CN114595656A - 电子器件的算法模型和版图的生成方法、装置、设备及介质 - Google Patents
电子器件的算法模型和版图的生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114595656A CN114595656A CN202210202727.2A CN202210202727A CN114595656A CN 114595656 A CN114595656 A CN 114595656A CN 202210202727 A CN202210202727 A CN 202210202727A CN 114595656 A CN114595656 A CN 114595656A
- Authority
- CN
- China
- Prior art keywords
- electronic device
- layout
- initial configuration
- index
- generating
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000004088 simulation Methods 0.000 claims abstract description 152
- 238000013461 design Methods 0.000 claims abstract description 148
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 230000004044 response Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims description 115
- 238000010586 diagram Methods 0.000 claims description 29
- 238000013135 deep learning Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000010206 sensitivity analysis Methods 0.000 claims description 5
- 230000001939 inductive effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 8
- 239000000306 component Substances 0.000 description 7
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002939 conjugate gradient method Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F30/39—Circuit design at the physical level
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Architecture (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本申请实施例提供了一种电子器件的算法模型和版图的生成方法、装置、设备及介质，涉及电子器件设计领域。其中，所述方法包括：对电子器件的初始构型进行扰动，获得电子器件的扰动后的初始构型，并对扰动后的初始构型进行仿真求解计算，获得扰动后的初始构型的仿真结果；对扰动后的初始构型的仿真结果进行指标提取，获得扰动后的初始构型的指标；响应于确定扰动后的初始构型的指标符合电子器件的设计指标的要求，则将扰动后的初始构型的指标存入数据库，以构建符合设计指标要求的数据库；基于符合设计指标要求的数据库，生成用于生成电子器件的版图的算法模型。本方案能够有效解决电子器件的设计周期长和设计成本高的技术问题。
Description
技术领域
本申请实施例涉及电子器件设计领域，尤其涉及一种电子器件的算法模型的生成方法、电子器件的版图生成方法、装置、电子设备及计算机存储介质。
背景技术
模拟集成电路(如运算器、比较器、振荡器等)，作为通用的集成电路模块，被广泛的运用在各式高性能的模拟、模数混合芯片(如电源管理芯片、模数转换芯片)和单片集成系统(System-on-chip，SoC)上。作为一类功能明确且必不可少的模拟集成电路的架构，在过去的三十年间被广泛的研究，随着研究的深入和广泛的使用，主流应用中的电路架构的设计已逐步趋于统一。针对同一类电路在不同应用场景(指标)下的设计，设计者通常是以前端的晶体管、电阻、电容等器件的调参和后端的版图设计为主，并结合仿真结果来验证设计电路的性能。射频器件一般包含有天线、射频前端、射频收发模块以及基带信号处理器四个部分，是将数字信号向无线射频信号转化的基础部件，也是无线通信系统的核心组件。随着5G时代的到来，射频器件的需求量及价值均快速上升。
然而，随着各代射频产品、模拟集成电路的工艺节点的进步，射频器件、模拟集成电路的设计仍然耗费大量的技术人力。这是由于射频器件、模拟集成电路设计的参数过多，设计者很难通过简单的公式推导完成对设计器件的性能建模，找到最优的版图的布局。在器件、电路设计及调参过程中需要引入大量的设计经验知识。缺乏设计经验和理论的设计者，往往进行多次调参也无法实现需要的性能指标。即使是具备一定的设计经验和理论的设计人员，也需要花费1-3月的时间，完成一个射频器件或者模拟集成电路从指标到版图设计及验证的全部设计过程。这导致了整个射频产业或者集成电路产业的设计的周期长和成本高等问题，严重影响了射频或者集成电路相关产业的快速发展。
由此可见，如何有效解决电子器件的设计周期长和设计成本高的技术问题成为当前亟待解决的技术问题。
发明内容
有鉴于此，本发明实施例所解决的技术问题之一在于提供一种电子器件的算法模型的生成方法、电子器件的版图生成方法、装置、电子设备及计算机存储介质，用以解决现有技术中存在的如何有效解决电子器件的设计周期长和设计成本高的技术问题。
根据本发明实施例的第一方面，提供了一种电子器件的算法模型的生成方法，所述方法包括：对电子器件的初始构型进行扰动，以获得所述电子器件的扰动后的初始构型，并对所述电子器件的扰动后的初始构型进行仿真求解计算，以获得所述电子器件的扰动后的初始构型的仿真结果；对所述电子器件的扰动后的初始构型的仿真结果进行指标提取，以获得所述电子器件的扰动后的初始构型的指标；响应于确定所述电子器件的扰动后的初始构型的指标符合所述电子器件的设计指标的要求，则将所述电子器件的扰动后的初始构型的指标存入数据库，以构建符合设计指标要求的所述数据库；基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型。
根据本发明实施例的第二方面，提供了一种电子器件的版图生成方法，所述方法包括：根据目标电子器件的类型，确定用于生成所述目标电子器件的版图的算法模型，其中，所述算法模型为根据本发明实施例的第一方面所述的电子器件的算法模型的生成方法生成得到的算法模型；通过所述算法模型，根据所述目标电子器件的性能指标，生成所述目标电子器件的符合设计指标要求的版图。
根据本发明实施例的第三方面，提供了一种电子器件的算法模型的生成装置，所述装置包括：仿真模块，用于对电子器件的初始构型进行扰动，以获得所述电子器件的扰动后的初始构型，并对所述电子器件的扰动后的初始构型进行仿真求解计算，以获得所述电子器件的扰动后的初始构型的仿真结果；指标提取模块，用于对所述电子器件的扰动后的初始构型的仿真结果进行指标提取，以获得所述电子器件的扰动后的初始构型的指标；构建模块，用于响应于确定所述电子器件的扰动后的初始构型的指标符合所述电子器件的设计指标的要求，则将所述电子器件的扰动后的初始构型的指标存入数据库，以构建符合设计指标要求的所述数据库；第一生成模块，用于基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型。
根据本发明实施例的第四方面，提供了一种电子器件的版图生成装置，所述装置包括：确定模块，用于根据目标电子器件的类型，确定用于生成所述目标电子器件的版图的算法模型，其中，所述算法模型为根据本发明实施例的第三方面所述的电子器件的算法模型的生成装置生成得到的算法模型；第二生成模块，用于通过所述算法模型，根据所述目标电子器件的性能指标，生成所述目标电子器件的符合设计指标要求的版图。
