CN115062501A - 一种基于自适应子问题选择策略的芯片封装设计优化方法 - Google Patents
一种基于自适应子问题选择策略的芯片封装设计优化方法 Download PDFInfo
- Publication number
- CN115062501A CN115062501A CN202210450465.1A CN202210450465A CN115062501A CN 115062501 A CN115062501 A CN 115062501A CN 202210450465 A CN202210450465 A CN 202210450465A CN 115062501 A CN115062501 A CN 115062501A
- Authority
- CN
- China
- Prior art keywords
- sub
- data set
- target
- parameters
- optimization
- 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
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于自适应子问题选择策略的芯片封装设计优化方法,其特征在于,方法包括:获取芯片封装设计的若干初始参数,并对初始参数进行有限元分析得到若干待优化目标的预测结果,从而得到初始数据集;根据若干待优化目标和初始参数,构建多目标优化问题,对多目标优化问题进行分解,得到若干单目标优化子问题,并基于预设的选择策略,根据初始数据集,通过筛选得到若干候选单目标优化子问题;根据初始数据集和若干候选单目标优化子问题,构建代理模型,从而得到更新的数据集;基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标。本发明能实现对多个参数进行多个目标的优化。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及的是一种基于自适应子问题选择策略的芯片封装设计优化方法。
背景技术
集成电路封装技术朝着精密化和微型化的方向发展,目前有许多研究在进行芯片封装参数优化以减小冷却过程中热应力的分布以及芯片翘曲。传统的依赖经验的计算-实验方法耗费的人力,物力,时间巨大。且因为芯片封装问题具有多个优化参数,传统实验方法难以胜任该任务。有限元数值模拟方法,采用有限元模型,能够模拟较为复杂的边界条件和材料性能,相对于真实实验而言降低了很大的成本,从而得到广泛的运用。在解决这些优化问题时,有限元仿真方法往往需要采用高精度数值分析技术,如有限元分析或计算流体动力学模拟进行评估候选解决方案的性能。但不足之处是有限元模拟需要很长的运行时间,每次调整参数都要运行一次有限元模拟,运行一次消耗的时间很长,从几分钟到几小时,甚至几天的CPU时间不等,进行大量参数测试时间的成本依旧高昂。常见的有限元仿真方法结合元启发式算法,能够形成一个循环工作流,同时对多个参数进行优化,进而优化单个目标,但难以同时优化多个目标,而在实际芯片封装优化问题中,需要同时优化多个目标,因此,现有技术的芯片封装设计方法无法实现对多个参数进行多个目标的优化。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于自适应子问题选择策略的芯片封装设计优化方法,旨在解决现有技术中芯片封装设计方法无法实现对多个参数进行多个目标的优化的问题。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种基于自适应子问题选择策略的芯片封装设计优化方法,其中,所述方法包括:
获取芯片封装设计的初始参数,并基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集;
根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题,对所述多目标优化问题进行分解,得到若干单目标优化子问题,并基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题;
根据所述初始数据集和若干所述候选单目标优化子问题,构建代理模型,根据所述代理模型和所述初始数据集,得到更新的数据集;
基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标。
在一种实现方式中,所述根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题包括:
对若干所述待优化目标进行归一化处理,得到若干归一化目标;
对若干所述归一化目标进行约束处理;
根据若干所述初始参数和经过约束处理的若干所述归一化目标获取多目标优化问题。
在一种实现方式中,所述对所述多目标优化问题进行分解,得到若干单目标优化子问题包括:
基于切比雪夫算法,将所述多目标优化问题分解为若干单目标优化子问题。
在一种实现方式中,所述基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题包括:
针对每个待优化目标,计算所述待优化目标对应的向量与每个单目标优化子问题的距离,获取与所述待优化目标对应的向量的最小距离,将最小距离对应的单目标优化子问题与所述待优化目标进行配对;
将配对失败的单目标优化子问题删除,并将与各个待优化目标配对的单目标优化子问题归类到第一子问题集;
针对第一子问题集中的每个子问题,提取所述初始数据集中的第一非支配解集,基于所述距离,对所述第一非支配解集中的非支配解进行降序排序,得到每个非支配解的排序序号;基于所述第一非支配解集、所述排序序号和所述距离获取每个子问题的解决程度值,其中,所述解决程度值用于表征对问题解决的程度;将所述解决程度值小于第一预设阈值的子问题归类至第二子问题集,并将所述第一子问题集中解决程度值小于第一预设阈值的子问题删除,得到第三子问题集;
当所述第二子问题集中的子问题的个数小于第二预设阈值时,将所述第三子问题集中解决程度值最小的子问题归类至第二子问题集,并将所述第二子问题集中的子问题作为若干候选单目标优化子问题。
