CN114970431B - Mos管参数估计模型的训练方法和装置 - Google Patents
Mos管参数估计模型的训练方法和装置 Download PDFInfo
- Publication number
- CN114970431B CN114970431B CN202210752778.2A CN202210752778A CN114970431B CN 114970431 B CN114970431 B CN 114970431B CN 202210752778 A CN202210752778 A CN 202210752778A CN 114970431 B CN114970431 B CN 114970431B
- Authority
- CN
- China
- Prior art keywords
- simulation
- groups
- mos tube
- new
- estimation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004088 simulation Methods 0.000 claims abstract description 136
- 238000005070 sampling Methods 0.000 claims abstract description 67
- 238000004590 computer program Methods 0.000 claims description 15
- 239000000758 substrate Substances 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 235000013599 spices Nutrition 0.000 description 11
- 238000013461 design Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
- Insulated Gate Type Field-Effect Transistor (AREA)
Abstract
本发明公开了一种MOS管参数估计模型的训练方法和装置,能够改善因样本空间过大训练集不充分的问题。该方法包括:S1生成包括N组仿真参数和MOS管的L组采样电压的训练数据集;S2根据N组仿真参数和L组采样电压,得到N组仿真电流;S3向待训练的MOS管参数估计模型输入N组仿真电流和N组仿真参数;S4获取L个仿真电流值的重要度;S5当存在q个仿真电流值的重要度远小于均值时,确定q个仿真电流值的重要度所对应的q个仿真电流和对应的q组采样电压;删除训练数据集中的q组采样电压;S6重新选取q组采样电压并添加至训练数据集,得到新的训练数据集;S7重复训练直至输出的仿真电流值的重要度不存在远小于均值情况时,输出训练后的MOS管参数估计模型。
Description
技术领域
本发明涉及半导体集成电路设计领域,尤其涉及一种MOS管参数估计模型的训练方法和装置。
背景技术
半导体集成电路设计的复杂多变和制造技术的上百道工艺环节总会存在各种各样的不确定性因素,相同尺寸类型的MOS晶体管因为生产批次和生产条件的差异,其性能也会有区别。而在MOS晶体管的所有性能指标中,器件的可靠性占据着极其重要的作用,直接影响着器件的成品率、使用寿命和其它性能指标。
设计集成电路,特别是复杂的集成电路,没有精确的模拟仿真电路特性是不行的,MOS晶体管模型作为IC设计和IC制造之间的关键桥梁,在集成电路工艺日趋复杂的今天,有着更多更高的要求。对器件不同方面的要求,可以选择合适的器件模型进行描述,可以从模型参数来了解工艺生产的稳定性,也可以从模型参数来分析产品发生失效现象的原因。所以在分析器件的可靠性问题上,MOS晶体管的可靠性模型就来得十分重要。
MOS晶体管的参数估计模型建模步骤一般是:首先采集实际器件的电流电压曲线信息;其次设置SPICE模型参数,输出模型的电流电压曲线信息;之后对比实际的电流电压曲线信息和SPICE模型输出的电流电压信息,调整SPICE模型参数重复上述步骤直至两电流电压信息接近吻合。上述方法涉及到的人为因素较多,且需要依赖电路经验,虽然现有技术也有使用遗传算法来进行参数提取的方法,但使用遗传算法将不可避免地需要在较高维度的空间内搜索相应的解,所需时间较长。
发明内容
本发明实施例提供一种MOS管参数估计模型的训练方法和装置,用以减小训练数据集的数量,改善因样本空间过大训练集不充分的问题。