根据本发明实施例的第五方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第一方面所述的电子器件的算法模型的生成方法对应的操作，或者执行如第二方面所述的电子器件的版图生成方法对应的操作。
根据本发明实施例的第六方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的电子器件的算法模型的生成方法，或者实现如第二方面所述的电子器件的版图生成方法。
通过本发明实施例提供的电子器件的算法模型的生成方案，对电子器件的初始构型进行扰动，以获得所述电子器件的扰动后的初始构型，并对所述电子器件的扰动后的初始构型进行仿真求解计算，以获得所述电子器件的扰动后的初始构型的仿真结果，再对所述电子器件的扰动后的初始构型的仿真结果进行指标提取，以获得所述电子器件的扰动后的初始构型的指标，响应于确定所述电子器件的扰动后的初始构型的指标符合所述电子器件的设计指标的要求，将所述电子器件的扰动后的初始构型的指标存入数据库，以构建符合设计指标要求的所述数据库，并基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型，能够有效地生成算法模型，使得生成的算法模型能够有效地生成电子器件的符合设计指标要求的版图，从而有效解决电子器件的设计周期长和设计成本高的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1A为本实施例一中电子器件的算法模型的生成方法的步骤流程图；
图1B为根据本实施例一提供的构建符合指标的数据库的示意图；
图1C为根据本实施例一提供的基于深度学习构建优化智能体的示意图；
图1D为根据本实施例一提供的生成初始版图的示意图；
图1E为根据本实施例一提供的优化初始版图的示意图；
图1F为根据本实施例一提供的基于机器学习算法的模拟版图优化智能体的示意图；
图1G为根据本实施例一提供的基于符合指标要求的数据库生成算法模型的示意图；
图2A为本实施例二中电子器件的版图生成方法的步骤流程图；
图2B为根据本实施例二提供的算法模型的使用过程的示意图；
图3为本实施例三中电子器件的算法模型的生成装置的结构示意图；
图4为本实施例四中电子器件的版图生成装置的结构示意图；
图5为本实施例五中电子设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本发明实施例中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
参照图1A，示出了本实施例一中电子器件的算法模型的生成方法的步骤流程图。
具体地，本实施例提供的电子器件的算法模型的生成方法包括以下步骤：
在步骤S101中，对电子器件的初始构型进行扰动，以获得所述电子器件的扰动后的初始构型，并对所述电子器件的扰动后的初始构型进行仿真求解计算，以获得所述电子器件的扰动后的初始构型的仿真结果。
在本实施例中，所述电子器件包括模拟集成电路或者射频器件。所述电子器件的初始构型来自设计师，所述电子器件的初始构型可以是射频器件或者集成电路的初始构型。具体地，可以通过仿真求解器，对所述电子器件的扰动后的初始构型进行仿真求解计算，以获得所述电子器件的扰动后的初始构型的仿真结果。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在步骤S102中，对所述电子器件的扰动后的初始构型的仿真结果进行指标提取，以获得所述电子器件的扰动后的初始构型的指标。
在本实施例中，所述电子器件的扰动后的初始构型的指标是指可以反映电子器件的工作性能的指标。例如，射频器件的耦合器的指标可以是指频率范围、耦合度、耦合平坦度、隔离度、插入损耗、典型输入输出驻波、端口阻抗等。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在步骤S103中，响应于确定所述电子器件的扰动后的初始构型的指标符合所述电子器件的设计指标的要求，则将所述电子器件的扰动后的初始构型的指标存入数据库，以构建符合设计指标要求的所述数据库。
在本实施例中，查看所述电子器件的扰动后的初始构型的指标是否满足所述电子器件的设计指标的要求。若满足，将符合要求的射频器件或者模拟集成电路对应的指标存入数据库，否则进入优化模块执行优化。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一个具体的例子中，如图1B所示，指标生成器生成一个待设计的指标，指标生成器是用来生成射频器件或者集成电路的指标的模块，指标是指可以反映产品工作性能的指标，射频器件的耦合器的指标是指频率范围、耦合度、耦合平坦度、隔离度、插入损耗、典型输入输出驻波、端口阻抗等。对初始构型进行扰动，初始构型来自设计师，其中初始构型是指射频器件或者集成电路的初始构型。基于仿真求解器，对初始构型进行仿真求解计算。针对求解后的仿真结果进行指标提取。查看是否满足设计指标要求，满足将符合要求的射频器件或者模拟集成电路对应的指标存入数据库，否则进入优化模块执行优化。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一些可选实施例中，所述方法还包括：响应于确定所述电子器件的扰动后的初始构型的指标不符合所述电子器件的设计指标的要求，则对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。籍此，通过对所述电子器件的扰动后的初始构型进行优化，能够使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一些可选实施例中，在对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求时，通过基于全局优化算法或者局部优化算法的优化器，对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。籍此，通过基于全局优化算法或者局部优化算法的优化器，对所述电子器件的扰动后的初始构型进行优化，能够有效使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一个具体的例子中，基于全局或者局部优化算法的优化器的优化算法包括拟牛顿法(Quasi Newton Method)、共轭梯度法(Conjugate Gradient Method)、经典鲍威尔法(Classic Powel)、粒子群优化(Particle Swarm Optimization)算法、遗传算法(GeneticAlgorithm)、协方差自适应调整的进化策略(CMA Evolution Strategy，CMA-ES)、模式搜索法(Pattern Search)、Nelder Mead单纯形算法(Nelder Mead Simplex Algorithm)。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一些可选实施例中，在对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求时，通过基于深度学习构建的优化智能体，对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。籍此，通过基于深度学习构建的优化智能体，对所述电子器件的扰动后的初始构型进行优化，能够有效使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一些可选实施例中，所述通过基于深度学习构建的优化智能体，对所述电子器件的扰动后的初始构型进行优化之前，所述方法还包括：采集所述电子器件的初始构型中影响所述电子器件的工作性能的各部位的多组参数集；对所述电子器件的初始构型中影响所述电子器件的工作性能的各部位的多组参数集进行仿真求解计算，以获得仿真结果；基于深度学习构建所述优化智能体，将所述多组参数集和所述仿真结果作为样本集训练所述优化智能体。