CN115713057A - 基于深度神经网络的模拟集成电路设计参数自动优化方法 - Google Patents
基于深度神经网络的模拟集成电路设计参数自动优化方法 Download PDFInfo
- Publication number
- CN115713057A CN115713057A CN202211330157.1A CN202211330157A CN115713057A CN 115713057 A CN115713057 A CN 115713057A CN 202211330157 A CN202211330157 A CN 202211330157A CN 115713057 A CN115713057 A CN 115713057A
- Authority
- CN
- China
- Prior art keywords
- circuit
- optimization
- neural network
- deep neural
- performance
- 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
Landscapes
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明属于集成电路设计技术领域，具体为模拟集成电路设计参数快速自动优化方法。本发明方法包括：定义设计目标；固定电路拓扑结构；定义N个电路器件参数变量并设定范围；定义性能空间P；定义优化目标变量；实际仿真；利用深度神经网络模型进行优化。本发明方法目标导向性强，变化步长连续，优化精度与速度均有大幅提升；深度神经网络能够记忆电路优化经验，对于新的优化目标无需重新从头训练算法；同时可建立电路优化模型库，在不同电脑端实现秒级的直接调用，使得整个设计更加便捷高效。
Description
技术领域
本发明属于集成电路设计技术领域，具体涉及模拟集成电路设计参数快速自动优化方法。
背景技术
模拟集成电路的设计参数优化流程可总结如下（参见图3所示）：给定模拟电路设计目标和电路拓扑结构后，设计人员根据自身经验积累或相关优化方法，找出符合设计目标的电路设计参数。高维度的设计参数和电路性能指标之间呈非线性的复杂关系，若仅依靠人工计算设计效率低下，可以利用数学方法将本问题转化为有约束的非线性规划问题，并借助优化算法进行求解。
目前常用优化方法有启发式算法以及机器学习算法，其中启发式算法包括遗传算法、模拟退火算法、粒子群算法等，本质是通过减少仿真次数，加速参数寻优过程；机器学习算法包括监督学习、无监督学习、强化学习等模型，神经网络在模型的学习过程中扮演“大脑”的角色。
目前使用的电路仿真软件进行一次仿真的时间较长，且行业内没有相关商业软件可以做到给定电路性能指标要求，电脑快速准确地自动计算输出用户级别的电路设计参数，而是需要从头重新进行优化以实现新电路的设计，且不能实现优化模型的多端共用，这严重降低了优化效率。
发明内容
针对现有技术的不足，本发明提供一种基于深度神经网络的模拟集成电路设计参数自动优化方法，以解决目前行业内没有相关商用软件可以做到给定电路性能指标要求后，电脑快速自动计算输出用户级别的电路设计参数，优化精度与速度无法兼顾，且每当改变优化目标或使用环境时，都需要从头重新优化的问题。
本发明提供的基于深度神经网络的模拟集成电路设计参数自动优化方法，包括以下步骤：
A1、定义设计目标；
A2、固定电路拓扑结构；
A3、定义N个电路器件参数变量并设定范围；
A4、定义性能空间P，即将电路器件参数变量在规定范围内随机赋值后进行电路仿真，所得性能点构成电路实际性能空间P，有效避开使用到不合实际的电路性能点；
A5、定义优化目标变量，即在性能空间P中均匀采样，得到覆盖性能空间P的M个点作为优化目标变量，这M个点构成优化目标变量集Q作为训练集，从Q中随机抽样得到本轮优化目标变量；
A6、获得实际仿真结果，即将本轮N个变量值写入电路网表，进行电路仿真，得到本轮实际仿真结果；
A7、将本轮N个变量值、优化目标变量、实际仿真结果输入深度神经网络模型，优化目标变量与实际仿真结果作为输入能够更有效的指导算法根据现有情况向着目标方向进行优化；
A8、经深度神经网络计算输出N个变量对应的改变量，随后更新N个变量值，这里改变量的变化步长是连续的而非固定值，有利于算法更快收敛到目标；
A9、将上述N个新变量值写入电路网表进行电路仿真，对仿真结果与优化目标之间的差距进行性能评估，判断其评估结果是否达标，情况一：若评估结果达标，则直接输出优化结果，情况二：若评估结果不达标，则对深度神经网络模型进行参数改进，再进行新一轮变量更新、电路仿真和性能评估，直至满足终止条件，输出优化结果；
A10、更新电路设计，保存深度神经网络模型结构；
A11、当有新的优化目标时，直接调用保存的深度神经网络模型结构，即可在任意电脑端实现对性能空间P中任意目标的秒级优化，无需从头训练算法，优化能力从有限的训练集泛化到整个性能空间，大幅提升设计效率。
本发明的有益效果在于：
该基于深度神经网络的模拟集成电路设计参数自动优化方法，利用深度神经网络计算得到连续变化的元器件设计参数值，添加优化目标变量为输入提高了其目标导向性，优于其他算法中存在的参数变化步长固定、冗余迭代等劣势，实现了优化速度与优化精度的兼顾。
