CN115879412A - 一种基于迁移学习的版图层级电路图尺寸参数优化方法 - Google Patents
一种基于迁移学习的版图层级电路图尺寸参数优化方法 Download PDFInfo
- Publication number
- CN115879412A CN115879412A CN202211660408.2A CN202211660408A CN115879412A CN 115879412 A CN115879412 A CN 115879412A CN 202211660408 A CN202211660408 A CN 202211660408A CN 115879412 A CN115879412 A CN 115879412A
- Authority
- CN
- China
- Prior art keywords
- size parameter
- layout
- level
- population
- simulation
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于迁移学习的版图层级电路图尺寸参数优化方法,包括以下步骤:获取原理图、版图层级的仿真数据、抽样数据;构建原理图层级和版图层级的神经网络,神经网络的输入包括电路原理图中器件的尺寸参数组;原理图层级的神经网络的输出包括仿真数据;使用NSGAⅡ优化算法对电路版图中器件的尺寸参数组进行优化,通过自定义评价函数,对仿真结果进行评判:若不符合电路的设计指标,则继续迭代,直至循环次数用尽或得到符合要求的尺寸参数组,得到优化后的尺寸参数组。本发明可以极大减少建立版图模型所需的数据样本,加速了版图建模流程。
Description
技术领域
本发明应用于射频集成电路设计领域,特别是一种基于迁移学习的版图层级电路图尺寸参数优化方法。
背景技术
电磁仿真技术作为一种实用的射频集成电路设计验证手段,被广泛应用于版图设计和版图优化中,电磁仿真在一定程度上模拟了射频电路加工后的性能,让射频电路设计工程师从传统的设计加工测试流程中解放出来,用模拟实验代替了传统的加工制造实验。近些年来硬件性能的飞速提升和EDA软件的逐步完善更是让射频电路工程师有了更多的时间专注于设计层面的工作上去。电磁仿真具有以下几个优点:1、几何结构、材料属性、放置位置等关键参数非常易于调整。2、可以针对电路的某些部分进行单独分析。3、可以根据用户需求得到任意结构任意系统的电磁特性。4、相较于测试,电磁仿真可以提供更为全面和完善的电磁信息。电磁仿真已经被广泛地、成功地应用于电磁性能预测、设计的多个方面,在理解待分析的问题、合理设置仿真模型和求解参数的前提下,仿真完全可以替代测试。仿真所具有的高效费比、灵活性可以大幅度提高设计效率,降低设计成本。
但电磁仿真也存在诸多问题,若要获取更高精度的仿真,一次电磁仿真往往需要几天甚至几周,无疑提高了电路设计的时间成本。其次,在版图设计中,我们对器件的改动大多需要人工介入,验证参数合理性,这也在无形中增加了电路设计工程师的工作量。
如何将AI引入EDA工具中一直是当前的热门研究方向,人工神经网络(ArtificialNeural Networks,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(ConnectionModel),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
附图1所示是一个双隐层的前馈全连接神经网络,或者叫多层感知机(MLP)。附图2是一个简单的多输入神经元的感知机网络结构示意图。它的每个隐层都是全连接层,它的每一个单元叫神经元。我们以线性回归为例,给定n个属性描述的实例x=(x1,x2,…,xn),线性模型试图学习一个通过n个属性的线性组合来预测的函数,即公式1所示,转化为矩阵形式为公式2所示:
f(x)=f(WTX+b) (2)
上述两个式子中,f为激活函数,wn为每个输入参数对应的权重大小,xn为输入参数,b为偏置参数,WT为权重参数矩阵,X为输入参数矩阵。
神经网络的训练是有监督的学习,也就是输入X有着与之对应的真实值Y,神经网络的输出Y与真实值Y之间的损失Loss就是网络反向传播的东西。整个网络的训练过程就是不断缩小损失Loss的过程。为此列出了公式3:
上述式子中,Loss为损失,yi为真实值,w为权重参数,b为偏置参数,xi为输入参数。
一般情况下,使用梯度下降法找出最佳的w,b组合使得Loss达到最小。在求解时,w和b每更新一次,就对各个参数求一次偏导,然后根据Loss再次更新参数。更新公式为公式4,5。
上述式子中,上标i表示第i个权重,下标n表示第n步,α是学习率。不断迭代学习,使Loss逐渐减小,直至得到最优解。至此,全连接神经网络训练完成。
迁移学习的目的是将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。迁移学习的主要思想是从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果。
发明内容
本发明旨在加速射频集成电路版图环节优化设计,集版图生成,版图自动建库,迁移学习建立版图模型,版图优化为一体。
本发明提供一种基于迁移学习的版图层级电路图尺寸参数优化方法,包括以下步骤:
步骤A:获取原理图层级的仿真数据、原理图层级的抽样数据、版图层级的仿真数据、版图层级的抽样数据,作为训练数据;所述仿真数据包括散射参数,仿真频段,噪声中的任意一项;
步骤B:构建原理图层级的神经网络,使用原理图层级的仿真数据和原理图层级的抽样数据训练所述原理图层级的神经网络,得到原理图网络,所述原理图层级的神经网络的输入包括电路原理图中器件的尺寸参数组;所述原理图层级的神经网络的输出包括仿真数据;
构建版图层级的神经网络;使用迁移学习法,用所述版图层级的仿真数据和版图层级的抽样数据作为训练集训练版图层级的神经网络,得到版图网络,所述版图层级的神经网络的输入包括电路版图中器件的尺寸参数组,输出包括仿真数据;
步骤C:使用NSGAⅡ优化算法对电路版图中器件的尺寸参数组进行优化:
向NSGAⅡ优化算法中输入电路版图中器件的尺寸参数区间,使用所述NSGAⅡ优化算法在区间内选择合适的参数组,将所述合适的参数组输入版图网络,得到仿真数据作为仿真结果;
根据对以下设计指标的要求,所述设计指标包括回波损耗、插入损耗、插入损耗平坦度,自定义评价函数,对仿真结果进行评判:若不符合电路的设计指标,则继续迭代,直至循环次数用尽或得到符合要求的尺寸参数组,得到优化后的尺寸参数组。
作为优选,所述步骤A具体包括以下步骤:
A 1:通过脚本,在电路原理图中的器件的尺寸参数区间内,抽取若干尺寸参数组并生成网表;将所述尺寸参数组作为原理图层级的抽样数据,将生成的所述网表送入仿真器进行原理图仿真,得到仿真数据;所述仿真数据为散射参数;基于所述原理图层级的抽样数据和所述散射参数得到原理图层级的训练数据;
A 2:通过脚本,在电路版图中的器件的尺寸参数区间内,抽取若干尺寸参数组并生成仿真文件,将所述尺寸参数组作为版图层级的抽样数据,将仿真文件送入电磁仿真器中仿真,将仿真数据中的散射参数进行提取后转换为SNP文件;再利用所述SNP文件进行联合仿真得到联合仿真数据,所述联合仿真数据包括散射参数,基于所述散射参数和版图层级的抽样数据版图层级的训练数据。
作为优选,所述步骤A1中的所述电路为低噪声放大器电路。
作为优选,所述原理图层级的神经网络为多层感知机;所述多层感知机最底层是输入层,中间是隐藏层,最后是输出层。
作为优选,所述隐藏层的节点数大于输入层和输出层的节点数;所述隐藏层层数为3层,节点数为400。
作为优选,所述步骤B中,所述迁移学习法包括:使用原理图网络作为预训练网络进行迁移。
作为优选,所述步骤C中,所述NSGAⅡ算法的执行,包括以下步骤:
第一步:生成初始种群,此时进化代数Gen=1;初始种群中包含N个器件尺寸参数组,该尺寸参数组由所述NSGAⅡ算法在所述电路版图中器件的尺寸参数区间内抽样得到,N为子种群大小;将初始种群中N个尺寸参数组进行归一化后输入版图网络,得到预测仿真数据;将所述预测仿真数据输入自定义评价函数得到初始种群的评价分数组;
第二步:判断是否生成了第一代子种群,若已生成则令进化代数Gen=2,否则,对初始种群进行非支配排序和选择、高斯交叉、变异从而生成第一代子种群并使进化代数Gen=2;第一代子种群中包含N个器件尺寸参数组,该尺寸参数组由NSGAⅡ算法在所述电路版图中器件的尺寸参数区间内得到;将第一代子种群中N个尺寸参数组进行归一化后输入版图网络,得到第二步的预测仿真数据;将第二步的预测仿真数据输入自定义评价函数得到第一代子种群的评价分数组;
