二源文件可以为印刷电路板对应的参数、图片和其他文件。比如给经过第三次训练之后的神经网络模型输入仿真请求对应的参数、图片和其他文件中的任意一个或多个,可以得到仿真请求对应的仿真结果。
根据本公开实施例提供的技术方案,因为本公开实施例通过使用电路仿真软件对第一源文件进行仿真,得到仿真结果;根据第一源文件和仿真结果对神经网络模型进行第一次训练;对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;根据推理结果对神经网络模型进行第二次训练;从经过第二次训练之后的神经网络模型中提取出第一逻辑走线图,并根据仿真结果对第一逻辑走线图进行优化;根据优化后的第一逻辑走线图对神经网络模型进行第三次训练;在检测到仿真请求时,使用经过第三次训练之后的神经网络模型对仿真请求对应的第二源文件进行仿真,因此,采用上述技术手段,可以解决现有技术中对印刷电路板进行仿真效率低的问题,进而提高对印刷电路板的仿真的效率。
在一个可选实施例中,印刷电路板场景,包括:大电流场景和数据高速传输场景;
对印刷电路板场景进行场景细分操作后,将大电流场景细分为多个电流区间场景,将数据高速传输场景细分为一般信号传输场景,DDR信号传输场景,PCIE信号传输场景。
举例说明,多个电流区间场景可以为小于10安培的区间,大于10安培的区间小于50安培的区间,大于50安培的区间。一般信号传输场景可以是2-6GHZ的射频信号,DDR信号可以是ddr3、ddr4和ddr5,ddr3、ddr4和ddr5都是计算机内存规格。PCIE是高速串行计算机扩展总线标准,PCIE信号就是使用该高速串行计算机扩展总线标准的信号。需要说明的是,上述大电流场景和数据高速传输场景细分后的场景只是举例,还可以是其他区间或者内存规格的。
可选地,第一训练模块302还被配置为仿真结果为集总参数,包括:第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗;通过如下步骤对神经网络模型进行第一次训练:使用第一源文件和第一特征阻抗对神经网络模型进行训练,使得将第一源文件输入神经网络模型后,输出的第一源文件对应的第二特征阻抗,与第一特征阻抗间的差值小于第一预设阈值;使用第一源文件和第一串扰对神经网络模型进行训练,使得将第一源文件输入神经网络模型后,输出的第一源文件对应的第二串扰,与第一串扰间的差值小于第二预设阈值;使用第一源文件和第一插入损耗对神经网络模型进行训练,使得将第一源文件输入神经网络模型后,输出的第一源文件对应的第二插入损耗,与第一插入损耗的差值小于第三预设阈值;使用第一源文件和第一回波损耗对神经网络模型进行训练,使得将第一源文件输入神经网络模型后,输出的第一源文件对应的第二回波损耗,与第一回波损耗的差值小于第四预设阈值。
第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗是电路仿真软件对第一源文件进行仿真得到的,第二特征阻抗、第二串扰、第二插入损耗和第二回波损耗是神经网络模型对第一源文件进行仿真得到的。根据第一源文件和仿真结果对神经网络模型进行第一次训练。本公开实施例是在对神经网络模型训练中,依次考虑了第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗。
可选地,第一训练模块302还被配置为仿真结果为集总参数,包括:第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗;使用第一源文件和仿真结果对神经网络模型进行训练,使得将第一源文件输入神经网络模型后,输出的检测结果,与仿真结果对比的误差值小于第五预设阈值;其中,检测结果为第一源文件对应的第二特征阻抗、第二串扰、第二插入损耗和第二回波损耗按照预设权值加权求和后的结果。
本公开实施例是在对神经网络模型训练中,综合考虑了第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗。预设权值是一组权值,代表在加权求和中,第二特征阻抗、第二串扰、第二插入损耗和第二回波损耗各自对应的权值。
可选地,第二训练模块304还被配置为确定每次对神经网络模型进行训练的批处理条数,其中,批处理条数用于指示每次训练神经网络模型时,从推理结果中选择的数据的数量;循环执行如下步骤对神经网络模型进行第二次训练:从推理结果中确定出批处理条数个数据;根据确定出的每个数据生成第一矩阵,得到多个第一矩阵;分别将多个第一矩阵依次输入神经网络模型,得到多个第二矩阵;通过神经网络模型的误差函数计算每个第一矩阵与每个第一矩阵所对应的第二矩阵的误差值;根据误差值对神经网络模型进行训练;在当前批次的训练中,在最后一个输入神经网络模型的第一矩阵和最后一个输入神经网络模型的第一矩阵所对应的第二矩阵的误差值小于第六预设阈值时,结束循环。