在一种实现方式中,所述将配对失败的单目标优化子问题删除,并将与各个待优化目标配对的单目标优化子问题归类到第一子问题集之后包括:
从配对失败的单目标优化子问题中随机选择若干个单目标优化子问题,并将随机选择的若干个单目标优化子问题扩充至所述第一子问题集。
在一种实现方式中,所述根据所述代理模型和所述初始数据集,得到更新的数据集包括:
根据所述代理模型得到代理模型的预测后验信息,根据所述预测后验信息,通过预设的采集函数获取推荐参数;其中,所述预测后验信息用于表征代理模型的后验分布;
将所述推荐参数扩充至若干所述初始参数,得到更新的初始参数,迭代执行基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集的步骤,直至达到预设的条件,停止迭代;
将所述初始数据集中的初始参数替换为扩充后的初始参数,得到更新的数据集。
在一种实现方式中,所述基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标包括:
获取更新的数据集的第二非支配解集;
基于预设的聚类算法,对所述第二非支配解集中的非支配解进行聚类,得到聚类中心;
计算更新的数据集中的参数与聚类中心的距离;
将最小距离对应的参数作为芯片封装设计的最优参数;
将最小距离对应的待优化目标作为最优参数对应的最优目标。
第二方面,本发明实施例还提供一种基于自适应子问题选择策略的芯片封装设计优化装置,其中,所述装置包括:
初始数据集确定模块,用于获取芯片封装设计的初始参数,并基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集;单目标优化子问题筛选模块,用于根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题,对所述多目标优化问题进行分解,得到若干单目标优化子问题,并基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题;
更新的数据集获取模块,用于根据所述初始数据集和若干所述候选单目标优化子问题,构建代理模型,根据所述代理模型和所述初始数据集,得到更新的数据集;
最优参数和最优目标确定模块,用于基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标。
第三方面,本发明实施例还提供一种智能终端,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的基于自适应子问题选择策略的芯片封装设计优化方法。
第四方面,本发明实施例还提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如上述中任意一项所述的基于自适应子问题选择策略的芯片封装设计优化方法。
本发明的有益效果:本发明实施例首先获取芯片封装设计的初始参数,并基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集;然后根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题,对所述多目标优化问题进行分解,得到若干单目标优化子问题,并基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题;接着根据所述初始数据集和若干所述候选单目标优化子问题,构建代理模型,根据所述代理模型和所述初始数据集,得到更新的数据集;最后基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标;可见,本发明实施例中通过将芯片封装设计的目标的优化问题分解成多个单目标优化子问题,并通过对多个单目标优化子问题进行筛选,从而选择出最优潜力的子问题,提高优化效率,接着通过对多个单目标优化子问题构建代理模型得到更新的数据集,基于预设的聚类算法对更新的数据集进行处理得到芯片封装设计的最优参数和最优参数对应的最优目标,从而保证得到的最优参数和最优目标的代表性和多样性。
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中记载的一些实施例,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他的附图。
图1为本发明实施例提供的基于自适应子问题选择策略的芯片封装设计优化方法流程示意图。
图2为本发明实施例提供的一种实施方式的待优化的芯片封装有限元模型的截面图。
图3为本发明实施例提供的一个实施方式的待优化的芯片封装有限元模型坐标系示意图。
图4为本发明实施例提供的有限元分析模型中第一个目标翘曲的仿真示意图。
图5为本发明实施例提供的有限元分析模型中第二个目标冯米塞斯应力的仿真示意图。
图6为本发明实施例提供的基于自适应子问题选择策略的芯片封装设计优化装置的原理框图。
图7为本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了一种基于自适应子问题选择策略的芯片封装设计优化方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
由于现有技术中,芯片封装设计方法无法实现对多个参数进行多个目标的优化。
为了解决现有技术的问题,本实施例提供了一种基于自适应子问题选择策略的芯片封装设计优化方法,通过将芯片封装设计的目标的优化问题分解成多个单目标优化子问题,并通过对多个单目标优化子问题进行筛选,从而选择出最优潜力的子问题,提高优化效率,接着通过对多个单目标优化子问题构建代理模型得到更新的数据集,基于预设的聚类算法对更新的数据集进行处理得到芯片封装设计的最优参数和最优参数对应的最优目标,从而保证得到的最优参数和最优目标的代表性和多样性。具体实施时,首先获取芯片封装设计的初始参数,并基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集;然后根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题,对所述多目标优化问题进行分解,得到若干单目标优化子问题,并基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题;接着根据所述初始数据集和若干所述候选单目标优化子问题,构建代理模型,根据所述代理模型和所述初始数据集,得到更新的数据集;最后基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标。
