CN116341465A - 版图生成方法及装置、计算装置和存储介质 - Google Patents
版图生成方法及装置、计算装置和存储介质 Download PDFInfo
- Publication number
- CN116341465A CN116341465A CN202310235848.1A CN202310235848A CN116341465A CN 116341465 A CN116341465 A CN 116341465A CN 202310235848 A CN202310235848 A CN 202310235848A CN 116341465 A CN116341465 A CN 116341465A
- Authority
- CN
- China
- Prior art keywords
- value
- layout
- training
- optimized
- performance index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 176
- 238000013178 mathematical model Methods 0.000 claims abstract description 59
- 238000005457 optimization Methods 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000013461 design Methods 0.000 claims description 24
- 238000012795 verification Methods 0.000 claims description 15
- 238000010845 search algorithm Methods 0.000 claims description 11
- 238000000137 annealing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 20
- 238000000605 extraction Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000004088 simulation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
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
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Architecture (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本申请公开了一种版图生成方法，包括建立关于待优化参数的参数化版图；根据待优化参数的训练值和参数化版图，得到训练值参数化版图并进行仿真，得到训练值参数化版图对应的训练值性能指标；根据训练值、训练值性能指标以及训练值和训练值性能指标间的对应关系，建立数学模型；根据数学模型得到待优化参数的候选值对应的候选值性能指标；根据训练值性能指标和/或候选值性能指标，确定至少一个训练值和/或候选值为待优化参数的优化值；根据优化值，生成版图。本申请还公开了用于实现该版图生成方法的版图生成装置、计算装置和存储介质。根据本发明实施例的版图生成方法及装置、计算装置和存储介质，能够快速、高效地生成优化的版图。
Description
技术领域
本发明涉及半导体设计技术领域，特别涉及一种版图生成方法及装置、计算装置和存储介质。
背景技术
自二十一世纪以来，以集成电路等为代表的泛半导体版图设计快速发展。同时，由于版图、工艺等流程复杂程度的提高，版图设计的时间与人力成本不断增加。为了降低版图设计的消耗，对版图设计流程进行敏捷优化，并实现版图设计的自动化已是迫在眉睫。
在现有的版图设计自动化流程中，对于版图的自动优化始终是一个重要部分。通常的版图设计完成后，会对模拟版图的指标进行计算和验证，若不符合需求，则需要人为对版图进行优化调整，直至指标达到需求标准为止。但是在上述过程中，往往需要花费很多的时间与资源。
因此，希望能有一种新的版图生成方法及装置、计算装置和存储介质，能够解决上述问题。
发明内容
鉴于上述问题，本发明的目的在于提供一种版图生成方法及装置、计算装置和存储介质，从而快速、高效地生成优化的版图。
根据本发明的一方面，提供一种版图生成方法，包括：
确定待优化参数，建立关于所述待优化参数的参数化版图；