该基于深度神经网络的模拟集成电路设计参数自动优化方法，利用深度神经网络实现模拟集成电路设计参数优化过程，对先前的电路优化经验具有记忆性，因而对于新的优化目标可以直接调用神经网络，优化能力从有限的训练集泛化到整个性能空间，无需重新从头训练神经网络，极大降低了优化的时间消耗，提高优化效率。
该基于深度神经网络的模拟集成电路设计参数自动优化方法，可将训练好的不同电路的深度神经网络模型保存下来建立电路优化模型库，在不同电脑端实现秒级的直接调用，不需要依赖设计师的先验知识，简化了优化步骤，降低了设计门槛，提高了优化效率。
附图说明
图1为本发明运行流程图。
图2为本发明结构示意图。
图3为模拟集成电路设计参数优化流程示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1-3所示，本发明提供一种技术方案：基于深度神经网络的模拟集成电路设计参数自动优化方法，包括以下步骤：
A1、定义设计目标；
A2、固定电路拓扑结构；
A3、定义N个电路器件参数变量并设定范围；
A4、定义性能空间P，其中此步骤包括：方法一；
A5、定义优化目标变量，其中此步骤包括：方法二；
A6、获得实际仿真结果，其中此步骤包括：方法三；
A7、将本轮N个变量值、优化目标变量、实际仿真结果输入深度神经网络模型，优化目标变量与实际仿真结果作为输入能够更有效的指导算法根据现有情况向着目标方向进行优化；
A8、经深度神经网络计算输出N个变量对应的改变量，随后更新N个变量值，这里改变量的变化步长是连续的而非固定值，有利于算法更快收敛到目标；
A9、将上述N个新变量值写入电路网表进行电路仿真，对仿真结果与优化目标之间的差距进行性能评估，判断其评估结果是否达标，情况一：若评估结果达标，则直接输出优化结果，情况二：若评估结果不达标，则对深度神经网络模型进行参数改进，再进行新一轮变量更新、电路仿真和性能评估，直至满足终止条件，输出优化结果；
A10、更新电路设计，保存深度神经网络模型结构；
A11、当有新的优化目标时，直接调用保存的深度神经网络模型结构，即可在任意电脑端实现对性能空间P中任意目标的秒级优化，无需从头训练算法，优化能力从有限的训练集泛化到整个性能空间，大幅提升设计效率。
方法一包含：将电路器件参数变量在规定范围内随机赋值后进行电路仿真，所得性能点构成电路实际性能空间P；
方法二包含：在性能空间P中均匀采样，得到覆盖性能空间P的M个点作为优化目标变量，这M个点构成优化目标变量集Q作为训练集，从Q中随机抽样得到本轮优化目标变量；
方法三包含：将本轮N个变量值写入电路网表，进行电路仿真得到本轮实际仿真结果。
基于深度神经网络的模拟集成电路设计参数自动优化方法的使用操作包括以下流程：
B1、定义设计目标并固定电路拓扑结构，如需要Bi性能达到目标值bi，则选择具有Bi性能的A电路，通过训练优化使其Bi性能达到目标值bi，此步骤中，Bi可以是增益、增益带宽积、静态电流等，A可以是二级运算放大电路， i=1，2，3，…；
B2、获取性能空间P，此步骤中有如下方法：将A电路的N个器件参数变量在规定范围内多次随机赋值后进行电路仿真，所得性能点构成A电路能够达到的实际性能空间P；
B2、获取优化目标变量，此步骤中有如下方法：在性能空间P中均匀采样，得到覆盖性能空间P的M个点作为优化目标变量，这M个点构成优化目标变量集Q作为训练集，从Q中随机抽样得到本轮优化目标变量；
B3、初始化N个电路器件参数变量，可以赋随机值，也可以赋默认值；
B4、运行电路仿真，获取实际仿真结果，此步骤中有如下方法：将本轮N个变量值写入电路网表，进行电路仿真得到本轮实际仿真结果；此步骤中：电路仿真可以在开源spice上进行，如ngspice，可以在商业spice上进行，也可以在独立开发的spice上进行；
B5、将本轮N个变量值、优化目标变量、实际仿真结果输入深度神经网络模型，此步骤中：深度神经网络模型仿真在开源OpenAI平台中进行；
B6、深度神经网络模型运算输出N个变量对应的改变量，根据此结果更新N个电路参数变量，随后计算对应的Bi个实际仿真结果，作为本轮性能指标；
B7、将本轮性能指标与期望指标（即优化目标变量）进行比较，计算相对误差，根据相对误差大小以及迭代回合数是否达到预设值，判断是否进行下一轮迭代；
B8、迭代运行，更新电路参数与深度神经网络参数，直到满足退出条件；
B9、更新电路设计，此步骤中：改变设计可以是直接改变网表，也可以改变schematic；这些都可以通过软件实现，开发语言可以是python，也可以是c，c++，java，perl；
B10、保存深度神经网络模型结构，在有优化需求时可实现秒级的直接调用，此步骤中：优化目标可以从性能空间P中任意选取，优化能力从有限的训练集泛化到整个性能空间，调用模型可以在任意电脑端实现，优化速度比主流方法（如遗传算法）快94倍，实现优化精度与优化速度的最佳兼顾。
综上所述：本发明与现在主流方针软件的区别：