批处理条数是每次批处理对应的从推理结果中选择数据的个数,批处理是模型训练中的专有名词,本公开不再解释,推理结果存在多个数据。需要说明的是,确定训练神经网络模型时的批处理条数时,还可以确定神经网络模型的最大模型维度,确定网络各个模块中超参数,例如神经网络模型的网络层数、学习率、学习率衰减、学习种子等超参数。根据确定出的每个数据生成第一矩阵,是将每个数据转换为了矩阵数据,也就是第一矩阵。分别将多个第一矩阵依次输入神经网络模型,得到多个第二矩阵。其中,第二矩阵是神经网络模型根据第一矩阵,预测出的数据。通过误差函数计算每个第一矩阵与每个第一矩阵所对应的第二矩阵的误差值,也就是计算神经网络模型预测的值和真实值之间的差距,最后根据误差值对神经网络模型进行训练。在循环训练中,逐渐减小误差值,提高神经网络模型仿真的准确率,在当前批次训练的最后一个输入神经网络模型的第一矩阵和最后一个输入神经网络模型的第一矩阵所对应的第二矩阵的误差值小于第六预设阈值时,结束循环。需要说明的是,每次循环从推理结果中确定出批处理条数个数据,是可以重复的。
可选地,第一仿真模块301还被配置为对第一源文件和仿真结果进行拟合处理,得到拟合结果,并根据拟合结果构建仿真模型;对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;根据推理结果对仿真模型进行第一次训练;从经过第一次训练之后的仿真模型中提取出第二逻辑走线图,并根据仿真结果对第二逻辑走线图进行优化;根据优化后的第二逻辑走线图对仿真模型进行第二次训练;在检测到仿真请求时,使用经过第二次训练之后的仿真模型对仿真请求对应的第二源文件进行仿真。
可以将神经网络模型替代为仿真模型,本公开实施例就是构建仿真模型,使用仿真模型进行仿真的方法。使用本公开实施例构建的仿真模型和上文经过第三次训练后的神经网络模型都可以用来仿真电路。拟合结果可以一条或者多条公式,根据拟合结果构建仿真模型就是根据公式构建仿真模型。
可选地,第一仿真模块301还被配置为使用仿真模型和神经网络模型构建仿真网络模型;根据第一源文件和仿真结果对仿真网络模型进行第一次训练;对印刷电路板场景进行场景细分操作,并根据经过场景细分操作后的印刷电路板场景,对第一源文件进行推理运算,得到推理结果;根据推理结果对仿真网络模型进行第二次训练;从经过第二次训练之后的仿真网络模型中提取出第三逻辑走线图,并根据仿真结果对第三逻辑走线图进行优化;根据优化后的第三逻辑走线图对仿真网络模型进行第三次训练;在检测到仿真请求时,使用经过第三次训练之后的仿真网络模型对仿真请求对应的第二源文件进行仿真。
本公开实施例,还提出了一种使用仿真模型和神经网络模型组成仿真网络模型的方法,并通过仿真网络模型进行仿真,因为,仿真网络模型包括了仿真模型和神经网络模型,所以仿真网络模型的仿真效果是最好的。
可选地,第一仿真模块301还被配置为获取验证数据,并根据优化后的第三逻辑走线图,确定出验证数据对应的真实数据;在整个训练过程中,首次训练,在冻结仿真模型的参数的情况下,使用真实数据训练仿真网络模型,以根据训练结果更新神经网络模型的参数;非首次训练,在不冻结仿真模型的情况下,使用真实数据训练仿真网络模型,以根据训练结果更新仿真网络模型中的仿真模型和神经网络模型的参数。
本公开实施例基于仿真网络模型提出了一种全新的训练方法。首次训练,在冻结仿真模型的参数的情况下,使用真实数据训练仿真网络模型,实际上是在训练神经网络模型;非首次训练,在不冻结仿真模型的情况下,使用真实数据训练仿真网络模型,可以理解为对仿真网络模型进行了微调,使得仿真网络模型仿真效果最优。因为拟合结果可以一条或者多条公式,根据拟合结果构建仿真模型就是根据公式构建仿真模型,所以根据训练结果更新仿真模型的参数,实际上就是在调整拟合结果对应的公式的系数。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的电子设备4的示意图。如图4所示,该实施例的电子设备4包括:处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序403可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器402中,并由处理器401执行,以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序403在电子设备4中的执行过程。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器402可以是电子设备4的内部存储单元,例如,电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备,例如,电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,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单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。