根据所述待优化参数的训练值和所述参数化版图，得到训练值参数化版图，并对所述训练值参数化版图进行仿真，得到训练值参数化版图对应的训练值性能指标；
根据所述训练值、所述训练值性能指标以及所述训练值和所述训练值性能指标间的对应关系，建立数学模型；
根据所述数学模型得到所述待优化参数的候选值对应的候选值性能指标；
根据所述训练值性能指标和/或所述候选值性能指标，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值；
根据所述优化值，生成版图。
可选地，所述根据所述训练值性能指标和/或所述候选值性能指标，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值包括：
确定性能指标的目标区间；
获取满足所述性能指标的目标区间的所述训练值性能指标和/或所述候选值性能指标对应的训练值和/或候选值，进而确定至少一个所述训练值和/或所述候选值为所述优化值。
可选地，所述获取满足所述性能指标的目标区间的所述训练值性能指标和/或所述候选值性能指标对应的训练值和/或候选值包括：
根据搜索算法在所述训练值性能指标和/或所述候选值性能指标中搜索满足所述性能指标的目标区间的所述训练值性能指标和/或所述候选值性能指标对应的训练值和/或候选值；
所述版图生成方法还包括：
优化所述搜索算法的参数；
其中，所述搜索算法包括退火算法和贝叶斯算法中的至少一种。
可选地，所述待优化参数为一个或多个；
所述版图生成方法还包括：
确定固定参数；
在所述待优化参数为一个时，确定所述待优化参数与所述固定参数间的约束关系，并根据所述训练值性能指标和/或所述候选值性能指标以及所述约束关系，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值；在所述待优化参数为多个时，确定所述待优化参数与所述固定参数间以及不同的待优化参数间的约束关系，并根据所述训练值性能指标和/或所述候选值性能指标以及所述约束关系，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值；
对根据所述优化值生成的版图进行设计规则检查。
可选地，所述待优化参数包括第一待优化子参数和第二待优化子参数；
所述版图生成方法还包括：
确定第一待优化子参数对应的第一优化子值，确定第二待优化子参数对应的第二优化子值；
根据所述第一优化子值和所述第二优化子值，生成版图。
可选地，所述版图生成方法还包括：
设定所述第一待优化子参数的第一取值范围，设定所述第二待优化子参数的第二取值范围；
在所述第一取值范围内随机选取第一训练子值，在所述第二取值范围内随机选取第二训练子值，得到包括所述第一训练子值和所述第二训练子值的训练值；和/或
在所述第一取值范围内随机选取第一候选子值，在所述第二取值范围内随机选取第二候选子值，得到包括所述第一候选子值和所述第二候选子值的候选值。
可选地，所述根据所述训练值、所述训练值性能指标以及所述训练值和所述训练值性能指标间的对应关系，建立数学模型包括：
通过神经网络中的多层感知器，生成预测网络模型作为所述数学模型。
可选地，所述版图生成方法还包括：
确定数学模型精度；
根据已有的所述训练值、所述训练值性能指标以及所述训练值和所述训练值性能指标间的对应关系，建立当前数学模型；
根据至少一个所述候选值和所述当前数学模型，得到所述至少一个所述候选值对应的候选值性能指标；
根据所述至少一个所述候选值和所述参数化版图，得到验证参数化版图，并对所述验证参数化版图进行仿真，得到验证参数化版图对应的验证性能指标；
根据所述验证性能指标和所述至少一个所述候选值对应的候选值性能指标，判断所述当前数学模型是否符合所述数学模型精度，
其中，在所述当前数学模型符合所述数学模型精度时，将所述当前数学模型作为所述数学模型。
可选地，所述版图生成方法还包括：
确定电路版图的架构；
根据所述电路版图的架构和所述待优化参数，建立所述参数化版图。
根据本发明的另一方面，提供一种版图生成装置，包括：
参数化单元，用于确定待优化参数，并建立关于所述待优化参数的参数化版图；
训练单元，用于根据所述待优化参数的训练值和所述参数化版图，得到训练值参数化版图，并对所述训练值参数化版图进行仿真，得到训练值参数化版图对应的训练值性能指标；
建模单元，用于根据所述训练值、所述训练值性能指标以及所述训练值和所述训练值性能指标间的对应关系，建立数学模型；
模型应用单元，用于根据所述数学模型得到所述待优化参数的候选值对应的候选值性能指标；
优化单元，用于根据所述训练值性能指标和/或所述候选值性能指标，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值；