S1、目前主流方法在针对电路参数优化时，存在参数变化步长固定、冗余迭代等劣势。本发明利用深度神经网络计算得到连续变化的元器件设计参数值，并添加优化目标变量为输入以提高算法的目标导向性，解决了优化速度与精度无法兼顾的问题；
S2、主流方法在每次设计新电路时，对先前的工作经验缺乏记忆性，需要重复所有参数优化过程，本发明可学习优化经验，将经验存储于模型内部的深度神经网络中，因而对于新的设计目标无需重新从头训练算法，优化能力从有限的训练集泛化到整个性能空间，极大降低了优化的时间消耗，提高设计效率；
S3、主流方法依赖于设计者的背景知识于经验积累，考验设计者自身的设计能力，本发明可将训练好的不同电路的深度神经网络模型保存下来，建立电路优化模型库，在不同电脑端实现秒级的直接调用，降低了设计门槛，大幅提升了优化效率。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于深度神经网络的模拟集成电路设计参数自动优化方法，其特征在于，具体步骤如下：
A1、定义设计目标；
A2、固定电路拓扑结构；
A3、定义N个电路器件参数变量并设定范围；
A4、定义性能空间P，即将电路器件参数变量在规定范围内随机赋值后进行电路仿真，所得性能点构成电路实际性能空间P，以开使用到不合实际的电路性能点；
A5、定义优化目标变量，即在性能空间P中均匀采样，得到覆盖性能空间P的M个点作为优化目标变量，这M个点构成优化目标变量集Q作为训练集，从Q中随机抽样得到本轮优化目标变量；
A6、获得实际仿真结果，即将本轮N个变量值写入电路网表，进行电路仿真，得到本轮实际仿真结果；
A7、将本轮N个变量值、优化目标变量、实际仿真结果输入深度神经网络模型，优化目标变量与实际仿真结果作为输入能够更有效的指导算法根据现有情况向着目标方向进行优化；
A8、经深度神经网络计算输出N个变量对应的改变量，随后更新N个变量值；
A9、将上述N个新变量值写入电路网表进行电路仿真，对仿真结果与优化目标之间的差距进行性能评估，判断其评估结果是否达标：情况一，评估结果达标，则直接输出优化结果；情况二，评估结果不达标，则对深度神经网络模型进行参数改进，再进行新一轮变量更新、电路仿真和性能评估，直至满足终止条件，输出优化结果；
A10、更新电路设计，保存深度神经网络模型结构；
A11、当有新的优化目标时，直接调用保存的深度神经网络模型结构，即可在任意电脑端实现对性能空间P中任意目标的秒级优化，无需从头训练算法，优化能力从有限的训练集泛化到整个性能空间，大幅提升设计效率。
2.根据权利要求1所述的模拟集成电路设计参数自动优化方法，其特征在于，具体使用操作流程为：
B1、定义设计目标并固定电路拓扑结构；
假设需要Bi性能达到目标值bi，则选择具有Bi性能的某A电路，通过训练优化使其Bi性能达到目标值bi；这里，Bi可以是增益、增益带宽积、静态电流等；A可以是二级运算放大电路，i=1，2，3，…；
B2、获取性能空间P；
将A电路的N个器件参数变量在规定范围内多次随机赋值后进行电路仿真，所得性能点构成A电路能够达到的实际性能空间P；
B2、获取优化目标变量；
在性能空间P中均匀采样，得到覆盖性能空间P的M个点作为优化目标变量，这M个点构成优化目标变量集Q作为训练集，从Q中随机抽样得到本轮优化目标变量；
B3、初始化N个电路器件参数变量，赋随机值或赋默认值；
B4、运行电路仿真，获取实际仿真结果；
将本轮N个变量值写入电路网表，进行电路仿真得到本轮实际仿真结果；
B5、将本轮N个变量值、优化目标变量、实际仿真结果输入深度神经网络模型；深度神经网络模型仿真在开源OpenAI平台中进行；
B6、深度神经网络模型运算输出N个变量对应的改变量，根据此结果更新N个电路参数变量，随后计算对应的Bi个实际仿真结果，作为本轮性能指标；
B7、将本轮性能指标与期望指标即优化目标变量进行比较，计算相对误差，根据相对误差大小以及迭代回合数是否达到预设值，判断是否进行下一轮迭代；
B8、迭代运行，更新电路参数与深度神经网络参数，直到满足退出条件；
B9、更新电路设计；
B10、保存深度神经网络模型结构，在有优化需求时可实现秒级的直接调用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211330157.1A CN115713057A (zh) | 2022-10-27 | 2022-10-27 | 基于深度神经网络的模拟集成电路设计参数自动优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211330157.1A CN115713057A (zh) | 2022-10-27 | 2022-10-27 | 基于深度神经网络的模拟集成电路设计参数自动优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115713057A true CN115713057A (zh) | 2023-02-24 |
Family
