CN115438619A - 基于迁移学习的自动化芯片布线系统及方法 - Google Patents

基于迁移学习的自动化芯片布线系统及方法 Download PDF

Info

Publication number
CN115438619A
CN115438619A CN202211047620.1A CN202211047620A CN115438619A CN 115438619 A CN115438619 A CN 115438619A CN 202211047620 A CN202211047620 A CN 202211047620A CN 115438619 A CN115438619 A CN 115438619A
Authority
CN
China
Prior art keywords
dimension
layer
distance
graph
model module
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
Application number
CN202211047620.1A
Other languages
English (en)
Inventor
王皓轩
严骏驰
刘欢喜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202211047620.1A priority Critical patent/CN115438619A/zh
Publication of CN115438619A publication Critical patent/CN115438619A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/394—Routing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

一种基于迁移学习的自动化芯片布线系统及方法，包括：数据预处理模块、基础模型模块、分布距离度量模块和迁移模型模块，本发明可用于自动化快速求解不同芯片上近似最优的线路布局，解决传统求解系统参数量大，求解速度慢，算力消耗大的问题、解决现存方法对不同规模芯片泛化性弱的缺陷并缓解处理大规模问题时耗时非常严重的问题。

Description

基于迁移学习的自动化芯片布线系统及方法
技术领域
本发明涉及的是一种神经网络应用领域的技术，具体是一种基于迁移学习的自动化芯片布线系统及方法。
背景技术
自动化芯片布线问题是电子设计自动化中的重要环节之一，其定义是在一定的芯片设计约束条件下，将固定位置的组件引脚连接到特定的布线网络，从而建立不同组件之间的线路通道。该问题的最终目的是在不造成电路信号拥堵和信号传输时间的限制下最小化总的布线长度。因此优秀的芯片布线可以达到更好的芯片区域利用率，及时性和可路由性。利用计算机算法求解该问题是目前的一大趋势，而基于数学公式的传统求解器是其中一种重要方法。传统求解器参数量大，求解速度慢，算力消耗大；而新兴的机器学习算法与AI模型对于组合优化问题的泛化能力很弱：在特定问题类型的一定规模问题上得到的算法与模型只在相同类型与规模的问题上有效，而当问题类型或规模发生改变时，算法与模型的效果会大打折扣。
发明内容
本发明针对现有技术无法适应不同大小与规格的集成电路且无法针对布线成本进行优化设计的不足，提出一种基于迁移学习的自动化芯片布线系统及方法，可用于自动化快速求解不同芯片上近似最优的线路布局，解决传统求解系统参数量大，求解速度慢，算力消耗大的问题、解决现存方法对不同规模芯片泛化性弱的缺陷并缓解处理大规模问题时耗时非常严重的问题。
本发明是通过以下技术方案实现的：
本发明涉及一种基于迁移学习的自动化芯片布线系统，包括：数据预处理模块、基础模型模块、分布距离度量模块和迁移模型模块，其中：数据预处理模块通过图像识别判断出待处理芯片的原始图像中的元件与引脚位置与类别，将元件与引脚转换为图的形式存储在gr格式的文件中；基础模型模块通过数学求解器，对gr格式文件中包含的组合优化问题进行求解，得到求解过程中各个中间结果，再通过卷积神经网络对原始图像进行特征编码，最后将中间结果与特征编码融合得到合并向量；分布距离度量模块根据合并向量和先验分布计算得到相应的更新距离；迁移模型模块复制基础模型模块的卷积神经网络的参数并初始化后，根据合并向量和更新距离对初始化后的卷积神经网络进行重新加权处理，得到连接不同元件和引脚的对应匹配顺序。