生成单元，用于根据所述优化值，生成版图。
可选地，所述版图生成装置还包括：
目标单元，用于确定性能指标的目标区间；
搜索单元，用于在所述训练值性能指标和/或所述候选值性能指标中搜索满足所述性能指标的目标区间的所述训练值性能指标和/或所述候选值性能指标对应的训练值和/或候选值。
根据本发明的再一方面，提供一种计算装置，包括：处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述处理器执行，使得所述处理器实现如上所述的版图生成方法。
根据本发明的又一方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上所述的版图生成方法。
根据本发明实施例的版图生成方法及装置、计算装置和存储介质，根据训练值和参数化版图进行仿真，得到训练值性能指标，进而根据训练值与训练值性能指标的对应关系建立数学模型；通过数学模型，无需仿真便可得到候选值对应的候选值性能指标，极大地提高了版图生成的效率。
进一步地，通过搜索算法搜索满足目标区间的优化值，提高了优选值确定的效率，从而快速高效地生成优化的版图。
进一步地，在建立数学模型的过程中，同时考虑多个待优化子参数，保证了生成版图的准确合规，保证了版图的生成效率。
进一步地，建立的数学模型需要满足数学模型精度要求，确保了候选值性能指标的准确性，进而保证了生成版图的合理性与准确性。
进一步地，通过PLM工具快速简便地对模拟版图进行参数化设计，设定可变参数、变化范围以及图形约束，并且能够通过变化参数，自动更新，得到不同的参数化模拟版图，保证了高效准确地生成版图。
进一步地，采用基于人工智能的方法，实现模拟版图的电性指标的快速提取，通过大量对参数化版图进行采样和指标的计算，得到样本数据集并用其对AI(人工智能)网络模型进行训练，能够得到较高精度的指标提取模型。
进一步地，采用数学优化算法与AI指标提取模型结合的方式，通过数学算法搜索得到参数组合，并用AI模型快速提取指标，将指标与目标进行比较，再根据差异值采用优化算法继续搜索新的参数组合，直至差异较小为止，可以在短时间内得到一个符合目标需求的参数化版图，实现了模拟版图的自动优化流程。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示出了根据本发明第一实施例的版图生成方法的方法流程图。
图2示出了根据本发明第二实施例的性能指标提取的流程图。
图3示出了根据本发明第二实施例的搜索算法的优化流程图。
图4示出了根据本发明第三实施例的版图生成方法的方法流程图。
图5示出了根据本发明第三实施例的多层感知器的原理示意图。
图6示出了根据本发明第四实施例的OLED Pixel原理性架构。
图7示出了根据本发明第四实施例的优化后的OLED Pixel架构。
图8示出了根据本发明第五实施例的服务器的结构示意图。
具体实施方式
以下将参照附图更详细地描述本发明的各种实施例。在各个附图中，相同的元件采用相同或类似的附图标记来表示。为了清楚起见，附图中的各个部分没有按比例绘制。此外，在图中可能未示出某些公知的部分。
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。在下文中描述了本发明的许多特定的细节，例如部件的结构、材料、尺寸、处理工艺和技术，以便更清楚地理解本发明。但正如本领域的技术人员能够理解的那样，可以不按照这些特定的细节来实现本发明。
应当理解，在描述部件的结构时，当将一层、一个区域称为位于另一层、另一个区域“上面”或“上方”时，可以指直接位于另一层、另一个区域上面，或者在其与另一层、另一个区域之间还包含其它的层或区域。并且，如果将部件翻转，该一层、一个区域将位于另一层、另一个区域“下面”或“下方”。
根据本发明的一方面，提供一种版图生成方法。图1示出了根据本发明第一实施例的版图生成方法的方法流程图。如图1所示，根据本发明第一实施例的版图生成方法包括以下步骤：
在步骤S101中，确定待优化参数，建立关于所述待优化参数的参数化版图；
在设计版图的流程中，对于版图的参数化绘制是一种极为重要的方法。所谓参数化绘制，即在绘制版图的过程中，将版图分为多个形状部分，并以尺寸参数约束其形状，最后可以通过设定参数(待优化参数)的形式，直接形成对应的版图单元(待优化参数的参数化版图)，这样的版图也被称为参数化版图(单元)。在该步骤中，确定待优化参数，并建立关于该待优化参数的参数化版图。当然，待优化参数可以是一个或多个；在待优化参数为多个时，任意待优化参数间可以有相互的约束关系。可选地，确定电路版图的架构；根据确定的电路版图的架构和待优化参数，建立参数化版图。