第一方面,本发明提供一种MOS管参数估计模型的训练方法,该方法包括:S1,生成训练数据集,所述训练数据集包括N组仿真参数和MOS管的L组采样电压;S2,根据所述N组仿真参数和所述L组采样电压,得到N组仿真电流;S3,向待训练的MOS管参数估计模型输入所述N组仿真电流和N组仿真参数;S4,获取所述待训练的MOS管参数估计模型的输出结果,所述输出结果包括L个仿真电流值的重要度;S5,当存在q个仿真电流值的重要度远小于所述均值时,确定所述q个仿真电流值的重要度所对应的q个仿真电流,以及所述q个仿真电流所对应的q组采样电压;删除所述训练数据集中的所述q组采样电压,N、L和q均为正整数,q小于L;S6,根据最大的仿真电流值的重要度所对应的采样电压,重新选取q组采样电压并添加至所述训练数据集,得到新的训练数据集;S7,利用所述新的训练数据集重复执行S2至S5,直至MOS管参数估计模型输出的仿真电流值的重要度不存在远小于所述均值的情况时,输出训练后的MOS管参数估计模型。
在一种可能的实施例中,所述方法还包括:S8,获取待预测的MOS管在采样电压处的电流值;S9,将所述电流值作为输入所述训练后的MOS管参数估计模型,得到预测结果,所述预测结果包括均值和方差;S10,当所述方差不小于设定阈值时,根据所述均值重新选取新的仿真参数并利用所述新的仿真参数修改所述训练数据集,得到新的训练数据集;S11,利用所述新的训练数据集重复执行S2至S7,得到更新后的MOS管参数估计模型。该实施例中,利用回归方差来优化训练数据集的方法,使得在保证准确率的同时参数回归不会带来时间成本的消耗。
在其它可能的实施例中,所述q组采样电压满足如下公式:
Vnew=Vm+λ={Vgm+λ1,Vdm+λ2,Vsm+λ3,Vbm+λ4}
其中:
Vnew代表q组采样电压中的任意一个,Vm代表一组采样电压{Vgm,Vdm,Vsm,Vbm},Vdm代表MOS管漏极电压,Vsm代表MOS管的源极电压,Vgm代表MOS管的栅极电压,Vbm代表MOS管的衬底电压,λ、λ1、λ2、λ3和λ4代表不同的步长,可根据电压值的范围进行设置。
在其它可能的实施例中,所述新的仿真参数满足如下公式:
θnew={θ0+ε0,θ1+ε1,θ2+ε2,...,θk-1+εk-1}
其中:θnew代表新的一组仿真参数,θ0、θ1、...、θk-1代表θnew中的K个仿真参数,ε、ε0、ε1、ε2、...、εk-1代表K个不同的步长。
可以理解的,在其它可能的实施例中,所述待训练的MOS管参数估计模型可以是随机森林模型。
本发明提供的MOS管参数估计模型的训练方法的有益效果在于:通过设计自适应采样电压的方法来确定选取的电流信息,从而优化仿真电流的电流特征,通过自适应选取样本参数获取新的训练样本,使得MOS管的仿真电流信息输入到MOS管参数估计模型后得到的参数方差小于设定的阈值,最终得到所需的MOS管参数估计模型,由此可以解决因样本空间过大训练集不充分的问题,即减小了训练集的数量。
第二方面,本申请实施例还提供一种MOS管参数估计模型的训练装置,该装置包括执行上述第一方面的任意一种可能的设计的方法的模块/单元。这些模块/单元可以通过硬件实现,也可以通过硬件执行相应的软件实现。
第三方面,本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质包括计算机程序,当计算机程序在电子设备上运行时,使得所述电子设备执行上述第一方面至第三方面中的任意一种可能的设计的方法。
第四方面,本申请实施例还提供一种包含计算机程序产品,当所述计算机程序产品在电子设备上运行时,使得所述电子设备执行上述第一方面至第三方面中的任意一种可能的设计的方法。
关于上述第三方面至第四方面的有益效果可以参见上述第一方面中的描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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的附图。
图1为本发明实施例提供的一种MOS管参数估计模型的训练方法流程示意图;
图2为本发明实施例提供的一种仿真软件进行电流仿真的示意图;
图3为本发明实施例提供的基于图1所示流程的MOS管参数估计模型的训练方法流程示意图;
图4为本发明实施例提供的一种MOS管参数估计模型的训练装置的示意图;
图5为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
在本申请实施例的描述中,以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式,除非其上下文中明确地有相反指示。还应当理解,在本申请以下各实施例中,“至少一个”、“一个或多个”是指一个或两个以上(包含两个)。术语“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系;例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。术语“连接”包括直接连接和间接连接,除非另外说明。“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要度或者隐含指明所指示的技术特征的数量。