所述的组合优化问题通常由变量约束和最优化目标这两部分构成，在利用数学求解器过程中，通过分枝与约束的方式，将会得到对最优化目标的中间解和不同变量的范围，本发明将这些结果合并作为一个16维的向量。
所述的gr格式的文件，基于大小和形状的图像识别技术从256*256*3的原始图像中提取出元件和引脚位置和已经存在的线，并转换为图的形式，其中：元件和引脚作为图中的节点，当元件与引脚之间直接相连，则将图中线段值设为1，否则设为0。
所述的中间结果共16个数值，包括：分支的选择概率值、分支的选择结果和约束的阈值。
技术效果
本发明通过计算特征向量与先验分布的距离作为重加权权重，对不同大小与规模的电路进行适应，从而可以针对与已知集成电路模版不同的模版进行自动化布线，相较传统求解方法速度更快。
附图说明
图1为本发明示意图；
图2为本发明流程图；
图3为图像识别模块示意图；
图4为基础模型模块示意图；
图5为分布距离度量模块示意图；
图6为迁移模型模块示意图。
具体实施方式
如图1所示，为本实施例涉及一种基于迁移学习的自动化芯片布线系统，包括：数据预处理模块、基础模型模块、分布距离度量模块和迁移模型模块，其中：数据预处理模块通过图像识别判断出待处理芯片的原始图像中的元件与引脚位置与类别，将元件与引脚转换为图的形式存储在gr格式的文件中；基础模型模块首先通过数学求解器，对gr格式文件中包含的组合优化问题进行求解，得到求解过程中各个中间结果，再通过卷积神经网络对原始图像进行特征编码，最后将求解器结果与256维的特征编码进行融合，得到合并向量；分布距离度量模块将合并向量与先验分布P进行距离计算，计算出相应的更新距离d；迁移模型模块首先复制基础模型模块的卷积神经网络并进行初始化，之后根据合并向量和更新距离d，对初始化后的卷积神经网络进行重新加权处理，得到连接不同元件和引脚的对应匹配顺序。
如图3所示，所述的数据预处理模块包括：视觉识别单元和数据转换单元，其中：视觉识别单元对原始图像进行黑白化处理，再根据预设的元件架构信息对图片进行遍历匹配，得到各个元件的位置信息和数量信息；数据转化单元将位置信息和数量信息与最小化布线长度的目标进行结合并写入gr格式的求解文件。
如图4所示，所述的基础模型模块包括：基于图神经网络的编码器单元、解码器单元、数学求解器和融合单元，其中：编码器单元对原始图像进行卷积、下采样和平滑处理，得到256维特征向量；解码器单元对256维特征向量进行反卷积和上采样处理，得到对原始图像的重构结果；数学求解器根据gr文件中的最优化问题，进行数学计算，得到求解最优化问题的16维中间结果，作为该问题的属性特征；融合单元将256维图像特征向量与16维属性特征向量融合，得到用于后续处理的272维合并向量。
如图5所示，所述的分布距离度量模块包括：距离计算单元和高维高斯分布生成单元，其中：高维高斯分布生成单元从272维的高斯分布的合并向量中随机采样出1200个样本，之后距离计算单元根据合并向量与采样出的服从高斯分布的样本分别进行距离计算，将所有距离进行平均化处理，得到更新距离。
所述的样本，优选固定后用于基础模型模块输出。
所述的距离计算，采用但不限于余弦距离，即
Figure BDA0003821948740000031
如图6所示，所述的迁移模型模块包括：四个全连接层，其中第一全连接层的输入维度为2560输出维度为5120的全连接层，后接ReLU激活函数；第二全连接层的输入维度为5120输出维度为1280的全连接层，后接ReLU激活函数；第三全连接层的输入维度为1280输出维度为320的全连接层，后接ReLU激活函数；第四全连接层的输入维度为320输出结果维度为K的全连接层，后接Softmax，其输出是连接不同元件和引脚的对应匹配顺序。
所述的结果维度K，由问题目标属性决定，本实施例中取值为256。
如图2所示，为本实施例基于上述系统的布线方法，包括：
步骤1、针对待处理芯片，数据预处理模块通过图像识别判断出待处理芯片中的元件与引脚位置与类别，将元件与引脚转换为图的形式存储在gr格式的文件中，具体为：根据芯片上的元件分布情况，采集256*256*3的RGB原始图像，通过数据预处理模块，提取出其中的元件和引脚位置和已经存在的线，将它们转换为图的形式。
优选地，在测量过程中保持芯片在识别位置的中心，避免因为旋转造成识别的偏差与布线的错误。当无法成功识别，则进行人工识别。
优选地，在转换为图的过程中，保持随机种子的一致性。
步骤2、基础模型模块对存储的gr格式文件进行读取，进行以下步骤：