籍此，通过所述多组参数集和所述仿真结果，能够有效地训练所述优化智能体。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一个具体的例子中，如图1C所示，数据采样器生成影响射频器件或者集成电路工作性能的各部位多组参数集，例如射频器件的耦合器由传输线组成，其中传输线的线宽可以影响耦合器的阻抗指标则线宽在一定范围内的变化就可以作为数据采样器生成的多组参数集。然后，将数据采样器采集的数据作用到仿真求解器，仿真求解器可以计算得到仿真结果。最后，基于深度学习构建优化智能体，将多组参数集及仿真结果作为样本集训练基于深度学习创建的优化智能体，其中优化智能体是用深度神经网络构建的，神经网络类型包括卷积神经网络、全连接神经网络、图神经网络等，深度神经网络学习的是当前状态下应该调整哪个部位产品性能更符合指标要求。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一些可选实施例中，所述电子器件包括模拟集成电路。在对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求时，通过基于专家系统、无监督算法、深度学习和优化算法搭建的模拟版图优化智能体，对所述模拟集成电路的扰动后的初始构型进行优化，使得所述模拟集成电路的优化后的初始构型的指标符合所述模拟集成电路的设计指标的要求。籍此，通过基于专家系统、无监督算法、深度学习和优化算法搭建的模拟版图优化智能体，对所述模拟集成电路的扰动后的初始构型进行优化，能够有效使得所述模拟集成电路的优化后的初始构型的指标符合所述模拟集成电路的设计指标的要求。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一些可选实施例中，在通过基于专家系统、无监督算法、深度学习和优化算法搭建的模拟版图优化智能体，对所述模拟集成电路的扰动后的初始构型进行优化之前，所述方法还包括：基于自学习专家系统，生成模拟版图的初始构型，并基于所述模拟版图的初始构型建立参数化版图；对所述参数化版图的后仿参数进行降维简化，以获得简化后的所述参数化版图；基于优化算法，对简化后的所述参数化版图进行迭代优化，迭代到最优解终止后，输出符合指标要求的最优版图。籍此，能够有效地输出符合指标要求的最优版图。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一个具体的例子中，针对模拟集成电路后仿网表参数量大、全寄生参数(R+C+CC)的提取带来仿真速度极慢、寻找最优版图周期长的问题，如图1F所示，将基于专家系统、无监督算法、深度学习及优化算法(全局优化算法、局部优化算法)搭建模拟版图优化智能体，快速、高效地生成符合设计指标的最优版图。具体来讲，首先基于专家系统生成版图的初始构型；其次对版图进行参数化处理，同时基于无监督的算法研究各个参数对设计指标的影响，将大量参数归纳成很少的参数集，实现版图后仿参数的简化。然后基于优化算法对简化后的版图进行迭代优化，迭代到最优解终止后，输出符合指标要求的版图，同时采用规则提取器提取最优版图的设计规则即类似设计师的经验，更新专家系统的知识库，这样有利于加强版图生成模块的鲁棒性、准确性、稳健性。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一些可选实施例中，所述基于自学习专家系统，生成模拟版图的初始构型之前，所述方法还包括：构建设计师生成的原理图映射为版图的综合数据库，并基于所述综合数据库生成所述原理图映射为所述版图要用到的知识规则，再基于所述知识规则形成用于记忆控制版图生成所采用的规则程序的推理机；将待生成版图的原理图输入所述推理机进行推理生成初始版图，并将所述初始版图进行参数化处理，得到参数化的版图，再通过参数的敏感度分析，对所述参数化的版图进行简化处理，得到简化后的版图；对所述简化后的版图进行优化，得到优化后的版图，并将所述优化后的版图和所述优化后的版图的原理图做成数据集更新所述综合数据库，从而更新所述自学习专家系统的知识库和推理机。籍此，能够有效地更新所述自学习专家系统的知识库和推理机。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一个具体的例子中，如图1D所示，首先构建经验丰富的设计师生成的原理图映射为版图的综合数据库，然后基于综合数据库生成原理图映射为版图要用到的知识规则。同时，基于这些规则形成推理机，即用于记忆控制版图生成所采用的规则程序。最后，将待生成版图的原理图输入推理机进行推理生成初始版图。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一个具体的例子中，如图1E所示，首先将初始版图输入版图简化模块，将版图进行参数化处理，得到参数化的版图。同时，通过参数的敏感度分析对参数进行简化处理，得到简化后的版图。然后，对简化的版图进行优化，优化算法采用全局优化算法和局部优化算法相结合的形式。最后，将优化后到解的版图和其原理图做成数据集更新综合数据库，从而更新知识库和推理机，实现专家系统的自学习功能。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一些可选实施例中，在基于自学习专家系统，生成模拟版图的初始构型时，将所述模拟集成电路的拓扑结构、器件信息和连接信息进行表征的图输入所述自学习专家系统的推理机，以自动生成所述模拟版图的初始构型。籍此，能够自动地生成所述模拟版图的初始构型。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一些可选实施例中，在基于所述模拟版图的初始构型建立参数化版图时，按照设计师的参数化规则，对所述模拟版图的初始构型进行处理，以获得所述参数化版图；或者，对所述模拟版图的初始构型进行形状离散化处理，以获得所述参数化版图。籍此，能够有效地获得所述参数化版图。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一些可选实施例中，在对所述参数化版图的后仿参数进行降维简化，以获得简化后的所述参数化版图时，通过控制变量法，对所述参数化版图的后仿参数进行扰动，获得扰动前后的版图仿真结果；采用无监督技术的聚类算法归纳所述参数化版图的后仿参数和版图仿真结果的映射关系，从而建立识别表征模拟集成电路工作性能的参数的关系模型。籍此，能够有效地建立识别表征模拟集成电路工作性能的参数的关系模型。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一些可选实施例中，在基于优化算法，对简化后的所述参数化版图进行迭代优化，迭代到最优解终止后，输出符合指标要求的最优版图时，第一步骤：基于全局优化算法，对简化后的所述参数化版图中表征所述模拟集成电路的工作性能的关键参数进行优化，并保存优化过程中的历史数据；第二步骤：基于所述优化过程中的历史数据创建世界模型，并将基于所述世界模型的后仿参数变量值输入后仿真求解器进行真实仿真计算，获得真实仿真计算结果，再查看基于所述真实仿真计算结果获得的指标是否符合所述设计指标；响应于确定基于所述真实仿真计算结果获得的指标符合所述设计指标，终止迭代优化，输出所述最优版图；响应于确定基于所述真实仿真计算结果获得的指标不符合所述设计指标，迭代执行所述第一步骤和所述第二步骤，直到基于所述真实仿真计算结果获得的指标符合所述设计指标。籍此，能够有效地输出符合指标要求的最优版图。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一个具体的例子中，如图1F所示，首先构建基于自学习专家系统的版图生成模块，建立极简的参数化模拟版图。具体地，采用传统的专家系统将面临完整性(即设计师经验有限)、可移植性、学习能力和灵活性等方面的问题，导致版图自动生成过程中出现各种问题，因此将在传统专家系统中引入自学习能力，构建具有更好的灵活性、扩充性和实用性的基于自学习专家系统的版图生成模块。其使用流程如下：将模拟集成电路拓扑结构、器件信息和连接信息进行表征的图输入专家系统的推理机自动生成模拟版图初始构型，具体来讲，将版图描述、工艺规则(DRC)、设计师经验作为专家知识放到专家系统的知识库，将器件(例如电感、电阻)布局(器件中心点位置、器件的2D/3D图形学描述)和器件间连线(线的2D/3D图形学描述)作为专家系统的推理部分，将版图显示部分作为专家系统的人机交互显示部分，即将专家系统生成的初始构型进行可视。