在步骤S102中，根据所述待优化参数的训练值和所述参数化版图，得到训练值参数化版图，并对所述训练值参数化版图进行仿真，得到训练值参数化版图对应的训练值性能指标；
选择至少一个具体的(数)值作为待优化参数的训练值。将该训练值代入参数化版图，得到训练值参数化版图。对训练值参数化版图进行仿真，得到对应的训练值性能指标。仿真得到的性能指标例如是电性指标等。
在步骤S103中，根据所述训练值、所述训练值性能指标以及所述训练值和所述训练值性能指标间的对应关系，建立数学模型；
根据训练值、训练值性能指标以及二者间的对应关系(映射关系)，建立数学模型。建立的数学模型能够表示参数化版图中待优化参数取值不同时对应的性能指标。可选地，通过神经网络中的多层感知器，生成预测网络模型作为建立的数学模型。
在步骤S104中，根据所述数学模型得到所述待优化参数的候选值对应的候选值性能指标；
选择至少一个具体的(数)值作为待优化参数的候选值。将该候选值代入数学模型，得到对应的候选值性能指标。
在步骤S105中，根据所述训练值性能指标和/或所述候选值性能指标，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值；
根据得到的训练值性能指标和/或候选值性能指标，确定待优化参数的优化值(最优值)。可选地，从得到的训练值性能指标和/或候选值性能指标选择符合要求(例如最优的性能指标)的那个，并将对应的训练值或候选值作为优化值。
可选地，确定性能指标的目标区间；获取满足该目标区间的训练值性能指标和/或候选值性能指标，进而将对应的训练值和/或候选值作为优化值。可选地，根据搜索算法搜索得到优化值，搜索算法可以包括退火算法和贝叶斯算法等中的至少一种。可选地，优化搜索算法的参数以提升搜索效果。
在步骤S106中，根据所述优化值，生成版图。
将优化值代入参数化版图，得到优化值对应参数化版图，并将该优化值对应参数化版图作为(最终)版图。
在本发明的可选实施例中，待优化参数为一个或多个。该版图生成方法还包括：确定固定参数；在待优化参数为一个时，确定该待优化参数与固定参数间的约束关系；在确定优化值时，结合约束关系确定。在待优化参数为多个时，确定待优化参数与固定参数间、不同的待优化参数间的约束关系；在确定优化值时，结合约束关系确定。在生成版图时或生成版图后，对版图进行设计规则检查。
可选地，在待优化参数为多个时，可以分别命名为第一待优化子参数、第二待优化子参数……。相应地，确定第一待优化子参数对应的第一优化子值，确定第二待优化子参数对应的第二优化子值；根据所述第一优化子值和所述第二优化子值，生成版图。
可选地，训练值、候选值和优化值等，并不限于是单个的值，也可以是多个/多种数据构成的数据(值)的集合。
在版图生成方法中，设定所述第一待优化子参数的第一取值范围，设定所述第二待优化子参数的第二取值范围；
在所述第一取值范围内随机选取第一训练子值，在所述第二取值范围内随机选取第二训练子值，得到包括所述第一训练子值和所述第二训练子值的训练值；和/或
在所述第一取值范围内随机选取第一候选子值，在所述第二取值范围内随机选取第二候选子值，得到包括所述第一候选子值和所述第二候选子值的候选值。
在本发明的可选实施例中，版图生成方法还包括：
确定数学模型精度；可选地，数学模型精度是数学模型对于给定参数对指标进行预测时的预测精度(例如候选值根据数学模型预测到的预测值性能指标)，精度计算方法一般为(1-|预测值-实际值|/实际值)*100％，当然，也可以有其他的精度计算方式。
根据已有的所述训练值、所述训练值性能指标以及所述训练值和所述训练值性能指标间的对应关系，建立当前数学模型；
根据至少一个所述候选值和所述当前数学模型，得到所述至少一个所述候选值对应的候选值性能指标；
根据所述至少一个所述候选值和所述参数化版图，得到验证参数化版图，并对所述验证参数化版图进行仿真，得到验证参数化版图对应的验证性能指标；
根据所述验证性能指标和所述至少一个所述候选值对应的候选值性能指标，判断所述当前数学模型是否符合所述数学模型精度，
其中，在所述当前数学模型符合所述数学模型精度时，将所述当前数学模型作为所述数学模型。
根据本发明的另一方面，提供一种版图生成装置，例如用于实现上述的版图生成方法。该版图生成装置包括：
参数化单元，用于确定待优化参数，并建立关于所述待优化参数的参数化版图；
训练单元，用于根据所述待优化参数的训练值和所述参数化版图，得到训练值参数化版图，并对所述训练值参数化版图进行仿真，得到训练值参数化版图对应的训练值性能指标；
建模单元，用于根据所述训练值、所述训练值性能指标以及所述训练值和所述训练值性能指标间的对应关系，建立数学模型；
模型应用单元，用于根据所述数学模型得到所述待优化参数的候选值对应的候选值性能指标；