步骤2.1、首先创建基于图神经网络的编码器，其架构如下：
第一层：图卷积核是大小3*3，扩张为1的单元；
第二层：图卷积核为3*3，扩张为0的单元；随后将二维图压平为维度为256的向量；
步骤2.2、随后创建解码器，其架构为：
第一层：输入维度为256的扩张层，将其重构为16*16的图；
第二层：图反卷积核的大小为3*3，扩张为0的单元；
第三层：图反卷积核的大小为3*3，扩张为1的单元；
步骤2.3：将文件中的数据Din通过基础模型模块，得到相应的输出Dout，随后计算二者之间的差距Lrec＝Dis(Din，Dout)，其中：Dis为余弦距离，通过维持输入与输出的一致性来更新该神经网络的参数。
优选地，基础模型模块初始化应该固定随机种子，以达到结果的统一性。
优选地，在余弦距离外，其他距离度量也是可选择的，然而该距离的效果最为突出。
步骤3、分布距离度量模块计算基础模型模块的256维向量，将其与先验分布P，即高维高斯分布进行距离计算，计算出相应的距离d，当该距离在预设阈值之内时，则进入步骤4，否则当该距离不在预设阈值之内时，则由工作人员进行人工识别。
所述的预设阈值的范围为0.01～100。
步骤4、进行迁移模型模块处理，进行以下步骤操作：
步骤4.1、构造迁移模型模块的全连接神经网络，以及对该神经网络的调整机制。该神经网络架构为：
第一层：输入维度为2560而输出维度为5120的全连接层，后接ReLU激活函数；
第二层：输入维度为5120而输出维度为1280的全连接层，后接ReLU激活函数；
第三层：输入维度为1280而输出维度为320的全连接层，后接ReLU激活函数；
第四层：输入维度为320而输出结果维度为K的全连接层，后接Softmax，其中结果维度K为预先设定的结果维度，由问题目标属性决定，本实施例中取值为256。
优选地，在步骤4.1中，保持随机初始化种子的前后一致性。
优选地，在步骤4.1中，设置优化器为SGD优化器，相应的学习率为0.01，权重衰减为0.00001。
步骤4.2、使用步骤2获得的256维向量和步骤3获得的距离d输入迁移模型模块得到优化的布线方案。在训练迁移模型的过程中，将K维的输出作为对不同引脚的匹配概率值，故而使用的损失函数为交叉熵函数。
优选地，在步骤4.2中，将获得的合理范围内的距离d作为对待处理芯片的置信度，作为对一个训练集合内特定芯片的重加权权重。
步骤4.3、利用计算出的损失数值对迁移模型进行更新。
步骤5、在训练完迁移模型模块后，需要进一步采用的损失函数更新基础模型模块，具体为：采用无监督的损失函数L＝Cosdis(zs，zt)+Lmis，其中：Cosdis为从P中随机采样出的一个向量zs与提取出的272维向量zt之间的余弦距离，Lmis为计算出的交叉熵损失，主要用于更新先验分布P使其更贴近真实的测试分布。
经过具体实际实验，在干燥明亮的操作空间中拍摄，八核Intel i7 CPU，四卡NVIDIA V100 GPU的运行环境设置下，以0.001的学习率，0.0000001的学习率递减系数，0的随机种子设置，300轮数的训练周期的参数运行上述方法，能够得到的实验数据是：相比传统数学求解器，在小的芯片规模上，可以达到72.3％的平均求解成功率，2561.3s的平均求解速度，达到223.2s的平均求解时间提升；在中等芯片规模上，可以达到64.1％的平均求解成功率，8231.1s的平均求解速度，得到1249.2s的平均求解时间提升；在大规模问题上，得到43.8％的平均求解成功率，938212.7s的平均求解时间，达到53911.4s的平均求解时间提升。
表1:与传统求解器的效果比较
芯片规模(元件数/引脚数) 平均求解成功率(％) 平均效果提升率(％) 平均求解时间提升(s)
小(324/2465) 72.3 12.5 223.2
中(3210/14922) 64.1 21.2 1249.2
大(12420/226719) 43.8 18.1 53911.4
相较于解耦式的方法，本发明实现全自动化的一步到位布线；相比于传统的求解器方法，可以充分利用深度学习的硬件基础与计算能力，实现更快速更高效的布线策略；不限于单一规模与特定布局的芯片种类，而可以适用于不同规模与布局的芯片，节约开发成本；在一定程度上解放人力成本，将开发成本转换为检验成本，更加高效；在泛化阶段可以节约计算成本，只需要对训练阶段的模型进行微调即可。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (9)