在本申请实施例中,“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。
本申请实施例提供了一种MOS管参数估计模型的训练方法的流程,如图1所示,该方法的流程可以由电子设备执行,该方法包括以下步骤:
S1,生成训练数据集,所述训练数据集包括N组仿真参数和MOS管的L组采样电压。
其中,仿真参数与MOS管的尺寸和类型相关。采样电压则是包括MOS管漏极电压,MOS管的源极电压,MOS管的栅极电压和MOS管的衬底电压。
S2,根据所述N组仿真参数和所述L组采样电压,得到N组仿真电流。
该步骤中,训练数据集可以依赖SPICE仿真软件生成,向SPICE仿真软件输入一组仿真参数和一组采样电压,SPICE仿真软件输出一组仿真电流。示例性地,如图2所示,一组仿真参数θ包括K个仿真参数θ0、θ1、...、θk-1。一组采样电压V包括vg、vd、vs,vb。其中,vd代表MOS管漏极电压,vs代表MOS管的源极电压,vg代表MOS管的栅极电压,vb代表MOS管的衬底电压。示例性地,一种可能的情况下,向SPICE仿真软件输入一组θ和一组V,SPICE仿真软件输出一个仿真电流I0;又一种可能的情况下,向SPICE仿真软件输入一组θ和L组V,SPICE仿真软件输出一组仿真电流I,该组仿真电流包括L个电流I0、I1、...、IL-1;另一种可能的情况下,向SPICE仿真软件输入N组θ和L组V,SPICE仿真软件输出N组仿真电流I。因此,将N组仿真参数和L组采样电压对应输入至SPICE仿真软件,可以得出N组仿真电流。
S3,向待训练的MOS管参数估计模型输入所述N组仿真电流和N组仿真参数。
S4,获取所述待训练的MOS管参数估计模型的输出结果,所述输出结果包括L个仿真电流值的重要度。
示例性的,待训练的MOS管参数估计模型是随机森林模型。
S5,当存在q个仿真电流值的重要度远小于所述均值时,确定所述q个仿真电流值的重要度所对应的q个仿真电流,以及所述q个仿真电流所对应的q组采样电压;删除所述训练数据集中的所述q组采样电压,N、L和q均为正整数,q小于L。
其中,q个仿真电流值的重要度远小于所述均值,指的是q个仿真电流值的重要度满足如下公式:其中:xi代表第i个仿真电流值的特征重要度;L代表特征个数,即每组电流的电流个数;t代表尺度因子,t为大于0、小于1的小数。
S6,根据最大的仿真电流值的重要度所对应的采样电压,重新选取q组采样电压并添加至所述训练数据集,得到新的训练数据集。
其中,重新选取的q组采样电压满足如下公式:
Vnew=Vm+λ={Vgm+λ1,Vdm+λ2,Vsm+λ3,Vbm+λ4}
其中:
Vnew代表q组采样电压中的任意一个,Vm代表一组采样电压{Vgm,Vdm,Vsm,Vbm},Vdm代表MOS管漏极电压,Vsm代表MOS管的源极电压,Vgm代表MOS管的栅极电压,Vbm代表MOS管的衬底电压,λ、λ1、λ2、λ3和λ4代表不同的步长,可根据电压值的范围进行设置。
S7,利用所述新的训练数据集重复执行S2至S5,直至MOS管参数估计模型的输出的仿真电流值的重要度不存在远小于所述均值的情况时,输出训练后的MOS管参数估计模型。
在一种可能的实施例中,所述方法还包括预测过程:S8,获取待预测的MOS管在L组采样电压处的电流值;S9,将所述L组采样电压处的电流值输入至所述训练后的MOS管参数估计模型,得到预测结果,所述预测结果包括均值和方差。当所述方差不小于设定阈值时,还可以返回执行上述训练过程:根据所述均值重新选取新的仿真参数并利用所述新的仿真参数添加至所述训练数据集,得到新的训练数据集。利用所述新的训练数据集重复执行上述S2至S7,得到更新后的MOS管参数估计模型。该实施例中,利用回归方差来优化训练数据集的方法,使得在保证准确率的同时参数回归不会带来时间成本的消耗。
在一种可能的实施方式中,所述新的仿真参数满足如下公式:
θnew={θ0+ε0,θ1+ε1,θ2+ε2,...,θk-1+εk-1}
其中:θnew代表新的一组仿真参数,θ0、θ1、...、θk-1代表θnew中的K个仿真参数,ε、ε0、ε1、ε2、...、εk-1代表K个不同的步长,例如参数量程的1%。
下文结合图3所示的方法流程图中训练阶段和预测阶段,系统性地对上述MOS管参数估计模型的训练方法进行详细阐述。
训练阶段:
S301,初始化SPICE仿真软件的初始仿真参数,以及生成包括N组仿真参数和MOS管的L组采样电压的训练数据集。
S302,向SPICE仿真软件输入N组仿真参数和MOS管的L组采样电压,得到N组仿真电流。