基于初始构型建立参数化版图，其中建立参数化版图拟采用两种方法：第一种方法：按照人类设计师参数化的规则对初始构型进行处理，即将长方形的布线抽象为位置(position：(x,y))、线长(length)、线宽(width)，但是此方法受限于初始构型即初始构型有可能没有包含达到最佳值的设计区域，此时人类设计师要介入对版图进行修改；第二种方法：对初始构型进行形状离散化处理，即通过一系列顶点组成的曲面或平面描述电路的形状，其中顶点间距可以是均匀的也可以是随机的，但是顶点间的间距须约束在模拟电路模型的加工工艺范畴。当顶点参数发生变化后，版图形状(电路布局)也会发生变化，因此这种方法不受限于初始构型必须包含达到最佳值的设计区域。然后，基于关系模型的模拟电路后仿参数简化。具体地，无论采用何种参数化方式，都有超大的后仿参数，导致优化版图的代价是巨大的，故拟采用无监督技术对后仿参数进行降维简化。具体流程如下：首先，通过控制变量法对版图的后仿参数进行扰动，获取扰动前后的版图仿真结果；其次采用无监督技术的聚类算法归纳后仿参数和版图仿真结果的映射关系，从而建立可以识别关键部位(即可以表征模拟电路工作性能的参数)的关系模型，即将具有相同功能模式(相同工作性能变化)的部位划分为同一个子集，每个子集作为模拟版图的待优化参数即关键部位，降低版图优化求解空间。最后，模拟电路后仿真的调参优化及其迭代。具体地，在传统的模拟电路后仿优化调参设计过程中，面临着优化目标复杂、优化变量多、优化效率低的问题，传统优化算法，不断地调整设计变量，使得设计结果不断接近最优的目标值。通过极小化目标函数，使得模型输出和实际观测数据之间达到最佳的拟合程度。由于模拟电路本身的复杂性，传统优化算法常常难以达到参数空间上的最优解，即使达到最优解仍存在迭代优化求解的时间周期长的问题。故拟采用通过构建基于多个局部极值优化算法和全局优化算法的高效稳健的后仿真优化模块来解决获取最优解的问题，同时对优化历史数据进行复用来构建世界模型，减少优化算法与后仿真求解器的迭代交互次数，加速优化设计，该方案我们已在射频电路设计中得到验证，其性能至少可以提升40％。具体优化步骤如下：
步骤1：基于全局优化算法(粒子群优化算法Particle Swarm Optimization，PSO)对简化后的可以表征模拟电路工作性能的关键参数，按照设计目标调用后仿真求解器进行优化，同时保存优化过程的历史数据，其中优化数据迭代次数达到一定次数(例如20次)后，进行步骤2；
步骤2：首先基于(1)优化过程的历史数据创建世界模型(即可以表征后仿参数与仿真结果的映射关系)，其中：世界模型可以采用深度学习(例如：卷积神经网络、图神经网络)的技术创建，也可以基于响应面的方法进行创建；其次利用局部极值优化算法与世界模型进行交互搜索最优解，值得一提的是优化算法无论与采用何种方法创建的世界模型进行交互(即将简化后的后仿参数变量值输入世界模型)，世界模型都可以在ms级给出相应的仿真结果，但是由于世界模型在达到变量极限时精确度较低，故采用梯度下降的、具有超线性收敛速度的拟牛顿优化算法与世界模型进行交互搜随最优解。
步骤3：将基于世界模型优化的结果(后仿参数变量值)输入后仿真求解器进行真实仿真计算，同时查看是否符合设计指标，若符合设计指标，终止迭代优化，否则转到上述步骤进行迭代优化。
在一些可选实施例中，所述方法还包括：利用规则提取器，对所述最优版图进行规则提取，并基于提取的规则，对所述自学习专家系统的知识库进行修改，其中，所述规则提取器是按照版图设计指标和最优版图的器件图形学、器件位置、布线的图形学的映射关系进行规则提取。籍此，通过提取的规则，能够有效地对所述自学习专家系统的知识库进行修改。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一个具体的例子中，增删修改知识库的规则，完成专家系统的自我学习、更新，即利用规则提取器对最优版图进行规则提取，对版图生成模块的专家系统的知识库进行修改，其中规则提取器是按照版图设计指标及最优版图的器件图形学、器件位置、布线的图形学的映射关系进行规则提取。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在步骤S104中，基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型。
在一些可选实施例中，在基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型时，基于符合设计指标要求的所述数据库，提取所述电子器件对应的指标集作为样本集，并基于样本集训练所述算法模型。籍此，通过提取的所述电子器件对应的指标集，能够有效地训练所述算法模型。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在一个具体的例子中，如图1G所示，首先基于符合指标要求的数据库提取射频器件集或者集成电路集对应的指标集作为样本集。然后，基于样本集训练算法模型，算法模型的输入是指标输出射频器件版图或者集成电路版图(版图可以是修改初始构型的尺寸参数)，是其中算法模型可以是神经网络，可以是支持向量机，可以是插值算法(拉格朗日插值，多项式插值，分段插值，样条插值等算法)。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在实际应用中，算法模型生成系统包含两部分，也即是构建符合指标要求的数据库的第一部分和基于符合指标要求的数据库生成算法模型的第二部分。
通过本发明实施例提供的电子器件的算法模型的生成方法，对电子器件的初始构型进行扰动，以获得所述电子器件的扰动后的初始构型，并对所述电子器件的扰动后的初始构型进行仿真求解计算，以获得所述电子器件的扰动后的初始构型的仿真结果，再对所述电子器件的扰动后的初始构型的仿真结果进行指标提取，以获得所述电子器件的扰动后的初始构型的指标，响应于确定所述电子器件的扰动后的初始构型的指标符合所述电子器件的设计指标的要求，将所述电子器件的扰动后的初始构型的指标存入数据库，以构建符合设计指标要求的所述数据库，并基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型，能够有效地生成算法模型，使得生成的算法模型能够有效地生成电子器件的符合设计指标要求的版图，从而有效解决电子器件的设计周期长和设计成本高的技术问题。
本实施例提供的电子器件的算法模型的生成方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：摄像头、终端、移动终端、PC机、服务器、车载设备、娱乐设备、广告设备、个人数码助理(PDA)、平板电脑、笔记本电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备等。
参照图2A，示出了本实施例二中电子器件的版图生成方法的步骤流程图。
具体地，本实施例提供的电子器件的版图生成方法包括以下步骤：
在步骤S201中，根据目标电子器件的类型，确定用于生成所述目标电子器件的版图的算法模型。
本实施例中，所述目标电子器件的类型可包括模拟集成电路或者射频器件等。所述算法模型为根据本实施例一所述的电子器件的算法模型的生成方法生成得到的算法模型。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在步骤S202中，通过所述算法模型，根据所述目标电子器件的性能指标，生成所述目标电子器件的符合设计指标要求的版图。
在一个具体的例子中，如图2B所示，首先输入指标。例如，耦合器输入频率范围、耦合度、耦合平坦度、隔离度、插入损耗、典型输入输出驻波、端口阻抗等。然后，基于产品类型检索对应的机器学习算法模型，将指标输入到算法模型。最后，算法模型生成符合指标要求的版图。可以理解的是，以上描述仅为示例性的，本实施例对此不做任何限定。
在具体应用中，模拟集成电路的算法模型或者射频器件的算法模型的生成系统是基于人工智能技术探索模拟/射频器件各个部位对其指标的影响，从而生成能够表征指标与模拟/射频器件各部位影响的算法模型即该模拟集成电路的算法模型或者射频器件的算法模型。模拟集成电路的算法模型或者射频器件的算法模型的使用过程是将指标输入算法模型可以直接生成符合用户要求的模拟集成电路的版图或者射频器件的版图。