1.一种基于迁移学习的自动化芯片布线系统，其特征在于，包括：数据预处理模块、基础模型模块、分布距离度量模块和迁移模型模块，其中：数据预处理模块通过图像识别判断出待处理芯片的原始图像中的元件与引脚位置与类别，将元件与引脚转换为图的形式存储在gr格式的文件中；基础模型模块通过数学求解器，对gr格式文件中包含的组合优化问题进行求解，得到求解过程中各个中间结果，再通过卷积神经网络对原始图像进行特征编码，最后将中间结果与特征编码融合得到合并向量；分布距离度量模块根据合并向量和先验分布计算得到相应的更新距离；迁移模型模块复制基础模型模块的卷积神经网络的参数并初始化后，根据合并向量和更新距离对初始化后的卷积神经网络进行重新加权处理，得到连接不同元件和引脚的对应匹配顺序；
所述的gr格式的文件，基于大小和形状的图像识别技术从256*256*3的原始图像中提取出元件和引脚位置和已经存在的线，并转换为图的形式，其中：元件和引脚作为图中的节点，当元件与引脚之间直接相连，则将图中线段值设为1，否则设为0；
所述的中间结果共16个数值，包括：分支的选择概率值、分支的选择结果和约束的阈值。
2.根据权利要求1所述的基于迁移学习的自动化芯片布线系统，其特征是，所述的数据预处理模块包括：视觉识别单元和数据转换单元，其中：视觉识别单元对原始图像进行黑白化处理，再根据预设的元件架构信息对图片进行遍历匹配，得到各个元件的位置信息和数量信息；数据转化单元将位置信息和数量信息与最小化布线长度的目标进行结合并写入gr格式的求解文件。
3.根据权利要求1所述的基于迁移学习的自动化芯片布线系统，其特征是，所述的基础模型模块包括：基于图神经网络的编码器单元、解码器单元、数学求解器和融合单元，其中：编码器单元对原始图像进行卷积、下采样和平滑处理，得到256维特征向量；解码器单元对256维特征向量进行反卷积和上采样处理，得到对原始图像的重构结果；数学求解器根据gr文件中的最优化问题，进行数学计算，得到求解最优化问题的16维中间结果，作为该问题的属性特征；融合单元将256维图像特征向量与16维属性特征向量融合，得到用于后续处理的272维合并向量。
4.根据权利要求1所述的基于迁移学习的自动化芯片布线系统，其特征是，所述的分布距离度量模块包括：距离计算单元和高维高斯分布生成单元，其中：高维高斯分布生成单元从272维的高斯分布的合并向量中随机采样出1200个样本，之后距离计算单元根据合并向量与采样出的服从高斯分布的样本分别进行距离计算，将所有距离进行平均化处理，得到更新距离。
5.根据权利要求4所述的基于迁移学习的自动化芯片布线系统，其特征是，所述的样本，固定后用于基础模型模块输出。
6.根据权利要求1所述的基于迁移学习的自动化芯片布线系统，其特征是，所述的迁移模型模块包括：四个全连接层，其中第一全连接层的输入维度为2560输出维度为5120的全连接层，后接ReLU激活函数；第二全连接层的输入维度为5120输出维度为1280的全连接层，后接ReLU激活函数；第三全连接层的输入维度为1280输出维度为320的全连接层，后接ReLU激活函数；第四全连接层的输入维度为320输出结果维度为K的全连接层，后接Softmax，其输出是连接不同元件和引脚的对应匹配顺序。
7.一种基于权利要求1-6中任一所述的基于迁移学习的自动化芯片布线系统的布线方法，其特征在于，包括：
步骤1、针对待处理芯片，数据预处理模块通过图像识别判断出待处理芯片中的元件与引脚位置与类别，将元件与引脚转换为图的形式存储在gr格式的文件中，具体为：根据芯片上的元件分布情况，采集256*256*3的RGB原始图像，通过数据预处理模块，提取出其中的元件和引脚位置和已经存在的线，并转换为图的形式；