第三步:将父代种群与子代种群合并为新种群,所述父代种群为生成该代子种群的种群,在所述循环中会多次使用父代种群;新种群经过精英选择策略得到初始种群和第一代子种群中的最优解,保留帕累托解的尺寸参数组和评价分数组;
第四步:判断是否已生成新的父代种群,若没有则计算新种群中个体的目标函数,并执行快速非支配排序、计算拥挤度,经过精英策略操作生成新的父代种群;若有,则进入第五步。
第五步:对生成的父代种群执行选择、交叉、变异操作生成子代种群;
第六步:判断Gen是否等于最大的进化代数,若没有则进化代数Gen=Gen+1并返回第三步;否则,算法运行结束;输出所有帕累托解的尺寸参数组和评价分数组。
本发明提出的一种利用迁移学习建立版图仿真模型的方法,采用该方法可以极大减少建立版图模型所需的数据样本,加速了版图建模流程,本发明还提出了一系列自动化流程,包括设计版图建立,版图DRC检测,版图抽样仿真等。
附图说明
图1是一个双隐层的前馈全连接神经网络结构图。
图2是一个简单的多输入神经元的感知机网络结构示意图。
图3是技术方案总流程图。
图4是预设网络结构图。
图5是原理图层级神经网络训练过程图。
图6是版图层级的神经网络训练过程对比图。
图7是神经网络测试结构对比图。
图8是NSGAⅡ算法流程图。
图9是NSGAⅡ优化结果图。
具体实施方式
为使本公开实施方式的目的、技术方案和优点更加清楚,下面将结合附图对本公开的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本公开各实施方式中,为了使读者更好地理解本公开而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本公开所要求保护的技术方案。以下各个实施方式的划分是为了描述方便,不应对本公开的具体实现方式构成任何限定,各个实施方式在不矛盾的前提下可以相互结合相互引用。
为了实现上述功能,本发明采用以下技术方案:
准备阶段:训练文件准备,包括原理图层级的仿真数据和抽样数据,版图层级的仿真数据和抽样数据。原理图是采用电子器件通用图形符号用线连接起来的图,它主要描述电子电气产品工作原理和元部件的连接关系。用来指导电产品工作原理分析、生产调试和维修的图。对原理图进行仿真后可以得到仿真数据,仿真数据根据仿真设置可以包含电路的散射参数,仿真频段,噪声等信息。版图是集成电路设计中底层步骤物理设计的成果。物理设计通过布局、布线技术将逻辑综合的成果转换成物理版图文件。该文件包含了各硬件单元在芯片上的形状、面积和位置信息。对版图进行仿真后可以得到仿真数据,仿真数据根据仿真设置可以包含电路的散射参数,仿真频段,噪声等信息。抽样数据是电路中器件参数组成的参数组,作为抽样数据进行保存。提取相关数据转换为可以使用的训练数据;
训练阶段:使用原理图层级的仿真数据和抽样数据训练原理图层级的神经网络,该神经网络可以替代仿真器,输入电路中器件的尺寸参数组(以微带线为例,尺寸参数为微带线的长和宽)后输出相关仿真数据,仿真数据包括且不限于散射参数,仿真频段,噪声等信息。使用迁移学习将版图层级的仿真数据和抽样数据作为训练集训练版图层级的神经网络,该神经网络可以替代电磁仿真器,输入电路中器件的尺寸参数组(以微带线为例,尺寸参数为微带线的长和宽)后输出相关仿真数据,仿真数据包括且不限于散射参数,仿真频段,噪声等信息。;
优化阶段使用NSGAⅡ优化算法对版图层级电路中器件的尺寸参数组进行优化,向优化算法中输入电路中器件的尺寸参数区间,算法会在区间内选择合适的参数组,调用版图层级神经网络根据输入的参数组和频段输出预测的仿真结果,仿真数据包括且不限于散射参数,仿真频段,噪声等信息。根据电路的设计指标,来自定义评价函数,对仿真结果进行评判。若不符合电路的设计指标,则继续迭代,直至循环次数用尽或得到符合要求的尺寸参数组,优化结束。技术方案总流程图如附图3所示。
作为优选,所属准备阶段包括两个部分:
A 1:通过脚本在电路中器件的尺寸参数区间随机抽取尺寸参数组并自动生成网表,网表通常传递了电路连接方面的信息,例如模块的实例、线网以及相关属性。将尺寸参数组保存为抽样数据,将得到的网表送入仿真器进行原理图仿真,将仿真数据中的散射参数进行提取和预处理。然后把抽样数据进行预处理后和经过预处理的仿真数据转换为原理图层级的训练集。
A 2:通过脚本在电路中器件的尺寸参数区间随机抽取尺寸参数组并自动生成仿真文件,将尺寸参数组保存为抽样数据,将仿真文件送入电磁仿真器中仿真,将仿真数据中的散射参数进行提取后转换为SNP文件。SNP文件通常用来表示S参数,它是用于表示n端口网络有源设备或者无源连接的参数。再利用SNP文件进行联合仿真得到联合仿真结果,将仿真数据中的散射参数进行提取和预处理。然后把抽样数据进行预处理后和经过预处理的仿真数据转换为版图层级的训练集。
作为优选,所属训练阶段包含一下几个部分:
B 1:将原理图层级的抽样数据和仿真频段点作为训练集的输入参数,仿真数据的散射参数作为训练集的输出参数,利用该训练集训练原理图层级神经网络。
B2:将版图层级的抽样数据和仿真频段点作为训练集的输入参数,仿真数据的散射参数作为训练集的输出参数。将原理图层级的神经网络中的各层参数作为新的神经网络的初始化参数,对新的神经网络进行微调训练。其中使用的训练集为版图层级的训练集,训练得到版图层级的神经网络。将训练完成的神经网络进行测试,将一组测试数据进行归一化处理后输入神经网络中得到的预测数据与实际仿真数据相对比,比较结果是否接近,由此来判断神经网络是否准确;若不够准确,则需要扩充版图层级训练集,继续训练,直至符合要求。
作为优选,所属优化阶段包括两个部分:
C1:调用版图层级的神经网络,向神经网络中输入优化算法得到的参数组以及仿真频段,神经网络将返回对应的频段的散射参数组,利用自定义的评价函数对散射参数组进行评价。在此过程中,神经网络取代了电磁仿真器的作用。
C2:利用NSGAⅡ优化算法不断迭代循环,得到最优尺寸参数组,最终生成所需的版图文件。
本发明公开公开的技术方案涉及一种版图层级仿真模型建立方法和一种集成电路版图层级的设计优化方法,其流程如图3所示,包括:
步骤A101,获取待优化电路的拓扑结构图。
所述待优化的电路为低噪声放大器电路;所述低噪声放大器的设计参数包括回波损耗、插入损耗、插入损耗平坦度。
步骤A102,基于所待优化电路的拓扑结构图和设计指标,确定被优化电路的中器件的尺寸参数及其对应的取值范围,并在取值范围内进行参数抽样。将抽样得到的器件尺寸参数组保存为原理图层级的抽样数据,利用脚本生成对应的网表后输入仿真器内进行仿真,将仿真数据中的散射参数进行提取和预处理。然后把抽样数据进行预处理后和经过预处理的仿真数据转换为原理图层级的训练集。
步骤A201,基于PCB设计规则(DRC)利用脚本随机生成符合设计规则的尺寸参数组,去掉电路中的有源部分后生成仿真文件进行电磁仿真,在此过程中,将尺寸参数组保存为抽样数据。将输出数据转化为SNP格式以无缘部分的形式导入原理图,进行联合仿真得到仿真结果。将仿真数据中的散射参数进行提取和预处理。然后把抽样数据进行预处理后和经过预处理的仿真数据转换为版图层级的训练集。此训练集中,抽样数据和电路工作频段为输入参数,仿真数据中的散射参数为输出参数。数据处理使用了归一化的方法,参数归一化所用公式6如下所示:
上述式子中x*为归一化处理后的参数,x为原参数,min为该参数的最小值,max为该参数的最大值。本技术方案将输入参数进行归一化处理,采用线性函数归一化方法,将原始数据转换到[0,1]的范围。通过此方式,实现对原始数据的等比例缩放。对参数归一化具有以下几个优点:1、提升模型的收敛速度。2、提升模型的精度。归一化很有必要,它可以让各个特征对结果做出的贡献相同。
因为电磁仿真仿真耗时时间较长,为了降低仿真的时间成本,将采用小样本训练。利用预训练模型进行迁移微调(fine-tuning),预训练模型通常在特征上拥有很好的语义表达。此时,只需将模型在小数据集上进行微调就能取得不错的效果。这也是目前大部分小数据集常用的训练方式。
步骤B101,构建神经网络,将原理图训练集投入神经网络进行训练。
神经网络模型为多层感知机(MPL)。所述多层感知机最底层是输入层,中间是隐藏层,最后是输出层。所述隐藏层的节点数大于输入层和输出层的节点数。