S303,向待训练的MOS管参数估计模型中输入仿真电流,得到L个仿真电流值的重要度。
S304,判断是否存在仿真电流值的重要度远小于L个仿真电流值的重要度的均值,若是,则执行S305,否则执行S308。
S305,当存在q个仿真电流值的重要度远小于L个仿真电流值的重要度的均值时,确定q个仿真电流值的重要度对应的仿真电流,以及所述仿真电流对应的q组采样电压。
S305,删除所述仿真电流对应的采样电压,并在最大的仿真电流的重要度对应的电压Vm附近随机选取新的q组采样电压,并添加至训练数据集,得到新的训练数据集。
S306,重新执行S301至S305,对待训练的MOS管参数估计模型中进行迭代,直至得到训练后的MOS管参数估计模型。
预测阶段:
S307,获取待预测的MOS管在采样电压处的电流值。
S308,将所述电流值输入所述训练后的MOS管参数估计模型,得到预测结果,所述预测结果包括均值μ和和方差σ。
S309,判断方差σ是否不小于设定阈值T,若是则执行S310,否则结束预测阶段。
S310,当方差σ不小于设定阈值T时,在所述均值μ附近进行随机采样,得到的新的仿真参数添加进入训练数据集中,得到新的训练数据集。
之后,重新执行S301至S305,对待训练的MOS管参数估计模型中进行迭代,直至得到训练后的MOS管参数估计模型。
综上,本发明提供的提供的MOS管参数估计模型的训练方法的有益效果在于:通过设计自适应采样电压的方法来确定选取的电流信息,从而优化仿真电流值,通过自适应选取样本参数获取新的训练样本,使得MOS管的仿真电流信息输入到MOS管参数估计模型后得到的参数方差小于设定的阈值,最终得到所需的MOS管参数估计模型,使得在保证准确率的同时参数回归不会带来时间成本的消耗,可以解决因样本空间过大训练集不充分的问题,即减小了训练集的数量。
在本申请的一些实施例中,本申请实施例公开了一种MOS管参数估计模型的训练装置,如图4所示,该装置用于实现以上图1所示方法实施例中记载的方法,其包括:
生成单元401,用于生成训练数据集,所述训练数据集包括N组仿真参数和MOS管的L组采样电压;
仿真单元402,用于根据所述N组仿真参数和所述L组采样电压,得到N组仿真电流;
训练单元403,用于向待训练的MOS管参数估计模型输入所述N组仿真电流和N组仿真参数,获取所述待训练的MOS管参数估计模型的输出结果,所述输出结果包括L个仿真电流值的重要度;
更新单元404,用于当存在q个仿真电流值的重要度远小于所述均值时,确定所述q个仿真电流值的重要度所对应的q个仿真电流,以及所述q个仿真电流所对应的q组采样电压;删除所述训练数据集中的所述q组采样电压,N、L和q均为正整数,q小于L;
所述生成单元401,还用于根据最大的仿真电流值的重要度所对应的采样电压,重新选取q组采样电压并添加至所述训练数据集,得到新的训练数据集;
所述仿真单元402和所述训练单元403还用于利用所述新的训练数据集重复执行上述步骤,直至MOS管参数估计模型的输出结果中不存在远小于所述均值的仿真电流值的重要度时,输出训练后的MOS管参数估计模型。
所述装置还包括:
获取单元405,用于获取待预测的MOS管在L组采样电压处的电流值;
预测单元406,用于将所述L组采样电压处的电流值作为输入所述训练后的MOS管参数估计模型,得到预测结果,所述预测结果包括均值和方差;
所述更新单元407,还用于当所述方差不小于设定阈值时,根据所述均值重新选取新的仿真参数并利用所述新的仿真参数修改所述训练数据集,得到新的训练数据集;
所述仿真单元402和所述训练单元403还用于,利用所述新的训练数据集重复执行上述步骤,得到更新后的MOS管参数估计模型。
上述图1所示方法实施例涉及的各步骤的所有相关内容均可以援引到对应单元模块的功能描述,在此不再赘述。
在本申请的另一些实施例中,本申请实施例公开了一种电子设备,如图5所示,该电子设备可以包括:一个或多个处理器501;存储器502;显示器503;一个或多个应用程序(未示出);以及一个或多个计算机程序504,上述各器件可以通过一个或多个通信总线505连接。其中该一个或多个计算机程序504被存储在上述存储器502中并被配置为被该一个或多个处理器1001执行,该一个或多个计算机程序504包括指令。上述指令可以用于执行如图1或图3相应实施例中的各个步骤。
在本申请实施例中,处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
在本申请实施例中,存储器可以是非易失性存储器,比如硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)等,还可以是易失性存储器(volatilememory),例如随机存取存储器(random-access memory,RAM)。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置,用于存储计算机程序和/或数据。