通过本发明实施例提供的电子器件的版图生成方法，根据目标电子器件的类型，确定用于生成所述目标电子器件的版图的算法模型，其中，所述算法模型为根据本实施例一所述的电子器件的算法模型的生成方法生成得到的算法模型，并通过所述算法模型，根据所述目标电子器件的性能指标，生成所述目标电子器件的符合设计指标要求的版图，能够有效地生成电子器件的符合设计指标要求的版图，从而有效解决电子器件的设计周期长和设计成本高的技术问题。
本实施例提供的电子器件的版图生成方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：摄像头、终端、移动终端、PC机、服务器、车载设备、娱乐设备、广告设备、个人数码助理(PDA)、平板电脑、笔记本电脑、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备等。
参照图3，示出了本实施例三中电子器件的算法模型的生成装置的结构示意图。
本实施例提供的电子器件的算法模型的生成装置包括：仿真模块301，用于对电子器件的初始构型进行扰动，以获得所述电子器件的扰动后的初始构型，并对所述电子器件的扰动后的初始构型进行仿真求解计算，以获得所述电子器件的扰动后的初始构型的仿真结果；指标提取模块302，用于对所述电子器件的扰动后的初始构型的仿真结果进行指标提取，以获得所述电子器件的扰动后的初始构型的指标；构建模块303，用于响应于确定所述电子器件的扰动后的初始构型的指标符合所述电子器件的设计指标的要求，则将所述电子器件的扰动后的初始构型的指标存入数据库，以构建符合设计指标要求的所述数据库；第一生成模块304，用于基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型。
可选地，所述装置还包括：优化模块，用于响应于确定所述电子器件的扰动后的初始构型的指标不符合所述电子器件的设计指标的要求，则对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。
可选地，所述优化模块，具体用于：通过基于全局优化算法或者局部优化算法的优化器，对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。
可选地，所述优化模块，包括：第一优化子模块，用于通过基于深度学习构建的优化智能体，对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。
可选地，所述第一优化子模块之前，所述优化模块还包括：采集子模块，用于采集所述电子器件的初始构型中影响所述电子器件的工作性能的各部位的多组参数集；计算子模块，用于对所述电子器件的初始构型中影响所述电子器件的工作性能的各部位的多组参数集进行仿真求解计算，以获得仿真结果；训练子模块，用于基于深度学习构建所述优化智能体，将所述多组参数集和所述仿真结果作为样本集训练所述优化智能体。
可选地，所述电子器件包括模拟集成电路，所述优化模块，包括：第二优化子模块，用于通过基于专家系统、无监督算法、深度学习和优化算法搭建的模拟版图优化智能体，对所述模拟集成电路的扰动后的初始构型进行优化，使得所述模拟集成电路的优化后的初始构型的指标符合所述模拟集成电路的设计指标的要求。
可选地，所述第二优化子模块之前，所述优化模块还包括：建立子模块，用于基于自学习专家系统，生成模拟版图的初始构型，并基于所述模拟版图的初始构型建立参数化版图；第一简化子模块，用于对所述参数化版图的后仿参数进行降维简化，以获得简化后的所述参数化版图；迭代优化子模块，用于基于优化算法，对简化后的所述参数化版图进行迭代优化，迭代到最优解终止后，输出符合指标要求的最优版图。
可选地，所述建立子模块之前，所述优化模块还包括：形成子模块，用于构建设计师生成的原理图映射为版图的综合数据库，并基于所述综合数据库生成所述原理图映射为所述版图要用到的知识规则，再基于所述知识规则形成用于记忆控制版图生成所采用的规则程序的推理机；第二简化子模块，用于将待生成版图的原理图输入所述推理机进行推理生成初始版图，并将所述初始版图进行参数化处理，得到参数化的版图，再通过参数的敏感度分析，对所述参数化的版图进行简化处理，得到简化后的版图；更新子模块，用于对所述简化后的版图进行优化，得到优化后的版图，并将所述优化后的版图和所述优化后的版图的原理图做成数据集更新所述综合数据库，从而更新所述自学习专家系统的知识库和推理机。
可选地，所述建立子模块，具体用于：将所述模拟集成电路的拓扑结构、器件信息和连接信息进行表征的图输入所述自学习专家系统的推理机，以自动生成所述模拟版图的初始构型。
可选地，所述建立子模块，具体用于：按照设计师的参数化规则，对所述模拟版图的初始构型进行处理，以获得所述参数化版图；或者，对所述模拟版图的初始构型进行形状离散化处理，以获得所述参数化版图。
可选地，所述第一简化子模块，具体用于：通过控制变量法，对所述参数化版图的后仿参数进行扰动，获得扰动前后的版图仿真结果；采用无监督技术的聚类算法归纳所述参数化版图的后仿参数和版图仿真结果的映射关系，从而建立识别表征模拟集成电路工作性能的参数的关系模型。
可选地，所述迭代优化子模块，具体用于：第一步骤：基于全局优化算法，对简化后的所述参数化版图中表征所述模拟集成电路的工作性能的关键参数进行优化，并保存优化过程中的历史数据；第二步骤：基于所述优化过程中的历史数据创建世界模型，并将基于所述世界模型的后仿参数变量值输入后仿真求解器进行真实仿真计算，获得真实仿真计算结果，再查看基于所述真实仿真计算结果获得的指标是否符合所述设计指标；响应于确定基于所述真实仿真计算结果获得的指标符合所述设计指标，终止迭代优化，输出所述最优版图；响应于确定基于所述真实仿真计算结果获得的指标不符合所述设计指标，迭代执行所述第一步骤和所述第二步骤，直到基于所述真实仿真计算结果获得的指标符合所述设计指标。
可选地，所述优化模块还包括：修改子模块，用于利用规则提取器，对所述最优版图进行规则提取，并基于提取的规则，对所述自学习专家系统的知识库进行修改，其中，所述规则提取器是按照版图设计指标和最优版图的器件图形学、器件位置、布线的图形学的映射关系进行规则提取。
可选地，所述第一生成模块304，具体用于：基于符合设计指标要求的所述数据库，提取所述电子器件对应的指标集作为样本集，并基于样本集训练所述算法模型。
本实施例提供的电子器件的算法模型的生成装置用于实现前述多个方法实施例中相应的电子器件的算法模型的生成方法，并具有相应的方法实施例的有益效果，在此不再赘述。
参照图4，示出了本实施例四中电子器件的版图生成装置的结构示意图。
本实施例提供的电子器件的版图生成装置包括：确定模块401，用于根据目标电子器件的类型，确定用于生成所述目标电子器件的版图的算法模型，其中，所述算法模型为根据本实施例三所述的电子器件的算法模型的生成装置生成得到的算法模型；第二生成模块402，用于通过所述算法模型，根据所述目标电子器件的性能指标，生成所述目标电子器件的符合设计指标要求的版图。
本实施例提供的电子器件的版图生成装置用于实现前述多个方法实施例中相应的电子器件的版图生成方法，并具有相应的方法实施例的有益效果，在此不再赘述。
参照图5，示出了根据本发明实施例五的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
如图5所示，该电子设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：
处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它电子设备或服务器进行通信。