Claims (10)
1.一种印刷电路板的仿真方法,其特征在于,包括:
获取印刷电路板场景下的第一源文件,并使用电路仿真软件对所述第一源文件进行仿真,得到仿真结果;
根据所述第一源文件和所述仿真结果对神经网络模型进行第一次训练;
对所述印刷电路板场景进行场景细分操作,并根据经过所述场景细分操作后的印刷电路板场景,对所述第一源文件进行推理运算,得到推理结果;
根据所述推理结果对所述神经网络模型进行第二次训练;
从经过所述第二次训练之后的神经网络模型中提取出第一逻辑走线图,并根据所述仿真结果对所述第一逻辑走线图进行优化;
根据优化后的第一逻辑走线图对所述神经网络模型进行第三次训练;
在检测到仿真请求时,使用经过所述第三次训练之后的神经网络模型对所述仿真请求对应的第二源文件进行仿真。
2.根据权利要求1所述的方法,其特征在于,包括:
印刷电路板场景,包括:大电流场景和数据高速传输场景;
对所述印刷电路板场景进行所述场景细分操作后,将所述大电流场景细分为多个电流区间场景,将所述数据高速传输场景细分为一般信号传输场景,DDR信号传输场景,PCIE信号传输场景。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一源文件和所述仿真结果对神经网络模型进行第一次训练,包括:
所述仿真结果为集总参数,包括:第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗;
通过如下步骤对所述神经网络模型进行第一次训练:
使用所述第一源文件和所述第一特征阻抗对所述神经网络模型进行训练,使得将所述第一源文件输入所述神经网络模型后,输出的所述第一源文件对应的第二特征阻抗,与第一特征阻抗间的差值小于第一预设阈值;
使用所述第一源文件和所述第一串扰对所述神经网络模型进行训练,使得将所述第一源文件输入所述神经网络模型后,输出的所述第一源文件对应的第二串扰,与第一串扰间的差值小于第二预设阈值;
使用所述第一源文件和所述第一插入损耗对所述神经网络模型进行训练,使得将所述第一源文件输入所述神经网络模型后,输出的所述第一源文件对应的第二插入损耗,与第一插入损耗的差值小于第三预设阈值;
使用所述第一源文件和所述第一回波损耗对所述神经网络模型进行训练,使得将所述第一源文件输入所述神经网络模型后,输出的所述第一源文件对应的第二回波损耗,与第一回波损耗的差值小于第四预设阈值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一源文件和所述仿真结果对神经网络模型进行第一次训练,包括:
所述仿真结果为集总参数,包括:第一特征阻抗、第一串扰、第一插入损耗和第一回波损耗;
使用所述第一源文件和所述仿真结果对所述神经网络模型进行训练,使得将所述第一源文件输入所述神经网络模型后,输出的检测结果,与仿真结果对比的误差值小于第五预设阈值;
其中,所述检测结果为所述第一源文件对应的第二特征阻抗、第二串扰、第二插入损耗和第二回波损耗按照预设权值加权求和后的结果。
5.根据权利要求1所述的方法,其特征在于,所述根据所述推理结果对所述神经网络模型进行第二次训练,包括:
确定每次对所述神经网络模型进行训练的批处理条数,其中,所述批处理条数用于指示每次训练所述神经网络模型时,从所述推理结果中选择的数据的数量;
循环执行如下步骤对所述神经网络模型进行第二次训练:
从所述推理结果中确定出所述批处理条数个数据;
根据确定出的每个数据生成第一矩阵,得到多个所述第一矩阵;
分别将多个所述第一矩阵依次输入所述神经网络模型,得到多个第二矩阵;
通过所述神经网络模型的误差函数计算每个所述第一矩阵与每个所述第一矩阵所对应的所述第二矩阵的误差值;
根据所述误差值对所述神经网络模型进行训练;
在当前批次的训练中,在最后一个输入所述神经网络模型的所述第一矩阵和最后一个输入所述神经网络模型的所述第一矩阵所对应的所述第二矩阵的误差值小于第六预设阈值时,结束循环。
6.根据权利要求1所述的方法,其特征在于,所述使用电路仿真软件对所述第一源文件进行仿真,得到仿真结果之后,所述方法还包括:
对所述第一源文件和所述仿真结果进行拟合处理,得到拟合结果,并根据所述拟合结果构建仿真模型;
对所述印刷电路板场景进行所述场景细分操作,并根据经过所述场景细分操作后的印刷电路板场景,对所述第一源文件进行所述推理运算,得到所述推理结果;