本发明还提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被计算机执行时实现上述方法实施例所述方法。
本发明还提供了一种计算机程序产品,该计算机程序产品被计算机执行时实现上述方法实施例所述方法。
本发明还提供了一种芯片或芯片模组,该芯片或芯片模组与存储器耦合,用于执行存储器中存储的计算机程序,使得终端执行上述方法实施例所述方法。
本申请实施例提供的方法中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、用户设备或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机可以存取的任何介质或者是包含一个或多个介质集成的服务器、数据中心等数据存储设备。所述介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,数字视频光盘(digital video disc,DVD))、或者半导体介质(例如SSD)等。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种MOS管参数估计模型的训练方法,其特征在于,所述方法包括:
S1,生成训练数据集,所述训练数据集包括N组仿真参数和MOS管的L组采样电压;
S2,根据所述N组仿真参数和所述L组采样电压,得到N组仿真电流;
S3,向待训练的MOS管参数估计模型输入所述N组仿真电流和N组仿真参数;
S4,获取所述待训练的MOS管参数估计模型的输出结果,所述输出结果包括L个仿真电流值的重要度;
S5,当存在q个仿真电流值的重要度远小于所述L个仿真电流值的重要度的均值时,确定所述q个仿真电流值的重要度所对应的q个仿真电流,以及所述q个仿真电流所对应的q组采样电压;删除所述训练数据集中的所述q组采样电压,N、L和q均为正整数,q小于L;
S6,根据最大的仿真电流值的重要度所对应的采样电压,重新选取q组采样电压并添加至所述训练数据集,得到新的训练数据集;
S7,利用所述新的训练数据集重复执行S2至S5,直至MOS管参数估计模型的输出的仿真电流值的重要度不存在远小于所述均值的情况时,输出训练后的MOS管参数估计模型。
2.根据权利要求1所述的训练方法,其特征在于,所述方法还包括:
S8,获取待预测的MOS管在L组采样电压处的电流值;
S9,将所述L组采样电压处的电流值输入到所述训练后的MOS管参数估计模型,得到预测结果,所述预测结果包括均值和方差;
S10,当所述方差不小于设定阈值时,根据所述均值重新选取新的仿真参数并利用所述新的仿真参数添加至所述训练数据集,得到新的训练数据集;
S11,利用所述新的训练数据集重复执行S2至S7,得到更新后的MOS管参数估计模型。
3.根据权利要求1或2所述的训练方法,其特征在于,所述q组采样电压满足如下公式:
Vnew=Vm+λ={Vgm+λ1,Vdm+λ2,Vsm+λ3,Vbm+λ4}
其中:
Vnew代表q组采样电压中的任意一个,Vm代表一组采样电压{Vgm,Vdm,Vsm,Vbm},Vdm代表MOS管漏极电压,Vsm代表MOS管的源极电压,Vgm代表MOS管的栅极电压,Vbm代表MOS管的衬底电压,λ、λ1、λ2、λ3和λ4代表不同的步长,可根据电压值的范围进行设置。
4.根据权利要求2所述的训练方法,其特征在于,所述新的仿真参数满足如下公式:
θnew={θ0+ε0,θ1+ε1,θ2+ε2,...,θk-1+εk-1}
其中:θnew代表新的一组仿真参数,θ0、θ1、...、θk-1代表θnew中的K个仿真参数,ε、ε0、ε1、ε2、...、εk-1代表K个不同的步长。
5.根据权利要求1或2所述的训练方法,其特征在于,所述待训练的MOS管参数估计模型是随机森林模型。
6.一种MOS管参数估计模型的训练装置,其特征在于,所述装置包括:
生成单元,用于生成训练数据集,所述训练数据集包括N组仿真参数和MOS管的L组采样电压;
仿真单元,用于根据所述N组仿真参数和所述L组采样电压,得到N组仿真电流;
训练单元,用于向待训练的MOS管参数估计模型输入所述N组仿真电流和N组仿真参数,获取所述待训练的MOS管参数估计模型的输出结果,所述输出结果包括L个仿真电流值的重要度;
更新单元,用于当存在q个仿真电流值的重要度远小于所述L个仿真电流值的重要度的均值时,确定所述q个仿真电流值的重要度所对应的q个仿真电流,以及所述q个仿真电流所对应的q组采样电压;删除所述训练数据集中的所述q组采样电压,N、L和q均为正整数,q小于L;