举例说明
芯片封装是利用膜技术和微细加工技术,将芯片和其他电子元件在框架或基板上布置、粘贴固定及连接,引出接线端子并通过可塑性绝缘介质灌封固定,构成整体结构的工艺,起着安放、固定、密封、保护电路芯片免受周围环境的物理、化学等影响,和增强电热性能的作用。
细间距球栅阵列(Fine Pitch Ball Grid Array,简写为fpBGA)是一种阵列模制、经济高效、节省空间、基于层压基板的芯片级封装方式,具有塑料包覆成型封装和一系列细间距焊球端子。fpBGA是一种广泛用于空间受限应用的封装,如移动和手持计算设备。fpBGA的较小体积,较低的成本,以及更高的密度选项使其成为高性能或便携式应用的理想先进技术封装解决方案。
在芯片封装过程中,由于基板、芯片、用于粘合基板与芯片的粘结剂、环氧树脂等各种材料的热力学性能指标相差较大,器件在成型温度下降到室温的冷却过程中内部产生较大分布不均匀的应力、应变,引起器件不均匀翘曲,严重影响电子器件的可靠性、焊接性能和成品率。在精密化和微型化的封装趋势下,这个问题更为突出。
因此,针对fpBGA芯片封装方式,提出一种高效的设计优化方法,对于实现高可靠性、高性价比的芯片级封装设计具有非常重要的工程意义。
示例性方法
本实施例提供一种基于自适应子问题选择策略的芯片封装设计优化方法,该方法可以应用于人工智能的智能终端。具体如图1所示,所述方法包括:
步骤S100、获取芯片封装设计的初始参数,并基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集;
实际中,基于待优化的芯片封装设计,在有限元仿真软件中建立有限元结构,有限元结构器件包括基板、芯片、基板与芯片之间的粘结剂、对芯片进行包封的环氧树脂。如图2中的“fpBGA截面图”所示,包括基板、对芯片包封的环氧树脂、基板与芯片之间的粘结剂和芯片。建立空间直角坐标系,包含原点O,X方向、Y方向、Z方向。如图3中的“坐标图”所示,整个器件的X,Y方向为正方形。沿着z轴正方向,依次是基板、粘结剂、芯片、环氧树脂。原点O在基板底面中心位置。基板边长为90mm,粘结剂边长为40mm,芯片边长为40mm,环氧树脂边长为90mm,将芯片与粘接剂覆盖。设置约束关系,约束关系包括对所述基板与粘结剂、粘结剂与芯片、基板与环氧树脂、粘结剂与环氧树脂、芯片与环氧树脂之间的接触面设置绑定约束。设置边界条件:将基板底面的四个直角顶端固定,设置载荷:设置温度载荷,初始温度为175℃,终止温度为25℃。设置有限元软件分析输出结果:设置软件进行仿真运算后需要输出的量。本实施例中需要输出的数据为模型在温度载荷作用下的各网格单元与节点的冯米塞斯应力、形变(用来计算翘曲度)。设置材料属性,材料属性包括环氧树脂、基板、芯片、粘结剂的杨氏模量、泊松比、热膨胀系数(CTE),如表1所示。
表1
然后工程师事先定义优化目标、设计初始参数(也即变量)和设计约束,并将其输入至有限元仿真软件中,有限元仿真软件可获取到。优化目标在本实施例中可以为芯片的翘曲程度和冯米塞斯应力,分别记为Q和F。芯片的翘曲程度具体定义为基板底面中心在Z轴方向上的形变与基板底面直角顶端在Z轴方向上的形变的差的绝对值。芯片的冯米塞斯应力定义为在从175℃冷却至25℃的过程中整个器件内部各点冯米塞斯应力的最大值。优化目标是在冷却过程中将芯片的翘曲程度与冯米塞斯应力最小。将翘曲和应力的取值范围分别定义为[0mm,0.025mm],[130N,230N]。初始参数有若干个,可以分别为EMC的厚度,记为x_1,取值范围为[0.55mm,0.95mm];基板的厚度,记为x_2,取值范围为[0.2mm,0.3mm];芯片的厚度,记为x_3,取值范围为[0.2mm,0.32mm];粘结剂的厚度,记为x_4,取值范围为[0.02mm,0.04mm];EMC的的热膨胀系数(CTE),记为x_5,取值范围为[8ppm/℃,12ppm/℃]。五个初始参数的定义域(即取值范围)记为Ω。为了避免不同量纲对不同参数带来的影响,我们使用归一化方法,具体公式如下:
Pn=(P-Pl)/(Pu-Pl)
其中,Pn是归一化后的值,P为原参数,Pu,Pl分别为上界和下界。
设计约束为初始参数约束和算法迭代次数Niter,初始参数约束是指上文中初始参数的取值范围。记d个初始参数为(x1,…,xd)T。n个初始参数的取值范围构成的定义域记为Ω。并基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,在本实施例中,将初始参数(EMC的厚度、基板的厚度、芯片的厚度和粘结剂的厚度)输入到有限元分析软件,即可得到翘曲程度值与冯米塞斯应力值,然后将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集。若没有数据集,则使用采样方法在设计空间内随机生成一组设计变量,采样方式可用拉丁超立方采样或是随机采样,并将数据发送给有限元分析软件进行分析得到若干待优化目标的预测结果(也即不同优化目标的结果)。初始数据集包含11d-1个数据,记为每个数据由一组初始与对应的待优化目标的预测结果构成。
得到初始数据集后,就可以执行如图1所示的如下步骤:S200、根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题,对所述多目标优化问题进行分解,得到若干单目标优化子问题,并基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题;
在步骤S200中,所述根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题包括如下步骤:对若干所述待优化目标进行归一化处理,得到若干归一化目标;对若干所述归一化目标进行约束处理;根据若干所述初始参数和经过约束处理的若干所述归一化目标获取多目标优化问题。