预设的网络结构可以如图4所示。输入层为n个节点,隐藏层层数为3层,节点数为400,输出层节点数为m个。本技术方案中并不限制隐藏层层数和节点数,本领域技术人员可以在实际应用中根据需要进行选择设置。
初始化网络后,将原理图数据划为训练集和测试集,并将训练数据进行随机打乱。
将已经经过数据处理的原理图训练集投入神经网络中进行训练,训练过程图如附图5所示。图中,x轴代表训练代数,y左轴代表训练准确率大小,y右轴代表训练Loss大小,实线代表训练准确率,虚线代表训练Loss。
示例性的,传统的MPL训练过程分为一下三部分:
1、初始化网络权值和神经元的阈值
对于第一次训练的网络,一般情况下会采用随机初始化,对于经过预训练的网络,一般会导入预训练参数初始化参数。
2、前向传播
按照公式一层一层的计算隐层神经元和输出层神经元的输入和输出。计算公式如公式7所示:
上述式子中,i作为上一层神经元的下标,或者是输入层节点。j作为当前层神经元的下标,或者是隐藏层神经元。Wij表示上一层各神经元到当前神经元的权重,也就是神经元j的权重,b为当前神经元的偏置,hj表示当前节点的所有输入加权与偏置之和。
神经元的输出a经过激活函数计算得到,计算公式如公式8所示:
aj表示隐藏层神经元的输出值,g为激活函数,该层神经元输出等于下层神经元的输入。
3、基于Loss的反向传播
反向传播的目标是希望通过调整网络的权重使得输出和目标有最小的误差,及最小二乘的思想,其损失函数(Loss function)定义为输出向量的均方误差,计算公式如公式9所示:
上述式子中,k作为下一层神经元的下标,或者是输出层神经元,y为输出值,t为真实值。
得出误差后,采用梯度下降求最优解,也就是求损失函数Loss关于权重w的偏导。计算公式如公式10所示:
上述式子中,wjk为表示上一层各神经元到当前神经元的权重,也就是神经元k的权重,hk表示当前节点的所有输入加权与偏置之和。
使用梯度下降法更新权重,更新公式如下式所示:
按照此方法依次向上层更新权重,直至得到Loss最小的组合,训练结束。
步骤B201,构建神经网络,将版图训练集投入神经网络进行训练。
使用原理图训练的网络作为预训练网络进行迁移,对各层参数进行微调。fine-tune中文译为“微调”,深度学习中需要在深层网络中不断进行训练更新模型的参数(权重)拟合能实现预期结果的模型。
举例来说,将原理图训练集训练得到的网络中的权重参数作为预训练值迁移至版图训练的神经网络中。将数据集划分为训练集和测试集后投入神经网络进行小样本的训练,得到版图层级的神经网络模型。训练过程比较图如附图6所示。其中,x轴代表训练代数,y左轴代表训练准确率大小,y右轴代表训练Loss大小,实线代表训练准确率,虚线代表训练Loss。由图可见,在较短的训练过程中,训练准确率直接从90%开始提升。训练完成后,对神经网络进行测试,将一组测试数据进行归一化处理后输入神经网络中得到的预测数据与实际仿真数据相对比,比较结果是否接近,由此来判断神经网络是否准确;若不够准确,则需要扩充版图层级训练集,继续训练,直至符合要求。测试结果对比图如附图7所示。图中所示虚线为预测结果,实线为实际仿真结果,由图可见,网络基本达到要求。
步骤C101,调用版图层级神经网络得到模拟仿真数据并进行赋分。
向NSGAⅡ优化算法中输入电路器件的尺寸参数参数的取值范围,优化算法根据输入的取值范围生成符合要求的子种群,将种群中的参数组进行检验,经DRC修改后得到合理的参数组。将合理的参数组进行归一化处理后输入到版图层级神经网络中得到仿真数据。提取仿真数据后,根据自定义的评价函数得到对应的评分,评价函数根据实际设计指标进行设置,每个电路都各不相同,依据个人需要进行评价,返回评价分数。以S11参数指标为小于-10dB为例,我们将遍历仿真频段内的S11参数值,取仿真频段内S11的最大值,与-10进行比较,若最大值小于-10dB,则S11参数满足指标要求,得分为满分;若大于-10dB,则依据与-10的差距来给定分数,差距越大,评分越低。
步骤C201,利用NSGAⅡ算法进行迭代寻优,找到符合优化指标的一组或多组参数组解。
NSGAⅡ算法执行的流程图如附图8所示。
第一步:生成初始种群,此时进化代数Gen=1。初始种群中包含N个器件尺寸参数组,该尺寸参数组由算法在取值范围内抽样得到,N为子种群大小。将初始种群中N个尺寸参数组进行归一化后输入版图层级神经网络,得到预测仿真数据。将仿真数据输入自定义评价函数得到初始种群的评价分数组。