所述生成单元,还用于根据最大的仿真电流值的重要度所对应的采样电压,重新选取q组采样电压并添加至所述训练数据集,得到新的训练数据集;
所述仿真单元和所述训练单元还用于利用所述新的训练数据集重复执行上述步骤,直至MOS管参数估计模型输出的仿真电流值的重要度不存在远小于所述均值的情况时,输出训练后的MOS管参数估计模型。
7.根据权利要求6所述的训练装置,其特征在于,所述装置还包括:
获取单元,用于获取待预测的MOS管在采样电压处的电流值;
预测单元,用于将所述电流值作为输入所述训练后的MOS管参数估计模型,得到预测结果,所述预测结果包括均值和方差;
所述更新单元,还用于当所述方差不小于设定阈值时,根据所述均值重新选取新的仿真参数并利用所述新的仿真参数修改所述训练数据集,得到新的训练数据集;
所述仿真单元和所述训练单元还用于,利用所述新的训练数据集重复执行上述步骤,得到更新后的MOS管参数估计模型。
8.根据权利要求6或7所述的训练装置,其特征在于,所述q组采样电压满足如下公式:
Vnew=Vm+λ={Vgm+λ1,Vdm+λ2,Vsm+λ3,Vbm+λ4}
其中:
Vnew代表q组采样电压中的任意一个,Vm代表一组采样电压{Vgm,Vdm,Vsm,Vbm},Vdm代表MOS管漏极电压,Vsm代表MOS管的源极电压,Vgm代表MOS管的栅极电压,Vbm代表MOS管的衬底电压,λ、λ1、λ2、λ3和λ4代表不同的步长,可根据电压值的范围进行设置。
9.根据权利要求7所述的训练装置,其特征在于,所述新的仿真参数满足如下公式:
θnew={θ0+ε0,θ1+ε1,θ2+ε2,...,θk-1+εk-1}
其中:θnew代表新的一组仿真参数,θ0、θ1、...、θk-1代表θnew中的K个仿真参数,ε、ε0、ε1、ε2、...、εk-1代表K个不同的步长。
10.根据权利要求6或7所述的训练装置,其特征在于,所述待训练的MOS管参数估计模型是随机森林模型。
11.一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至5中任一项所述的方法。
12.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,使得所述电子设备实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210752778.2A CN114970431B (zh) | 2022-06-29 | 2022-06-29 | Mos管参数估计模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210752778.2A CN114970431B (zh) | 2022-06-29 | 2022-06-29 | Mos管参数估计模型的训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114970431A CN114970431A (zh) | 2022-08-30 |
CN114970431B true CN114970431B (zh) | 2024-04-02 |
Family
ID=82966956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210752778.2A Active CN114970431B (zh) | 2022-06-29 | 2022-06-29 | Mos管参数估计模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970431B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112098798A (zh) * | 2020-09-18 | 2020-12-18 | 北京航空航天大学 | 一种基于神经网络的碳化硅mos器件结温在线测量方法 |
WO2020253055A1 (zh) * | 2019-06-19 | 2020-12-24 | 山东大学 | 一种基于遗传算法和机器学习的并行模拟电路优化方法 |
CN114297934A (zh) * | 2021-12-30 | 2022-04-08 | 无锡雪浪数制科技有限公司 | 一种基于代理模型的模型参数并行仿真优化方法及装置 |
CN114417581A (zh) * | 2021-12-31 | 2022-04-29 | 深圳天狼芯半导体有限公司 | 基于spice模型的仿真方法、仿真系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114667521A (zh) * | 2019-09-17 | 2022-06-24 | 特克特朗尼克公司 | 使用测量和深度学习的仿真校正 |