步骤2、基础模型模块对存储的gr格式文件进行读取，进行以下步骤：
步骤2.1、首先创建基于图神经网络的编码器，其架构如下：
第一层：图卷积核是大小3*3，扩张为1的单元；
第二层：图卷积核为3*3，扩张为0的单元；随后将二维图压平为维度为256的向量；
步骤2.2、随后创建解码器，其架构为：
第一层：输入维度为256的扩张层，将其重构为16*16的图；
第二层：图反卷积核的大小为3*3，扩张为0的单元；
第三层：图反卷积核的大小为3*3，扩张为1的单元；
步骤2.3：将文件中的数据Din通过基础模型模块，得到相应的输出Dout，随后计算二者之间的差距Lrec＝Dis(Din，Dout)，其中：Dis为余弦距离，通过维持输入与输出的一致性来更新该神经网络的参数；
步骤3、分布距离度量模块计算基础模型模块的256维向量，将其与先验分布P，即高维高斯分布进行距离计算，计算出相应的距离d，当该距离在预设阈值之内时，则进入步骤4，否则当该距离不在预设阈值之内时，则由工作人员进行人工识别；
步骤4、进行迁移模型模块处理，进行以下步骤操作：
步骤4.1、构造迁移模型模块的全连接神经网络，以及对该神经网络的调整机制；该神经网络架构为：
第一层：输入维度为2560而输出维度为5120的全连接层，后接ReLU激活函数；
第二层：输入维度为5120而输出维度为1280的全连接层，后接ReLU激活函数；
第三层：输入维度为1280而输出维度为320的全连接层，后接ReLU激活函数；
第四层：输入维度为320而输出结果维度为K的全连接层，后接Softmax，其中结果维度K为预先设定的结果维度，由问题目标属性决定，本实施例中取值为256；
步骤4.2、使用步骤2获得的256维向量和步骤3获得的距离d输入迁移模型模块得到优化的布线方案；在训练迁移模型的过程中，将K维的输出作为对不同引脚的匹配概率值，故而使用的损失函数为交叉熵函数；
步骤4.3、利用计算出的损失数值对迁移模型进行更新；
步骤5、在训练完迁移模型模块后，需要进一步采用的损失函数更新基础模型模块，具体为：采用无监督的损失函数L＝Cosdis(zs，zt)+Lmis，其中：Cosdis为从P中随机采样出的一个向量zs与提取出的272维向量zt之间的余弦距离，Lmis为计算出的交叉熵损失，主要用于更新先验分布P使其更贴近真实的测试分布。
8.根据权利要求7所述的布线方法，其特征是，步骤4.1中，设置优化器为SGD优化器，相应的学习率为0.01，权重衰减为0.00001。
9.根据权利要求7所述的布线方法，其特征是，步骤4.2中，将获得的合理范围内的距离d作为对待处理芯片的置信度，作为对一个训练集合内特定芯片的重加权权重。
CN202211047620.1A 2022-08-30 2022-08-30 基于迁移学习的自动化芯片布线系统及方法 Pending CN115438619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211047620.1A CN115438619A (zh) 2022-08-30 2022-08-30 基于迁移学习的自动化芯片布线系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211047620.1A CN115438619A (zh) 2022-08-30 2022-08-30 基于迁移学习的自动化芯片布线系统及方法