处理器502，用于执行程序510，具体可以执行上述电子器件的算法模型的生成方法实施例，或者电子器件的版图生成方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作：对电子器件的初始构型进行扰动，以获得所述电子器件的扰动后的初始构型，并对所述电子器件的扰动后的初始构型进行仿真求解计算，以获得所述电子器件的扰动后的初始构型的仿真结果；对所述电子器件的扰动后的初始构型的仿真结果进行指标提取，以获得所述电子器件的扰动后的初始构型的指标；响应于确定所述电子器件的扰动后的初始构型的指标符合所述电子器件的设计指标的要求，则将所述电子器件的扰动后的初始构型的指标存入数据库，以构建符合设计指标要求的所述数据库；基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型，或者还可以用于使得处理器502执行以下操作：根据目标电子器件的类型，确定用于生成所述目标电子器件的版图的算法模型，其中，所述算法模型为根据本实施例一所述的电子器件的算法模型的生成方法生成得到的算法模型；通过所述算法模型，根据所述目标电子器件的性能指标，生成所述目标电子器件的符合设计指标要求的版图。
在一种可选的实施方式中，程序510还用于使得处理器502响应于确定所述电子器件的扰动后的初始构型的指标不符合所述电子器件的设计指标的要求，则对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。
在一种可选的实施方式中，程序510还用于使得处理器502在对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求时，通过基于全局优化算法或者局部优化算法的优化器，对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。
在一种可选的实施方式中，程序510还用于使得处理器502在对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求时，通过基于深度学习构建的优化智能体，对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。
在一种可选的实施方式中，程序510还用于使得处理器502在通过基于深度学习构建的优化智能体，对所述电子器件的扰动后的初始构型进行优化之前，采集所述电子器件的初始构型中影响所述电子器件的工作性能的各部位的多组参数集；对所述电子器件的初始构型中影响所述电子器件的工作性能的各部位的多组参数集进行仿真求解计算，以获得仿真结果；基于深度学习构建所述优化智能体，将所述多组参数集和所述仿真结果作为样本集训练所述优化智能体。
在一种可选的实施方式中，所述电子器件包括模拟集成电路，程序510还用于使得处理器502在对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求时，通过基于专家系统、无监督算法、深度学习和优化算法搭建的模拟版图优化智能体，对所述模拟集成电路的扰动后的初始构型进行优化，使得所述模拟集成电路的优化后的初始构型的指标符合所述模拟集成电路的设计指标的要求。
在一种可选的实施方式中，程序510还用于使得处理器502在通过基于专家系统、无监督算法、深度学习和优化算法搭建的模拟版图优化智能体，对所述模拟集成电路的扰动后的初始构型进行优化之前，基于自学习专家系统，生成模拟版图的初始构型，并基于所述模拟版图的初始构型建立参数化版图；对所述参数化版图的后仿参数进行降维简化，以获得简化后的所述参数化版图；基于优化算法，对简化后的所述参数化版图进行迭代优化，迭代到最优解终止后，输出符合指标要求的最优版图。
在一种可选的实施方式中，程序510还用于使得处理器502在基于自学习专家系统，生成模拟版图的初始构型之前，构建设计师生成的原理图映射为版图的综合数据库，并基于所述综合数据库生成所述原理图映射为所述版图要用到的知识规则，再基于所述知识规则形成用于记忆控制版图生成所采用的规则程序的推理机；将待生成版图的原理图输入所述推理机进行推理生成初始版图，并将所述初始版图进行参数化处理，得到参数化的版图，再通过参数的敏感度分析，对所述参数化的版图进行简化处理，得到简化后的版图；对所述简化后的版图进行优化，得到优化后的版图，并将所述优化后的版图和所述优化后的版图的原理图做成数据集更新所述综合数据库，从而更新所述自学习专家系统的知识库和推理机。
在一种可选的实施方式中，程序510还用于使得处理器502在基于自学习专家系统，生成模拟版图的初始构型时，将所述模拟集成电路的拓扑结构、器件信息和连接信息进行表征的图输入所述自学习专家系统的推理机，以自动生成所述模拟版图的初始构型。
在一种可选的实施方式中，程序510还用于使得处理器502在基于所述模拟版图的初始构型建立参数化版图时，按照设计师的参数化规则，对所述模拟版图的初始构型进行处理，以获得所述参数化版图；或者，对所述模拟版图的初始构型进行形状离散化处理，以获得所述参数化版图。
在一种可选的实施方式中，程序510还用于使得处理器502在对所述参数化版图的后仿参数进行降维简化，以获得简化后的所述参数化版图时，通过控制变量法，对所述参数化版图的后仿参数进行扰动，获得扰动前后的版图仿真结果；采用无监督技术的聚类算法归纳所述参数化版图的后仿参数和版图仿真结果的映射关系，从而建立识别表征模拟集成电路工作性能的参数的关系模型。
在一种可选的实施方式中，程序510还用于使得处理器502在基于优化算法，对简化后的所述参数化版图进行迭代优化，迭代到最优解终止后，输出符合指标要求的最优版图时，第一步骤：基于全局优化算法，对简化后的所述参数化版图中表征所述模拟集成电路的工作性能的关键参数进行优化，并保存优化过程中的历史数据；第二步骤：基于所述优化过程中的历史数据创建世界模型，并将基于所述世界模型的后仿参数变量值输入后仿真求解器进行真实仿真计算，获得真实仿真计算结果，再查看基于所述真实仿真计算结果获得的指标是否符合所述设计指标；响应于确定基于所述真实仿真计算结果获得的指标符合所述设计指标，终止迭代优化，输出所述最优版图；响应于确定基于所述真实仿真计算结果获得的指标不符合所述设计指标，迭代执行所述第一步骤和所述第二步骤，直到基于所述真实仿真计算结果获得的指标符合所述设计指标。
在一种可选的实施方式中，程序510还用于使得处理器502利用规则提取器，对所述最优版图进行规则提取，并基于提取的规则，对所述自学习专家系统的知识库进行修改，其中，所述规则提取器是按照版图设计指标和最优版图的器件图形学、器件位置、布线的图形学的映射关系进行规则提取。
在一种可选的实施方式中，程序510还用于使得处理器502在基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型时，基于符合设计指标要求的所述数据库，提取所述电子器件对应的指标集作为样本集，并基于样本集训练所述算法模型。
程序510中各步骤的具体实现可以参见上述电子器件的算法模型的生成方法实施例，或者电子器件的版图生成方法实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和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描述，在此不再赘述。
通过本实施例的电子设备，对电子器件的初始构型进行扰动，以获得所述电子器件的扰动后的初始构型，并对所述电子器件的扰动后的初始构型进行仿真求解计算，以获得所述电子器件的扰动后的初始构型的仿真结果，再对所述电子器件的扰动后的初始构型的仿真结果进行指标提取，以获得所述电子器件的扰动后的初始构型的指标，响应于确定所述电子器件的扰动后的初始构型的指标符合所述电子器件的设计指标的要求，将所述电子器件的扰动后的初始构型的指标存入数据库，以构建符合设计指标要求的所述数据库，并基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型，能够有效地生成算法模型，使得生成的算法模型能够有效地生成电子器件的符合设计指标要求的版图，从而有效解决电子器件的设计周期长和设计成本高的技术问题。此外，根据目标电子器件的类型，确定用于生成所述目标电子器件的版图的算法模型，其中，所述算法模型为根据本实施例一所述的电子器件的算法模型的生成方法生成得到的算法模型，并通过所述算法模型，根据所述目标电子器件的性能指标，生成所述目标电子器件的符合设计指标要求的版图，能够有效地生成电子器件的符合设计指标要求的版图，从而有效解决电子器件的设计周期长和设计成本高的技术问题。