根据所述推理结果对所述仿真模型进行第一次训练;
从经过所述第一次训练之后的仿真模型中提取出第二逻辑走线图,并根据所述仿真结果对所述第二逻辑走线图进行优化;
根据优化后的第二逻辑走线图对所述仿真模型进行第二次训练;
在检测到仿真请求时,使用经过所述第二次训练之后的仿真模型对所述仿真请求对应的所述第二源文件进行仿真。
7.根据权利要求6所述的方法,其特征在于,所述对所述第一源文件和所述仿真结果进行拟合处理,得到拟合结果,并根据所述拟合结果构建仿真模型之后,所述方法还包括:
使用仿真模型和所述神经网络模型构建仿真网络模型;
根据所述第一源文件和所述仿真结果对所述仿真网络模型进行第一次训练;
对所述印刷电路板场景进行所述场景细分操作,并根据经过所述场景细分操作后的印刷电路板场景,对所述第一源文件进行所述推理运算,得到所述推理结果;
根据所述推理结果对所述仿真网络模型进行第二次训练;
从经过所述第二次训练之后的所述仿真网络模型中提取出第三逻辑走线图,并根据所述仿真结果对所述第三逻辑走线图进行优化;
根据优化后的第三逻辑走线图对所述仿真网络模型进行第三次训练;
在检测到仿真请求时,使用经过所述第三次训练之后的所述仿真网络模型对所述仿真请求对应的所述第二源文件进行仿真。
8.根据权利要求7所述的方法,其特征在于,所述根据优化后的第三逻辑走线图对所述仿真网络模型进行第三次训练,包括:
获取验证数据,并根据优化后的所述第三逻辑走线图,确定出所述验证数据对应的真实数据;
在整个训练过程中,首次训练,在冻结所述仿真模型的参数的情况下,使用所述真实数据训练所述仿真网络模型,以根据训练结果更新所述神经网络模型的参数;
非首次训练,在不冻结所述仿真模型的情况下,使用所述真实数据训练所述仿真网络模型,以根据训练结果更新所述仿真网络模型中的所述仿真模型和所述神经网络模型的参数。
9.一种印刷电路板的仿真装置,其特征在于,包括:
第一仿真模块,被配置为获取印刷电路板场景下的第一源文件,并使用电路仿真软件对所述第一源文件进行仿真,得到仿真结果;
第一训练模块,被配置为根据所述第一源文件和所述仿真结果对神经网络模型进行第一次训练;
推理模块,被配置为对所述印刷电路板场景进行场景细分操作,并根据经过所述场景细分操作后的印刷电路板场景,对所述第一源文件进行推理运算,得到推理结果;
第二训练模块,被配置为根据所述推理结果对所述神经网络模型进行第二次训练;
优化模块,被配置为从经过所述第二次训练之后的神经网络模型中提取出第一逻辑走线图,并根据所述仿真结果对所述第一逻辑走线图进行优化;
第三训练模块,被配置为根据优化后的第一逻辑走线图对所述神经网络模型进行第三次训练;
第二仿真模块,被配置为在检测到仿真请求时,使用经过所述第三次训练之后的神经网络模型对所述仿真请求对应的第二源文件进行仿真。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050392.7A CN114417717B (zh) | 2022-01-17 | 2022-01-17 | 印刷电路板的仿真方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050392.7A CN114417717B (zh) | 2022-01-17 | 2022-01-17 | 印刷电路板的仿真方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114417717A true CN114417717A (zh) | 2022-04-29 |
CN114417717B CN114417717B (zh) | 2022-12-09 |
Family
ID=81274019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210050392.7A Active CN114417717B (zh) | 2022-01-17 | 2022-01-17 | 印刷电路板的仿真方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417717B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110610052A (zh) * | 2019-09-20 | 2019-12-24 | 中国科学院软件研究所 | Pcb自动布线系统及方法 |
CN111950723A (zh) * | 2019-05-16 | 2020-11-17 | 武汉Tcl集团工业研究院有限公司 | 神经网络模型训练方法、图像处理方法、装置及终端设备 |