-
2022
- 2022-06-29 CN CN202210752778.2A patent/CN114970431B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253055A1 (zh) * | 2019-06-19 | 2020-12-24 | 山东大学 | 一种基于遗传算法和机器学习的并行模拟电路优化方法 |
CN112098798A (zh) * | 2020-09-18 | 2020-12-18 | 北京航空航天大学 | 一种基于神经网络的碳化硅mos器件结温在线测量方法 |
CN114297934A (zh) * | 2021-12-30 | 2022-04-08 | 无锡雪浪数制科技有限公司 | 一种基于代理模型的模型参数并行仿真优化方法及装置 |
CN114417581A (zh) * | 2021-12-31 | 2022-04-29 | 深圳天狼芯半导体有限公司 | 基于spice模型的仿真方法、仿真系统 |
Non-Patent Citations (1)
Title |
---|
基于Proteus集成运算放大器参数测试方法探讨;裴桐松;高晓燕;;河北交通教育;20200625(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114970431A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020143186A1 (zh) | 推荐系统训练方法、装置、计算机设备及存储介质 | |
US20190114711A1 (en) | Financial analysis system and method for unstructured text data | |
CN111881219A (zh) | 动态知识图谱补全方法、装置、电子设备和存储介质 | |
WO2022110640A1 (zh) | 一种模型优化方法、装置、计算机设备及存储介质 | |
WO2017181866A1 (en) | Making graph pattern queries bounded in big graphs | |
US20230206083A1 (en) | Optimizing gradient boosting feature selection | |
CN111401940A (zh) | 特征预测方法、装置、电子设备及存储介质 | |
CN111340220A (zh) | 用于训练预测模型的方法和装置 | |
CN111353601A (zh) | 用于预测模型结构的延时的方法和装置 | |
CN114970431B (zh) | Mos管参数估计模型的训练方法和装置 | |
CN115798602A (zh) | 基因调控网络构建方法、装置、设备及存储介质 | |
CN114926234A (zh) | 物品信息推送方法、装置、电子设备和计算机可读介质 | |
US11971796B2 (en) | Goal seek analysis based on status models | |
US11442650B2 (en) | Generating predicted usage of storage capacity | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN113837807A (zh) | 热度预测方法、装置、电子设备及可读存储介质 | |
JP6928346B2 (ja) | 予測装置、予測方法および予測プログラム | |
CN115550259B (zh) | 基于白名单的流量分配方法及相关设备 | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
CN113362097B (zh) | 一种用户确定方法和装置 | |
CN114118388B (zh) | 面向用户隐私保护的异构网络图链接预测方法及相关设备 | |
WO2022204845A1 (zh) | 实体热度生成方法、装置、存储介质及电子设备 | |
CN114519404B (zh) | 一种图像样本分类标注方法、装置、设备、存储介质 | |
US20230229957A1 (en) | Subcomponent model training | |
EP4293540A1 (en) | Model recommendation method and apparatus, and computer device |
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 |