Publications (1)

Publication Number Publication Date
CN115438619A true CN115438619A (zh) 2022-12-06

Family

ID=84244664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211047620.1A Pending CN115438619A (zh) 2022-08-30 2022-08-30 基于迁移学习的自动化芯片布线系统及方法

Country Status (1)

Country Link
CN (1) CN115438619A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829085A (zh) * 2024-03-04 2024-04-05 中国科学技术大学 一种适用于芯片布线的连通图生成方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829085A (zh) * 2024-03-04 2024-04-05 中国科学技术大学 一种适用于芯片布线的连通图生成方法
CN117829085B (zh) * 2024-03-04 2024-05-17 中国科学技术大学 一种适用于芯片布线的连通图生成方法

Similar Documents

Publication Publication Date Title
CN110929847A (zh) 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN112381264A (zh) 一种基于改进图卷积神经网络的用电负荷辨识方法
CN116028838B (zh) 一种基于聚类算法的能源数据处理方法、装置及终端设备
CN110349170B (zh) 一种全连接crf级联fcn和k均值脑肿瘤分割算法
CN113343427B (zh) 一种基于卷积神经网络的结构拓扑构型预测方法
CN115438619A (zh) 基于迁移学习的自动化芯片布线系统及方法
CN116108789B (zh) 一种模拟电路版图结构化特性表示还原方法及组件
CN113222072A (zh) 基于K-means聚类和GAN的肺部X光图像分类方法
CN114092283A (zh) 一种基于知识图谱匹配的法律案例相似度计算方法及系统
CN113436237A (zh) 一种基于高斯过程迁移学习的复杂曲面高效测量系统
CN115457183A (zh) 序列化草图生成与重建模型训练方法、重建方法及装置
CN115965864A (zh) 一种用于农作物病害识别的轻量级注意力机制网络
CN111382581A (zh) 一种机器翻译中的一次剪枝压缩方法
CN114662435A (zh) 一种模拟电路原理图结构化特性表示的方法及系统
Fu et al. Complementarity-aware Local-global Feature Fusion Network for Building Extraction in Remote Sensing Images
CN114357870A (zh) 基于局部加权偏最小二乘的计量设备运行性能预测分析方法
CN117034060A (zh) 基于ae-rcnn的洪水分级智能预报方法
CN114549689B (zh) 一种基于图卷积神经网络的河流模式识别方法与装置
CN116342938A (zh) 基于多个潜在域混合的域泛化图像分类方法
CN116183229A (zh) 一种基于滑动窗口自注意力机制的振动数据特征提取方法
CN116152194A (zh) 一种物体缺陷检测方法、系统、设备及介质
CN113962262B (zh) 一种基于连续学习的雷达信号智能分选方法
CN113837199B (zh) 一种基于跨层残差双路金字塔网络的图像特征提取方法
CN115409159A (zh) 对象操作方法、装置、计算机设备以及计算机存储介质
CN114758224A (zh) 一种基于深度学习的垃圾分类检测方法

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