第二步:判断是否生成了第一代子种群,若已生成则令进化代数Gen=2,否则,对初始种群进行非支配排序和选择、高斯交叉、变异从而生成第一代子种群并使进化代数Gen=2。第一代子种群中包含N个器件尺寸参数组,该尺寸参数组由算法在取值范围内得到。将第一代子种群中N个尺寸参数组进行归一化后输入版图层级神经网络,得到预测仿真数据。将仿真数据输入自定义评价函数得到第一代子种群的评价分数组。
第三步:将父代种群与子代种群合并为新种群,所述父代种群为生成该代子种群的种群,在所述循环中会多次使用父代种群;新种群经过算法中的精英选择策略得到初始种群和第一代子种群中的最优解,保留帕累托解的尺寸参数组和评价分数组。
第四步:判断是否已生成新的父代种群,若没有则计算新种群中个体的目标函数,并执行快速非支配排序、计算拥挤度、精英策略等操作生成新的父代种群;否则,进入第五步。
第五步:对生成的父代种群执行选择、交叉、变异操作生成子代种群。
第六步:判断Gen是否等于最大的进化代数,若没有则进化代数Gen=Gen+1并返回第三步;否则,算法运行结束。输出所有帕累托解的尺寸参数组和评价分数组。
算法运行结束将会返回多个尺寸参数组和与之对应的评价分数组,部分参数优化结果图如附图9所示。由图可见,图中优化目标为插入损耗平坦度,目标满分为10分,经过迭代优化后基本可以达到优化指标。将最优参数组输入到脚本中生成新的网表,根据网表生成对应的版图文件。本技术方案流程结束。
本领域的普通技术人员可以理解,上述各实施方式是实现本公开的具体实施方式,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本公开的精神和范围。
Claims (7)
1.一种基于迁移学习的版图层级电路图尺寸参数优化方法,其特征在于,包括以下步骤:
步骤A:获取原理图层级的仿真数据、原理图层级的抽样数据、版图层级的仿真数据、版图层级的抽样数据,作为训练数据;所述仿真数据包括散射参数,仿真频段,噪声中的任意一项;
步骤B:构建原理图层级的神经网络,使用原理图层级的仿真数据和原理图层级的抽样数据训练所述原理图层级的神经网络,得到原理图网络,所述原理图层级的神经网络的输入包括电路原理图中器件的尺寸参数组;所述原理图层级的神经网络的输出包括仿真数据;
构建版图层级的神经网络;使用迁移学习法,用所述版图层级的仿真数据和版图层级的抽样数据作为训练集训练版图层级的神经网络,得到版图网络,所述版图层级的神经网络的输入包括电路版图中器件的尺寸参数组,输出包括仿真数据;
步骤C:使用NSGAⅡ优化算法对电路版图中器件的尺寸参数组进行优化:
向NSGAⅡ优化算法中输入电路版图中器件的尺寸参数区间,使用所述NSGAⅡ优化算法在区间内选择合适的参数组,将所述合适的参数组输入版图网络,得到仿真数据作为仿真结果;
根据对以下设计指标的要求,所述设计指标包括回波损耗、插入损耗、插入损耗平坦度,自定义评价函数,对仿真结果进行评判:若不符合电路的设计指标,则继续迭代,直至循环次数用尽或得到符合要求的尺寸参数组,得到优化后的尺寸参数组。
2.如权利要求1所述的一种基于迁移学习的版图层级电路图尺寸参数优化方法,其特征在于,所述步骤A具体包括以下步骤:
A 1:通过脚本,在电路原理图中的器件的尺寸参数区间内,抽取若干尺寸参数组并生成网表;将所述尺寸参数组作为原理图层级的抽样数据,将生成的所述网表送入仿真器进行原理图仿真,得到仿真数据;所述仿真数据为散射参数;基于所述原理图层级的抽样数据和所述散射参数得到原理图层级的训练数据;
A 2:通过脚本,在电路版图中的器件的尺寸参数区间内,抽取若干尺寸参数组并生成仿真文件,将所述尺寸参数组作为版图层级的抽样数据,将仿真文件送入电磁仿真器中仿真,将仿真数据中的散射参数进行提取后转换为SNP文件;再利用所述SNP文件进行联合仿真得到联合仿真数据,所述联合仿真数据包括散射参数,基于所述散射参数和版图层级的抽样数据版图层级的训练数据。
3.如权利要求2所述的一种基于迁移学习的版图层级电路图尺寸参数优化方法,其特征在于,所述步骤A1中的所述电路为低噪声放大器电路。