为避免不同量纲带来的偏见,我们对每个目标进行归一化处理,得到若干归一化目标;对若干所述归一化目标进行约束处理,即设置其对应取值范围。然后根据若干所述初始参数和经过约束处理的若干所述归一化目标获取多目标优化问题:
最小化f(x)=(f1(x),…,fn(x))T,
其中,Ω为n个设计变量的取值范围构成的定义域,(x1,…,xd)T为d个初始参数,Rd的意思是:R为实数集,d是设计变量个数,Rd就是d维实数空间。
得到多目标优化问题后,要对所述多目标优化问题进行分解,得到若干单目标优化子问题;相应的,所述对所述多目标优化问题进行分解,得到若干单目标优化子问题包括如下步骤:基于切比雪夫算法,将所述多目标优化问题分解为若干单目标优化子问题。
具体地,除了使用切比雪夫算法以外的子问题分解方法也在本发明的范围内。在本实施例中,切比雪夫方法将多目标优化问题分解为一系列单目标子问题。切比雪夫方法对子问题的定义如下:
x∈Ω
其中是参考向量,设置为 是对于所有i=1,…,和满足wi≥0的权重向量,这样得到N个子问题组成的子问题集,记作其中gi是第i个子问题。关于权重向量,我们可以定义一条经过参考点的方向线和子问题的最优解,表示为:
z=φv+z*
其中φ是比例系数,v=(v1,…,vm)T是方向向量。vk表示为:
在本实施例中,令方向向量均匀划分整个子问题空间,此外,采用其他方法生成均匀分布的方向向量的方法也在本发明的保护范围内。根据上述公式,分母为定值,方向向量每一个分量已知,由此得到权重向量的每一个分量。
得到若干单目标优化子问题后,基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题,相应的,所述基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题包括如下步骤:针对每个待优化目标,计算所述待优化目标对应的向量与每个单目标优化子问题的距离,获取与所述待优化目标对应的向量的最小距离,将最小距离对应的单目标优化子问题与所述待优化目标进行配对;将配对失败的单目标优化子问题删除,并将与各个待优化目标配对的单目标优化子问题归类到第一子问题集;针对第一子问题集中的每个子问题,提取所述初始数据集中的第一非支配解集,基于所述距离,对所述第一非支配解集中的非支配解进行降序排序,得到每个非支配解的排序序号;基于所述第一非支配解集、所述排序序号和所述距离获取每个子问题的解决程度值,其中,所述解决程度值用于表征对问题解决的程度;将所述解决程度值小于第一预设阈值的子问题归类至第二子问题集,并将所述第一子问题集中解决程度值小于第一预设阈值的子问题删除,得到第三子问题集;当所述第二子问题集中的子问题的个数小于第二预设阈值时,将所述第三子问题集中解决程度值最小的子问题归类至第二子问题集,并将所述第二子问题集中的子问题作为若干候选单目标优化子问题。
具体地,针对每个待优化目标,计算所述待优化目标对应的向量与每个单目标优化子问题的距离,也即计算每个目标向量fi,i=1,…,n与每个子问题gj,j=1,…,N的距离矩阵D。D中每一个元素dij计算公式为:
然后获取与所述待优化目标对应的向量的最小距离,将最小距离对应的单目标优化子问题与所述待优化目标进行配对;如:将每个目标向量fi分配给离其最近子问题,将配对失败的单目标优化子问题删除,并将与各个待优化目标配对的单目标优化子问题归类到第一子问题集GI;如:没有被分配到的子问题被初步筛选掉,有被分配到目标向量的子问题组成新的子问题集,记为GI。将配对失败的单目标优化子问题删除,并将与各个待优化目标配对的单目标优化子问题归类到第一子问题集之后包括如下步骤:从配对失败的单目标优化子问题中随机选择若干个单目标优化子问题,并将随机选择的若干个单目标优化子问题扩充至所述第一子问题集。如:同时为防止一定程度上关联性误判的影响,随机选择5个本次被筛选掉的子问题加入GI中。针对第一子问题集中的每个子问题,提取所述初始数据集中的第一非支配解集,基于所述距离D,对所述第一非支配解集中的非支配解进行降序排序,得到每个非支配解的排序序号ri,j,基于所述第一非支配解集、所述排序序号和所述距离获取每个子问题的解决程度值SDi,SDi计算公式为:
其中η是控制参数,在本实施例中取100;STi是gi在迭代优化过程中被选中过的次数。然后将GI中所述解决程度值SDi小于第一预设阈值(如1)的子问题归类至第二子问题集GII,并将所述第一子问题集中解决程度值小于第一预设阈值的子问题删除,得到第三子问题集;第三子问题集中为第一子问题集中剩余的子问题;当所述第二子问题集中的子问题的个数小于第二预设阈值T时,将所述第三子问题集中解决程度值最小的子问题归类至第二子问题集GII,直到第二子问题集GII中子问题的个数为T为止,T是预设的筛选后的子问题数量,本方法中设为5。在本实施例中,将所述第二子问题集中的子问题作为若干候选单目标优化子问题。再使用K-means算法将GII分为T个子集,避免将要选出的子问题距离太近。选出每个子集中SD最小的子问题,将选出的T个子问题组成的集合为Gs。对Gs中每个子问题分配nT个数据作为训练集。nT数据由两部分构成,90%的数据是在gi上最小的那些数据构成,剩余10%的数据从其余数据中随机选择。本实施例中,nT设置为当前数据个数与100的最小值。
得到若干候选单目标优化子问题后,就可以执行如图1所示的如下步骤:S300、根据所述初始数据集和若干所述候选单目标优化子问题,构建代理模型,根据所述代理模型和所述初始数据集,得到更新的数据集;
在步骤S300中,代理模型可以为独立的高斯过程模型、多任务高斯过程模型、贝叶斯神经网络、径向基函数。代理模型用于对初始数据集和若干所述候选单目标优化子问题进行数学建模。在本实施例中,代理模型采用多任务高斯过程模型中的CoMOGP对若干所述候选单目标优化子问题进行数学建模,具体为:CoMOGP模型使用Q个共享的随机过程来帮助在不同子问题间共享知识,并且还对T个子问题使用T个独立的随机过程来捕捉每个子问题独特的信息。对于T个相似度未知的子问题,CoMOGP代理模型使用Q个共享过程辅助子问题之间的信息传递,并使用T个特定输出过程来捕获每个子问题的单独特征。解决了一般的多任务高斯过程模型在子问题相似度低时效果较差的问题。协方差函数表示每对决策向量之间的协方差,通常采用指数平方(SE)协方差函数:
对于t,t′=1,…,T,子问题gt(x)和gt′(x′)之间的协方差函数定义如下:
其中at,q和at′,q是相关参数。ktt′(x,x′)的值反映gt(x)和gt′(x′)之间的相关程度,kt(x,x′)就是T个独立随机过程使用的协方差函数,kq(x,x′)是共享随机过程使用的协方差函数。在本实施例中,这两种协方差函数均使用指数平方协方差函数kSE。T个子问题可以表示为认为他们服从高斯随机过程:
其中T×T的MOGP协方差Kg(x,x′)定义为:
其中,Ktt′(Xt,Xt′)是n×n矩阵。对于t,t′=1,…,T,xi∈Xt且xj∈Xt′,In是对角线为1,其余元素为0的单位矩阵,矩阵中的(i,j)元素代表ktt′(xi,xj);是T×T的噪音对角矩阵,表示克罗内克积。
得到代理模型后,根据所述代理模型和所述初始数据集,得到更新的数据集;相应的,所述根据所述代理模型和所述初始数据集,得到更新的数据集包括如下步骤:根据所述代理模型得到代理模型的预测后验信息,根据所述预测后验信息,通过预设的采集函数获取推荐参数;其中,所述预测后验信息用于表征代理模型的后验分布;将所述推荐参数扩充至若干所述初始参数,得到若干更新的初始参数,迭代执行基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集的步骤,直至达到预设的条件,停止迭代;将所述初始数据集中的初始参数替换为扩充后的初始参数,得到更新的数据集。
具体地,本实施例中使用的概率代理模型,本质上是通过一种贝叶斯统计推断方法,基于已有数据计算出一个服从高斯分布的后验分布信息。代理模型给出的这个后验分布具有均值函数和方差函数,均值函数可以认为是基于当前数据对目标函数在任意设计参数下的一个预测,方差函数反映了在任意设计参数下对这个预测值的不确定性。均值函数和方差函数是使用真实的数据(设计参数和有限元真实结果)建立的代理模型得到的信息,可以认为是代理模型的输出。这里输出是两个函数形式,即可以对任意一个设计参数给出目标函数的预测值以及这个预测值的不确定性。而推荐下一组用于仿真分析的设计参数需要综合预测值以及预测的不确定性,通过采集函数体现。采集函数会用到后验均值和方差的函数形式。通过最大化采集函数,采集函数最大值对应的参数就是推荐的下一个参数。使用训练好的代理模型信息,通过采集函数进行推荐下一组用于仿真分析的参数。采集函数使用低评估成本的代理模型信息,通过权衡探索未知设计区域与利用已知信息的倾向,来进行设计参数推荐;加大均值函数在采集函数里的权重可以认为是利用已知信息(相信当前预测结果),加大方差函数在采集函数里的权重可以认为是偏向于探索未知区域。采集函数可以使用其他的采集函数形式,例如最大期望提升(EI)、最大概率提升(PI)以及其他任何可应用于高斯过程类模型的采集函数。由于使用代理模型信息,计算成本较小,可以使用经典的优化算法对其寻最优使用。在本实施例中,在一个新的采样点x*的预测平均值和方差表示为:
利用CoMOGP模型进行预测,需要推断协方差矩阵中的超参数θ和均值函数中的附加参数β。本发明采用的CoMOGP模型只有一个共享过程,即Q=1,采用SE协方差函数。因此,θ包含T(T+1)/2个相关参数、协方差参数(T+1)(d+1)个和噪声参数T个。此外,为了提高模型的预测精度,本发明在采用CoMOGP模型之后采用了一个二次模型作为T输出的公共均值函数。β由2d+1个参数组成。
与单输出高斯过程模型相似,这些参数可以通过最大化边际似然函数来推断。公式如下:
其中,X是设计变量矩阵,y是目标变量向量,n是X的维度;θ是代表超参数的向量;Ky是协方差矩阵。鉴于边际似然函数的偏导数的可用性,本发明采用高效的梯度下降算法来求解,即GPML工具箱的最小化函数。该函数使用了共轭梯度优化算法,最大迭代次数为500次。对于参数的初始值,本发明将相关参数、协方差参数和回归系数设置为1,噪声参数设置为0.01。
其中,γ是定义探索程度的参数。γ值越大,越倾向于探索未知的设计空间,而γ值越小,越倾向于信任当前最优区域为最优。
然后根据所述预测后验信息,通过预设的采集函数(在本实施例中,采集函数为ALCB采集函数)获取推荐参数,如:对原来固定的γ进行了优化,采用自适应取值,而非固定值,称为ALCB采集函数,能够有效缓解在多目标优化过程中由于信息的偏见导致的优化效率降低现象。γ的定义如下:
通过CoMOGP模型得到的预测分布信息来最小化ALCB采集函数,我们得到T个采样点,即T组推荐参数。上述过程采用Matlab编程语言。
在本实施例中,将推荐的5组推荐参数与原始参数一起存储在一个本地csv文件“设计.csv”中。通过修改有限元模型工作文件目录下对应的以“py”为后缀的文件,使其能够自动读取“设计.csv”的数据及变更内容,将模型中的设计参数设置为新推荐的数值并执行仿真,并将软件分析的待优化目标的预测结果存入另一个csv文件“目标.csv”中。迭代优化算法文件通过读取“目标.csv”中的更新数据得到新参数对应的待优化目标的预测结果。
将所述推荐参数扩充至若干所述初始参数,得到若干更新的初始参数,同时更新数据集EP、和已评估次数FE←FE+T、参考向量z*、每个子问题被选中的次数STi。然后判断已评估次数FE是否小于所设定的最大评估次数(如120次)。若已评估次数FE小于所设定的最大评估次数,则迭代执行基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集的步骤,若已评估次数FE大于或者等于所设定的最大评估次数,则停止迭代。将所述初始数据集中的初始参数替换为扩充后的初始参数,得到更新的数据集。
在一种实现方式中,将得到的更新的初始参数通过预设的代码进行自动修改,也即通过代码将更新的初始参数替换原来的初始参数,然后将更新的初始参数输入有限元分析软件进行仿真,得到若干更新的所述待优化目标的预测结果,并将若干更新的所述待优化目标的预测结果也输入至预设的代码中。通过这种方式使得整个处理过程是全自动的迭代优化流程,节省实际芯片优化设计项目中的时间人力成本。
得到更新的数据集后,就可以执行如图1所示的如下步骤:S400、基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标。