CN112668716A (zh) * | 2020-12-29 | 2021-04-16 | 奥比中光科技集团股份有限公司 | 一种神经网络模型的训练方法及设备 |
CN112784519A (zh) * | 2019-11-05 | 2021-05-11 | 鸿富锦精密电子(天津)有限公司 | Pcb走线参数设定装置、方法及存储介质 |
-
2022
- 2022-01-17 CN CN202210050392.7A patent/CN114417717B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950723A (zh) * | 2019-05-16 | 2020-11-17 | 武汉Tcl集团工业研究院有限公司 | 神经网络模型训练方法、图像处理方法、装置及终端设备 |
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 |
CN110610052A (zh) * | 2019-09-20 | 2019-12-24 | 中国科学院软件研究所 | Pcb自动布线系统及方法 |
CN112784519A (zh) * | 2019-11-05 | 2021-05-11 | 鸿富锦精密电子(天津)有限公司 | Pcb走线参数设定装置、方法及存储介质 |
CN112668716A (zh) * | 2020-12-29 | 2021-04-16 | 奥比中光科技集团股份有限公司 | 一种神经网络模型的训练方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114417717B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949219B (zh) | 一种超分辨率图像的重构方法、装置及设备 | |
CN114399589B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN111159897B (zh) | 基于系统建模应用的目标优化方法和装置 | |
CN113435534A (zh) | 一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质 | |
US11651198B2 (en) | Data processing method and apparatus for neural network | |
CN109697083B (zh) | 数据的定点化加速方法、装置、电子设备及存储介质 | |
CN114417717B (zh) | 印刷电路板的仿真方法及装置 | |
CN114700957B (zh) | 模型低算力需求的机器人控制方法及装置 | |
CN110991088A (zh) | 一种线缆模型构建方法、系统、终端设备及存储介质 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN116402366A (zh) | 基于联合学习的数据贡献评价方法及装置 | |
CN114692903A (zh) | 用于设备故障检测的方法及终端设备 | |
CN113487040A (zh) | 基于注意力机制的联合学习方法、装置、计算机设备及计算机可读存储介质 | |
CN115862117A (zh) | 存在遮挡的人脸识别方法及装置 | |
CN113505532A (zh) | 设备剩余寿命预测方法、装置、计算机设备及介质 | |
CN114756425A (zh) | 智能监控方法、装置、电子设备及计算机可读存储介质 | |
CN113902098A (zh) | 多类型数据并行学习方法、装置、计算机设备及介质 | |
CN115830691A (zh) | 人脸识别模型的训练方法及装置 | |
CN114519884A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN115937929A (zh) | 针对难例样本的人脸识别模型的训练方法及装置 | |
CN113920272A (zh) | 生产设备节奏调优方法、装置、终端及存储介质 | |
CN115760791A (zh) | 图片质量评估方法及装置 | |
CN114298320A (zh) | 联合学习的贡献值计算方法、装置、电子设备及存储介质 | |
CN115186757A (zh) | 自注意力模型的训练方法及装置 | |
CN115563641A (zh) | 基于联合学习的联合推荐框架的方法、装置、计算机设备及计算机可读存储介质 |
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 |