4.如权利要求3所述的一种基于迁移学习的版图层级电路图尺寸参数优化方法,其特征在于,所述原理图层级的神经网络为多层感知机;所述多层感知机最底层是输入层,中间是隐藏层,最后是输出层。
5.如权利要求4所述的一种基于迁移学习的版图层级电路图尺寸参数优化方法,其特征在于,所述隐藏层的节点数大于输入层和输出层的节点数;所述隐藏层层数为3层,节点数为400。
6.如权利要求5所述的一种基于迁移学习的版图层级电路图尺寸参数优化方法,其特征在于,所述步骤B中,所述迁移学习法包括:使用原理图网络作为预训练网络进行迁移。
7.如权利要求6所述的一种基于迁移学习的版图层级电路图尺寸参数优化方法,其特征在于:所述步骤C中,所述NSGAⅡ算法的执行,包括以下步骤:
第一步:生成初始种群,此时进化代数Gen=1;初始种群中包含N个器件尺寸参数组,该尺寸参数组由所述NSGAⅡ算法在所述电路版图中器件的尺寸参数区间内抽样得到,N为子种群大小;将初始种群中N个尺寸参数组进行归一化后输入版图网络,得到预测仿真数据;将所述预测仿真数据输入自定义评价函数得到初始种群的评价分数组;
第二步:判断是否生成了第一代子种群,若已生成则令进化代数Gen=2,否则,对初始种群进行非支配排序和选择、高斯交叉、变异从而生成第一代子种群并使进化代数Gen=2;第一代子种群中包含N个器件尺寸参数组,该尺寸参数组由NSGAⅡ算法在所述电路版图中器件的尺寸参数区间内得到;将第一代子种群中N个尺寸参数组进行归一化后输入版图网络,得到第二步的预测仿真数据;将第二步的预测仿真数据输入自定义评价函数得到第一代子种群的评价分数组;
第三步:将父代种群与子代种群合并为新种群,所述父代种群为生成该代子种群的种群,在所述循环中会多次使用父代种群;新种群经过精英选择策略得到初始种群和第一代子种群中的最优解,保留帕累托解的尺寸参数组和评价分数组;
第四步:判断是否已生成新的父代种群,若没有则计算新种群中个体的目标函数,并执行快速非支配排序、计算拥挤度,经过精英策略操作生成新的父代种群;若有,则进入第五步;
第五步:对生成的父代种群执行选择、交叉、变异操作生成子代种群;
第六步:判断Gen是否等于最大的进化代数,若没有则进化代数Gen=Gen+1并返回第三步;否则,算法运行结束;输出所有帕累托解的尺寸参数组和评价分数组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660408.2A CN115879412A (zh) | 2022-12-23 | 2022-12-23 | 一种基于迁移学习的版图层级电路图尺寸参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660408.2A CN115879412A (zh) | 2022-12-23 | 2022-12-23 | 一种基于迁移学习的版图层级电路图尺寸参数优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879412A true CN115879412A (zh) | 2023-03-31 |
Family
ID=85754386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211660408.2A Pending CN115879412A (zh) | 2022-12-23 | 2022-12-23 | 一种基于迁移学习的版图层级电路图尺寸参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879412A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217156A (zh) * | 2023-08-31 | 2023-12-12 | 中山大学 | 基于贝叶斯优化的射频电路版图迭代方法、设备和介质 |
-
2022
- 2022-12-23 CN CN202211660408.2A patent/CN115879412A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217156A (zh) * | 2023-08-31 | 2023-12-12 | 中山大学 | 基于贝叶斯优化的射频电路版图迭代方法、设备和介质 |