步骤S400包括如下步骤:获取更新的数据集的第二非支配解集;
基于预设的聚类算法,对所述第二非支配解集中的非支配解进行聚类,得到聚类中心;
计算更新的数据集中的参数与聚类中心的距离;
将最小距离对应的参数作为芯片封装设计的最优参数;
将最小距离对应的待优化目标作为最优参数对应的最优目标。
具体地,使用聚类算法对所述第二非支配解集中的非支配解NP进行聚类,聚类数量为用户希望得到的最优解个数p,并输出聚类中心,也即每类中心点,中心点是为用户推荐的最优解集中最有代表性并保留了多样性的解。计算更新的数据集中的参数与聚类中心的距离;将最小距离对应的参数作为芯片封装设计的最优参数;如:输出距离每类中心点最近的参数以及对应的待优化目标的预测结果作为最终的推荐设计。如图4为本发明实施例的翘曲仿真图,如图5为本发明实施例的冯米塞斯应力仿真图。
本发明的优点在于:
1.本发明使用低计算成本的代理模型模拟设计变量与优化目标间的关系,并使用启发性的采集函数进行设计参数推荐,相比传统芯片封装方法,能在更短的时间内,以更少的计算成本,产生更好的优化结果;
2.本发明在机器学习模型中引入了多个目标共同优化的解决方案,相比于其他用于封装领域的机器学习方法,本发明能解决更多问题,且多个目标共存的情况更贴合实际;
3.本发明提出的自适应子问题选择策略通过两步骤筛选,可以识别并选择最有潜力的子问题,以进一步替代辅助优化,规避了现有类似方法中会处理一些不必要的子问题或已解决的子问题的情况,从而大大提高了优化效率。
4.本发明引入CoMOGP模型以更好地对所选子问题进行建模。CoMOGP模型不仅能够捕获每个子问题的特定特征,而且还能够在子问题之间传递有用的信息。无论子问题之间的相似性强弱,CoMOGP模型都能保持良好的预测质量。
5.本发明提出一种适用于当前优化框架下的新采集函数ALCB,在芯片封装的多目标优化场景下能更好地平衡勘探和开发的过程,提升最终优化效果。
6.本发明使用聚类算法为用户从众多的优化结果中推荐最有代表性并保持了多样性的解。
7.本发明的流程利用了有限元软件的可编程特性,通过有限元软件与算法代码的数据通信,不仅提供高效优化的方法,更实现了全自动的优化流程,在实际芯片封装设计任务中节省人力成本与时间成本。
示例性设备
如图6中所示,本发明实施例提供一种基于自适应子问题选择策略的芯片封装设计优化装置,该装置包括初始数据集确定模块501、单目标优化子问题筛选模块502、更新的数据集获取模块503和最优参数和最优目标确定模块504,其中:
初始数据集确定模块501,用于获取芯片封装设计的初始参数,并基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集;
单目标优化子问题筛选模块502,用于根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题,对所述多目标优化问题进行分解,得到若干单目标优化子问题,并基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题;
更新的数据集获取模块503,用于根据所述初始数据集和若干所述候选单目标优化子问题,构建代理模型,根据所述代理模型和所述初始数据集,得到更新的数据集;
最优参数和最优目标确定模块504,用于基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图7所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于自适应子问题选择策略的芯片封装设计优化方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏,该智能终端的温度传感器是预先在智能终端内部设置,用于检测内部设备的运行温度。
本领域技术人员可以理解,图7中的原理图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取芯片封装设计的初始参数,并基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集;
根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题,对所述多目标优化问题进行分解,得到若干单目标优化子问题,并基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题;
根据所述初始数据集和若干所述候选单目标优化子问题,构建代理模型,根据所述代理模型和所述初始数据集,得到更新的数据集;
基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了一种基于自适应子问题选择策略的芯片封装设计优化方法,其特征在于,方法包括:获取芯片封装设计的若干初始参数,并对初始参数进行有限元分析得到若干待优化目标的预测结果,从而得到初始数据集;根据若干待优化目标和初始参数,构建多目标优化问题,对多目标优化问题进行分解,得到若干单目标优化子问题,并基于预设的选择策略,根据初始数据集,通过筛选得到若干候选单目标优化子问题;根据初始数据集和若干候选单目标优化子问题,构建代理模型,从而得到更新的数据集;基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标。本发明能实现对多个参数进行多个目标的优化。
基于上述实施例,本发明公开了一种基于自适应子问题选择策略的芯片封装设计优化方法,应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于自适应子问题选择策略的芯片封装设计优化方法,其特征在于,所述方法包括:
获取芯片封装设计的若干初始参数,并基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集;
根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题,对所述多目标优化问题进行分解,得到若干单目标优化子问题,并基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题;