需要指出，根据实施的需要，可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的电子器件的算法模型的生成方法或者电子器件的版图生成方法。此外，当通用计算机访问用于实现在此示出的电子器件的算法模型的生成方法或者电子器件的版图生成方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的电子器件的算法模型的生成方法或者电子器件的版图生成方法的专用计算机。
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方法步骤，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发明实施例的范围。
以上实施方式仅用于说明本发明实施例，而并非对本发明实施例的限制，有关技术领域的普通技术人员，在不脱离本发明实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明实施例的范畴，本发明实施例的专利保护范围应由权利要求限定。
Claims (19)
1.一种电子器件的算法模型的生成方法，其特征在于，所述方法包括：
对电子器件的初始构型进行扰动，以获得所述电子器件的扰动后的初始构型，并对所述电子器件的扰动后的初始构型进行仿真求解计算，以获得所述电子器件的扰动后的初始构型的仿真结果；
对所述电子器件的扰动后的初始构型的仿真结果进行指标提取，以获得所述电子器件的扰动后的初始构型的指标；
响应于确定所述电子器件的扰动后的初始构型的指标符合所述电子器件的设计指标的要求，则将所述电子器件的扰动后的初始构型的指标存入数据库，以构建符合设计指标要求的所述数据库；
基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型。
2.根据权利要求1所述的电子器件的算法模型的生成方法，其特征在于，所述方法还包括：
响应于确定所述电子器件的扰动后的初始构型的指标不符合所述电子器件的设计指标的要求，则对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。
3.根据权利要求2所述的电子器件的算法模型的生成方法，其特征在于，所述对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求，包括：
通过基于全局优化算法或者局部优化算法的优化器，对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。
4.根据权利要求2所述的电子器件的算法模型的生成方法，其特征在于，所述对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求，包括：
通过基于深度学习构建的优化智能体，对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求。
5.根据权利要求4所述的电子器件的算法模型的生成方法，其特征在于，所述通过基于深度学习构建的优化智能体，对所述电子器件的扰动后的初始构型进行优化之前，所述方法还包括：
采集所述电子器件的初始构型中影响所述电子器件的工作性能的各部位的多组参数集；
对所述电子器件的初始构型中影响所述电子器件的工作性能的各部位的多组参数集进行仿真求解计算，以获得仿真结果；
基于深度学习构建所述优化智能体，将所述多组参数集和所述仿真结果作为样本集训练所述优化智能体。
6.根据权利要求2所述的电子器件的算法模型的生成方法，其特征在于，所述电子器件包括模拟集成电路，
所述对所述电子器件的扰动后的初始构型进行优化，使得所述电子器件的优化后的初始构型的指标符合所述电子器件的设计指标的要求，包括：
通过基于专家系统、无监督算法、深度学习和优化算法搭建的模拟版图优化智能体，对所述模拟集成电路的扰动后的初始构型进行优化，使得所述模拟集成电路的优化后的初始构型的指标符合所述模拟集成电路的设计指标的要求。
7.根据权利要求6所述的电子器件的算法模型的生成方法，其特征在于，所述通过基于专家系统、无监督算法、深度学习和优化算法搭建的模拟版图优化智能体，对所述模拟集成电路的扰动后的初始构型进行优化之前，所述方法还包括：
基于自学习专家系统，生成模拟版图的初始构型，并基于所述模拟版图的初始构型建立参数化版图；
对所述参数化版图的后仿参数进行降维简化，以获得简化后的所述参数化版图；
基于优化算法，对简化后的所述参数化版图进行迭代优化，迭代到最优解终止后，输出符合指标要求的最优版图。
8.根据权利要求7所述的电子器件的算法模型的生成方法，其特征在于，所述基于自学习专家系统，生成模拟版图的初始构型之前，所述方法还包括：
构建设计师生成的原理图映射为版图的综合数据库，并基于所述综合数据库生成所述原理图映射为所述版图要用到的知识规则，再基于所述知识规则形成用于记忆控制版图生成所采用的规则程序的推理机；
将待生成版图的原理图输入所述推理机进行推理生成初始版图，并将所述初始版图进行参数化处理，得到参数化的版图，再通过参数的敏感度分析，对所述参数化的版图进行简化处理，得到简化后的版图；
对所述简化后的版图进行优化，得到优化后的版图，并将所述优化后的版图和所述优化后的版图的原理图做成数据集更新所述综合数据库，从而更新所述自学习专家系统的知识库和推理机。
9.根据权利要求7所述的电子器件的算法模型的生成方法，其特征在于，所述基于自学习专家系统，生成模拟版图的初始构型，包括：
将所述模拟集成电路的拓扑结构、器件信息和连接信息进行表征的图输入所述自学习专家系统的推理机，以自动生成所述模拟版图的初始构型。
10.根据权利要求7所述的电子器件的算法模型的生成方法，其特征在于，所述基于所述模拟版图的初始构型建立参数化版图，包括：
按照设计师的参数化规则，对所述模拟版图的初始构型进行处理，以获得所述参数化版图；或者，
对所述模拟版图的初始构型进行形状离散化处理，以获得所述参数化版图。
11.根据权利要求7所述的电子器件的算法模型的生成方法，其特征在于，所述对所述参数化版图的后仿参数进行降维简化，以获得简化后的所述参数化版图，包括：
通过控制变量法，对所述参数化版图的后仿参数进行扰动，获得扰动前后的版图仿真结果；
采用无监督技术的聚类算法归纳所述参数化版图的后仿参数和版图仿真结果的映射关系，从而建立识别表征模拟集成电路工作性能的参数的关系模型。
12.根据权利要求7所述的电子器件的算法模型的生成方法，其特征在于，所述基于优化算法，对简化后的所述参数化版图进行迭代优化，迭代到最优解终止后，输出符合指标要求的最优版图，包括：
第一步骤：基于全局优化算法，对简化后的所述参数化版图中表征所述模拟集成电路的工作性能的关键参数进行优化，并保存优化过程中的历史数据；
第二步骤：基于所述优化过程中的历史数据创建世界模型，并将基于所述世界模型的后仿参数变量值输入后仿真求解器进行真实仿真计算，获得真实仿真计算结果，再查看基于所述真实仿真计算结果获得的指标是否符合所述设计指标；
响应于确定基于所述真实仿真计算结果获得的指标符合所述设计指标，终止迭代优化，输出所述最优版图；
响应于确定基于所述真实仿真计算结果获得的指标不符合所述设计指标，迭代执行所述第一步骤和所述第二步骤，直到基于所述真实仿真计算结果获得的指标符合所述设计指标。
13.根据权利要求7所述的电子器件的算法模型的生成方法，其特征在于，所述方法还包括：
利用规则提取器，对所述最优版图进行规则提取，并基于提取的规则，对所述自学习专家系统的知识库进行修改，其中，所述规则提取器是按照版图设计指标和最优版图的器件图形学、器件位置、布线的图形学的映射关系进行规则提取。
14.根据权利要求1所述的电子器件的算法模型的生成方法，其特征在于，所述基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型，包括：
基于符合设计指标要求的所述数据库，提取所述电子器件对应的指标集作为样本集，并基于样本集训练所述算法模型。
15.一种电子器件的版图生成方法，其特征在于，所述方法包括：
根据目标电子器件的类型，确定用于生成所述目标电子器件的版图的算法模型，其中，所述算法模型为根据权利要求1-14中任意一项权利要求所述的电子器件的算法模型的生成方法生成得到的算法模型；
通过所述算法模型，根据所述目标电子器件的性能指标，生成所述目标电子器件的符合设计指标要求的版图。
16.一种电子器件的算法模型的生成装置，其特征在于，所述装置包括：