CN117217156B (zh) * | 2023-08-31 | 2024-05-28 | 中山大学 | 基于贝叶斯优化的射频电路版图迭代方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751842B (zh) | 深度神经网络的优化方法及系统 | |
Vai et al. | Reverse modeling of microwave circuits with bidirectional neural network models | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
TWI674823B (zh) | 自動佈線系統及方法 | |
CN112528591A (zh) | 一种基于联合蒙特卡洛树搜索的pcb板自动布线方法 | |
Zhang et al. | Parallel decomposition approach to wide-range parametric modeling with applications to microwave filters | |
CN108879732A (zh) | 电力系统暂态稳定评估方法及装置 | |
Xu et al. | Application of deep learning for high-speed differential via TDR impedance fast prediction | |
CN113240105B (zh) | 一种基于图神经网络池化的电网稳态判别方法 | |
Kumar et al. | An optimized device sizing of analog circuits using genetic algorithm | |
Vai et al. | Neural networks in microwave circuit design—beyond black‐box models (invited article) | |
CN114118567A (zh) | 一种基于双通路融合网络的电力业务带宽预测方法 | |
CN115879412A (zh) | 一种基于迁移学习的版图层级电路图尺寸参数优化方法 | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN117591722A (zh) | 一种基于社交网络舆论动力学模型的舆论传播预测方法及系统 | |
CN117421972A (zh) | 一种综合负荷模型参数的辨识方法及终端 | |
CN115796244B (zh) | 一种超非线性输入输出系统基于cff的参数辨识方法 | |
US6807652B2 (en) | Method of robust semiconductor circuit products design using rational robust optimization | |
CN113887570B (zh) | 一种基于神经网络的太阳耀斑二分类预测方法 | |
CN115984025A (zh) | 基于深度学习图网络模型的影响力传播估计方法及系统 | |
Zhang et al. | Distributed parallel computing technique for EM modeling | |
CN115640845A (zh) | 基于生成对抗网络的图神经网络少数类别样本生成方法 | |
El-Dahshan et al. | Artificial neural network and genetic algorithm hybrid technique for nucleus–nucleus collisions | |
JP2002288625A (ja) | 多目的最適化方法、プログラムおよびプラン立案装置 | |
CN110705044A (zh) | 基于深度学习对风力发电系统进行仿真的仿真验证方法 |
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 |