根据所述初始数据集和若干所述候选单目标优化子问题,构建代理模型,根据所述代理模型和所述初始数据集,得到更新的数据集;
基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标。
2.根据权利要求1所述的基于自适应子问题选择策略的芯片封装设计优化方法,其特征在于,所述根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题包括:
对若干所述待优化目标进行归一化处理,得到若干归一化目标;
对若干所述归一化目标进行约束处理;
根据若干所述初始参数和经过约束处理的若干所述归一化目标获取多目标优化问题。
3.根据权利要求1所述的基于自适应子问题选择策略的芯片封装设计优化方法,其特征在于,所述对所述多目标优化问题进行分解,得到若干单目标优化子问题包括:
基于切比雪夫算法,将所述多目标优化问题分解为若干单目标优化子问题。
4.根据权利要求1所述的基于自适应子问题选择策略的芯片封装设计优化方法,其特征在于,所述基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题包括:
针对每个待优化目标,计算所述待优化目标对应的向量与每个单目标优化子问题的距离,获取与所述待优化目标对应的向量的最小距离,将最小距离对应的单目标优化子问题与所述待优化目标进行配对;
将配对失败的单目标优化子问题删除,并将与各个待优化目标配对的单目标优化子问题归类到第一子问题集;
针对第一子问题集中的每个子问题,提取所述初始数据集中的第一非支配解集,基于所述距离,对所述第一非支配解集中的非支配解进行降序排序,得到每个非支配解的排序序号;基于所述第一非支配解集、所述排序序号和所述距离获取每个子问题的解决程度值,其中,所述解决程度值用于表征对问题解决的程度;将所述解决程度值小于第一预设阈值的子问题归类至第二子问题集,并将所述第一子问题集中解决程度值小于第一预设阈值的子问题删除,得到第三子问题集;
当所述第二子问题集中的子问题的个数小于第二预设阈值时,将所述第三子问题集中解决程度值最小的子问题归类至第二子问题集,并将所述第二子问题集中的子问题作为若干候选单目标优化子问题。
5.根据权利要求4所述的基于自适应子问题选择策略的芯片封装设计优化方法,其特征在于,所述将配对失败的单目标优化子问题删除,并将与各个待优化目标配对的单目标优化子问题归类到第一子问题集之后包括:
从配对失败的单目标优化子问题中随机选择若干个单目标优化子问题,并将随机选择的若干个单目标优化子问题扩充至所述第一子问题集。
6.根据权利要求1所述的基于自适应子问题选择策略的芯片封装设计优化方法,其特征在于,所述根据所述代理模型和所述初始数据集,得到更新的数据集包括:
根据所述代理模型得到代理模型的预测后验信息,根据所述预测后验信息,通过预设的采集函数获取推荐参数;其中,所述预测后验信息用于表征代理模型的后验分布;
将所述推荐参数扩充至若干所述初始参数,得到若干更新的初始参数,迭代执行基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集的步骤,直至达到预设的条件,停止迭代;
将所述初始数据集中的初始参数替换为扩充后的初始参数,得到更新的数据集。
7.根据权利要求1所述的基于自适应子问题选择策略的芯片封装设计优化方法,其特征在于,所述基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标包括:
获取更新的数据集的第二非支配解集;
基于预设的聚类算法,对所述第二非支配解集中的非支配解进行聚类,得到聚类中心;
计算更新的数据集中的参数与聚类中心的距离;
将最小距离对应的参数作为芯片封装设计的最优参数;
将最小距离对应的待优化目标作为最优参数对应的最优目标。
8.一种基于自适应子问题选择策略的芯片封装设计优化装置,其特征在于,所述装置包括:
初始数据集确定模块,用于获取芯片封装设计的初始参数,并基于预设的有限元仿真软件对若干所述初始参数进行有限元分析得到若干待优化目标的预测结果,将若干所述初始参数和若干所述待优化目标的预测结果作为初始数据集;
单目标优化子问题筛选模块,用于根据若干所述待优化目标和若干所述初始参数,构建多目标优化问题,对所述多目标优化问题进行分解,得到若干单目标优化子问题,并基于预设的选择策略和所述初始数据集,对若干所述单目标优化子问题进行筛选,得到若干候选单目标优化子问题;
更新的数据集获取模块,用于根据所述初始数据集和若干所述候选单目标优化子问题,构建代理模型,根据所述代理模型和所述初始数据集,得到更新的数据集;
最优参数和最优目标确定模块,用于基于预设的聚类算法,根据更新的数据集,得到芯片封装设计的最优参数和与所述最优参数对应的最优目标。
9.一种智能终端,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-7中任意一项所述的方法。
10.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210450465.1A CN115062501A (zh) | 2022-04-27 | 2022-04-27 | 一种基于自适应子问题选择策略的芯片封装设计优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210450465.1A CN115062501A (zh) | 2022-04-27 | 2022-04-27 | 一种基于自适应子问题选择策略的芯片封装设计优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115062501A true CN115062501A (zh) | 2022-09-16 |
Family