仿真模块，用于对电子器件的初始构型进行扰动，以获得所述电子器件的扰动后的初始构型，并对所述电子器件的扰动后的初始构型进行仿真求解计算，以获得所述电子器件的扰动后的初始构型的仿真结果；
指标提取模块，用于对所述电子器件的扰动后的初始构型的仿真结果进行指标提取，以获得所述电子器件的扰动后的初始构型的指标；
构建模块，用于响应于确定所述电子器件的扰动后的初始构型的指标符合所述电子器件的设计指标的要求，则将所述电子器件的扰动后的初始构型的指标存入数据库，以构建符合设计指标要求的所述数据库；
第一生成模块，用于基于符合设计指标要求的所述数据库，生成用于生成所述电子器件的版图的算法模型。
17.一种电子器件的版图生成装置，其特征在于，所述装置包括：
确定模块，用于根据目标电子器件的类型，确定用于生成所述目标电子器件的版图的算法模型，其中，所述算法模型为根据权利要求16所述的电子器件的算法模型的生成装置生成得到的算法模型；
第二生成模块，用于通过所述算法模型，根据所述目标电子器件的性能指标，生成所述目标电子器件的符合设计指标要求的版图。
18.一种电子设备，其特征在于，所述设备包括：
处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-14中任意一项权利要求所述的电子器件的算法模型的生成方法对应的操作，或者执行如权利要求15所述的电子器件的版图生成方法对应的操作。
19.一种计算机存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-14中任意一项权利要求所述的电子器件的算法模型的生成方法，或者实现如权利要求15所述的电子器件的版图生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210202727.2A CN114595656A (zh) | 2022-03-02 | 2022-03-02 | 电子器件的算法模型和版图的生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210202727.2A CN114595656A (zh) | 2022-03-02 | 2022-03-02 | 电子器件的算法模型和版图的生成方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114595656A true CN114595656A (zh) | 2022-06-07 |
Family
ID=81815162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210202727.2A Pending CN114595656A (zh) | 2022-03-02 | 2022-03-02 | 电子器件的算法模型和版图的生成方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114595656A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114895196A (zh) * | 2022-07-13 | 2022-08-12 | 深圳市威特利电源有限公司 | 一种基于人工智能的新能源电池故障诊断方法 |
| CN115249005A (zh) * | 2022-09-21 | 2022-10-28 | 深圳飞骧科技股份有限公司 | 射频前端模组自动版图布局的方法、系统及相关设备 |
-
2022
- 2022-03-02 CN CN202210202727.2A patent/CN114595656A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114895196A (zh) * | 2022-07-13 | 2022-08-12 | 深圳市威特利电源有限公司 | 一种基于人工智能的新能源电池故障诊断方法 |
| CN114895196B (zh) * | 2022-07-13 | 2022-10-25 | 深圳市威特利电源有限公司 | 一种基于人工智能的新能源电池故障诊断方法 |
| CN115249005A (zh) * | 2022-09-21 | 2022-10-28 | 深圳飞骧科技股份有限公司 | 射频前端模组自动版图布局的方法、系统及相关设备 |
| WO2024060829A1 (zh) * | 2022-09-21 | 2024-03-28 | 深圳飞骧科技股份有限公司 | 射频前端模组自动版图布局的方法、系统及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114595656A (zh) | 电子器件的算法模型和版图的生成方法、装置、设备及介质 | |
| CN114861576B (zh) | 超导量子芯片版图的仿真方法及装置、电子设备和介质 | |
| US8074189B2 (en) | Pruning-based variation-aware design | |
| CN110276442A (zh) | 一种神经网络架构的搜索方法及装置 | |
| US11568098B2 (en) | Designing convective cooling channels | |
| CN108629066A (zh) | 用于开发和优化电子器件的电子架构设计的方法和计算机系统 | |
| WO2017092623A1 (zh) | 文本向量表示方法及装置 | |
| CN112528591B (zh) | 一种基于联合蒙特卡洛树搜索的pcb板自动布线方法 | |
| CN101477529A (zh) | 一种三维对象的检索方法和装置 | |
| CN112464611B (zh) | 一种基于云端协同智能处理的pcb自动布线系统 | |
| Rios et al. | On the efficiency of a point cloud autoencoder as a geometric representation for shape optimization | |
| CN109344969B (zh) | 神经网络系统及其训练方法以及计算机可读介质 | |
| CN111191361A (zh) | 一种基于随机森林的螺旋电感建模方法 | |
| US20240070372A1 (en) | Quantum layout optimization method, apparatus, and computer-readable storage medium | |
| CN111707262B (zh) | 基于最近点向量投影的点云匹配方法、介质、终端和装置 | |
| CN111124902A (zh) | 对象操作方法和装置、计算机可读的存储介质及电子装置 | |
| 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 | |
| CN115906303A (zh) | 一种基于机器学习的平面微波滤波器设计方法及装置 | |
| CN114925651A (zh) | 一种电路走线确定方法及相关设备 | |
| CN113505560B (zh) | 一种fpga布线拥塞预测方法及系统 | |
| CN115221833B (zh) | 一种pcb板布线排序方法、系统、装置及可读存储介质 | |
| CN111645687A (zh) | 变道策略确定方法、装置及存储介质 | |
| Dolin et al. | Representation of Algorithms for Schematic Synthesis of Radio Engineering Devices in the Knowledge Base of the Expert System | |
| CN115759179A (zh) | 一种应用于多任务学习的策略模型训练方法、装置及设备 | |
| CN115238620A (zh) | 一种响应曲面结合支持向量回归机的复合算法辅助模拟ic设计方法 |
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 |