ID=85231504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211330157.1A Pending CN115713057A (zh) | 2022-10-27 | 2022-10-27 | 基于深度神经网络的模拟集成电路设计参数自动优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115713057A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422005A (zh) * | 2023-12-19 | 2024-01-19 | 杭州四维映射软件有限公司 | 一种模拟电路仿真误差自动控制的方法及应用 |
| CN117473932A (zh) * | 2023-10-27 | 2024-01-30 | 华南理工大学 | 一种敏捷设计库驱动的dtco高效优化方法 |
-
2022
- 2022-10-27 CN CN202211330157.1A patent/CN115713057A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473932A (zh) * | 2023-10-27 | 2024-01-30 | 华南理工大学 | 一种敏捷设计库驱动的dtco高效优化方法 |
| CN117422005A (zh) * | 2023-12-19 | 2024-01-19 | 杭州四维映射软件有限公司 | 一种模拟电路仿真误差自动控制的方法及应用 |
| CN117422005B (zh) * | 2023-12-19 | 2024-03-29 | 杭州四维映射软件有限公司 | 一种模拟电路仿真误差自动控制的方法及应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115713057A (zh) | 基于深度神经网络的模拟集成电路设计参数自动优化方法 | |
| Wang et al. | A fully automated recurrent neural network for unknown dynamic system identification and control | |
| CN112417803B (zh) | 一种基于人工智能算法的模拟集成电路设计参数自动优化方法 | |
| CN112101530A (zh) | 神经网络训练方法、装置、设备及存储介质 | |
| CN111523749B (zh) | 一种水电机组模型智能辨识方法 | |
| CN111382906A (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
| CN109934330A (zh) | 基于多样化种群的果蝇优化算法来构建预测模型的方法 | |
| CN112818588B (zh) | 一种电力系统的最优潮流计算方法、装置及存储介质 | |
| KR20220117123A (ko) | Ai트윈 기반 경제 선순환 시뮬레이션 시스템 및 방법 | |
| CN107942655B (zh) | Siso紧格式无模型控制器基于系统误差的参数自整定方法 | |
| CN117290429A (zh) | 通过自然语言调用数据系统接口的方法 | |
| CN108073072B (zh) | Siso紧格式无模型控制器基于偏导信息的参数自整定方法 | |
| CN111460734A (zh) | 一种结合先进自适应采样和人工神经网络的微波器件自动建模方法 | |
| CN115755961A (zh) | 基于改进三次b样条曲线的空中目标航迹平滑方法及系统 | |
| CN114330119B (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
| EP4258169A1 (en) | Model training method, apparatus, storage medium, and device | |
| CN114611373A (zh) | 一种基于变种sigmoid函数和粒子变异的PSO改进算法 | |
| CN112257215B (zh) | 一种产品寿命分布参数的极大似然估计求解方法及系统 | |
| CN112347704A (zh) | 一种高效的基于贝叶斯理论的人工神经网络微波器件建模方法 | |
| JP6588933B2 (ja) | 言語モデル構築装置、その方法、及びプログラム | |
| CN108875927B (zh) | 一种高维度深度学习模型的收敛方法和装置 | |
| WO2023047562A1 (ja) | 学習装置、学習方法、及び、記録媒体 | |
| KR102574489B1 (ko) | 심층신경망의 선형변환 파라미터를 이용한 가지치기 방법 및 장치 | |
| CN113626720B (zh) | 基于动作剪枝的推荐方法、装置、电子设备与存储介质 | |
| CN115796244B (zh) | 一种超非线性输入输出系统基于cff的参数辨识方法 |
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 |