ID=83196892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210450465.1A Pending CN115062501A (zh) | 2022-04-27 | 2022-04-27 | 一种基于自适应子问题选择策略的芯片封装设计优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062501A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077605A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市深鸿盛电子有限公司 | 基于系统封装的工艺设计方法、装置、设备及存储介质 |
CN117094095A (zh) * | 2023-10-17 | 2023-11-21 | 苏州瑞霏光电科技有限公司 | 一种晶圆翘曲度优化方法及系统 |
-
2022
- 2022-04-27 CN CN202210450465.1A patent/CN115062501A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077605A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市深鸿盛电子有限公司 | 基于系统封装的工艺设计方法、装置、设备及存储介质 |
CN117094095A (zh) * | 2023-10-17 | 2023-11-21 | 苏州瑞霏光电科技有限公司 | 一种晶圆翘曲度优化方法及系统 |
CN117094095B (zh) * | 2023-10-17 | 2023-12-26 | 苏州瑞霏光电科技有限公司 | 一种晶圆翘曲度优化方法及系统 |
CN117077605B (zh) * | 2023-10-17 | 2024-01-26 | 深圳市深鸿盛电子有限公司 | 基于系统封装的工艺设计方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Projection onto the probability simplex: An efficient algorithm with a simple proof, and an application | |
CN110929047B (zh) | 关注邻居实体的知识图谱推理方法和装置 | |
Zuo et al. | On kernel difference-weighted k-nearest neighbor classification | |
CN108563782B (zh) | 商品信息格式处理方法、装置、计算机设备和存储介质 | |
CN115062501A (zh) | 一种基于自适应子问题选择策略的芯片封装设计优化方法 | |
CN112955883B (zh) | 应用推荐方法、装置、服务器和计算机可读存储介质 | |
Brankovic et al. | A feature selection and classification algorithm based on randomized extraction of model populations | |
US20230084638A1 (en) | Method and apparatus for classification model training and classification, computer device, and storage medium | |
Ye et al. | Variable selection via penalized neural network: a drop-out-one loss approach | |
CN112232426A (zh) | 目标检测模型的训练方法、装置、设备及可读存储介质 | |
CN111104242A (zh) | 基于深度学习的操作系统的异常日志的处理方法及装置 | |
CN113541985B (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
CN110991538B (zh) | 样本分类方法、装置、存储介质和计算机设备 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
Ding et al. | An online learning neural network ensembles with random weights for regression of sequential data stream | |
Zhong et al. | Neural networks for partially linear quantile regression | |
CN113408802B (zh) | 能耗预测网络的训练、能耗预测方法、装置和计算机设备 | |
CN114781532A (zh) | 机器学习模型的评估方法、装置、计算机设备及介质 | |
US10733499B2 (en) | Systems and methods for enhancing computer assisted high throughput screening processes | |
US20230316204A1 (en) | Method and system for recommending modules for an engineering project | |
Petruseva et al. | Predicting construction project duration with support vector machine | |
CN109728958B (zh) | 一种网络节点信任预测方法、装置、设备及介质 | |
CN115601571A (zh) | 一种面向多模态数据的多图约束典型相关分析方法及系统 | |
CN114116456A (zh) | 测试用例生成方法、系统及计算机可读存储介质 | |
CN114610953A (zh) | 一种数据分类方法、装置、设备及存储介质 |
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 |