优化单元，用于根据所述训练值性能指标和/或所述候选值性能指标，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值；
生成单元，用于根据所述优化值，生成版图。
可选地，该版图生成装置还包括：
目标单元，用于确定性能指标的目标区间；以及
搜索单元，用于在所述训练值性能指标和/或所述候选值性能指标中搜索满足所述性能指标的目标区间的所述训练值性能指标和/或所述候选值性能指标对应的训练值和/或候选值。
图2示出了根据本发明第二实施例的性能指标提取的流程图。图3示出了根据本发明第二实施例的搜索算法的优化流程图。结合图2和图3所示，本发明第二实施例公开了一种基于PLM的模拟版图快速自动优化流程，涉及到集成电路、人工智能及数学优化算法、模拟版图以及泛半导体版图设计工具等领域。
PLM是一款参数化版图的生成工具，用户可以通过PLM的图形化界面，绘制符合自己要求的版图，按自己的需求设定需要变动的尺寸参数，并自动导出参数化版图单元(Pcell)。设计完成后，可以直接通过修改版图单元的参数，实时生成新的对应版图，实现对版图的实时更新。此外，PLM提供了在图形界面中直接定义参数约束的功能，通过PLM可以直接设计出合理的参数化单元版图。
结合图2所示，当使用PLM对版图进行参数化后，可以采用人工智能的方法建立数学模型，例如采用人工智能方法对参数化版图的性能指标进行快速提取。根据参数化版图(单元)生成的版图参数数据集(训练值)和版图指标数据集(训练值性能指标)进行人工智能训练流程，得到预测模型(数学模型)。应用预测模型，根据参数化版图的版图参数(待优化参数)快速生成(无需进行仿真)相应的版图指标(候选值性能指标)。
版图自动优化的思想，是对版图的参数进行反复的调整和修改，并结合指标快速提取流程，使指标不断向用户提出的目标靠拢。在调整参数时，可以结合数学优化算法，来减少搜索合理参数的空间，使得该优化过程能够在较短时间内就可以得到一套满足目标指标的合理参数化版图，最终实现版图的自动优化。具体的优化流程可参照图3所示。
在本发明的上述实施例中，提出了一种以PLM为基础，对版图实现参数化设计，并对版图完成快速自动优化的流程方法。具体地，通过训练得到一个人工智能模型，实现参数化版图指标的快速提取功能。应用PLM参数化版图单元以及基于人工智能的指标快速提取方法，通过算法的进一步优化搜索，可以在给定的范围内寻找到一套满足要求的参数并生成对应版图。
图4示出了根据本发明第三实施例的版图生成方法的方法流程图。图5示出了根据本发明第三实施例的多层感知器的原理示意图。结合图4和图5所示，在本发明第三实施例所述的版图生成方法中，包括以下步骤：
在步骤1中，确定电路版图的架构。
自动优化流程仅对相同电路的版图生效，若电路结构发生改变，将会给自动优化过程带来偏差，所以需要确保一套不变的电路原理图。确定电路版图的架构以建立相应的参数化版图。
在步骤2中，在PLM中完成模拟版图参数化设计流程。
PLM提供了一套可交互式的图形化界面，用户可以方便快捷地进行参数化模拟版图单元的设计。在参数化设计时确定可变参数(待优化参数)，即将模拟版图中重要的尺寸以参数形式保存，在后续开发中，对参数进行调整，版图会自动更新。其他无须更改或对指标无影响的不重要参数，如切角大小等，可以以default值(固定参数)形式进行保存；
提供可变参数列表(例如包括第一待优化子参数和第二待优化子参数)，设定可变范围(例如包括第一取值范围和第二取值范围)，在范围内进行随机的取值，生成不同的参数组合，以生成不同尺寸的参数化版图。在PLM中需设定版图约束，通过检查约束和DRC(design rule check设计规则检查)来保证生成出的版图是合理版图。并且生成出的版图需经历DRC检查等步骤，以确保这一套尺寸参数对应的参数化版图是合理版图。
将在PLM中设计好的参数化单元导入Aether(版图编辑工具)，与指标计算工具相连接，完善指标计算的输入信息(如打label，确定map信息等)，得到参数化单元版图对应的指标。在给定范围内对参数进行随机取值，生成不同尺寸的参数化版图，通过指标计算工具得到不同参数化版图对应的指标。可选地，对以上流程进行脚本的封装，实现自动生成随机参数组合->版图的自动化更新->指标自动化计算仿真的自动化流程。
在步骤3中，基于人工智能方法实现快速指标提取过程。
具体地，采用脚本控制，对于不同尺寸的参数化版图，自动进行指标计算过程并输出结果文件。选定更改的参数以及输出的仿真计算指标结果，作为数据集形式保存下来。以上流程例如可以通过LSF在多台服务器上进行并行式计算以加快速度。LSF(Load SharingFacility)是IBM旗下的一款分布式集群管理系统软件，负责计算资源的管理和批处理作业的调度。
参照图5所示，基于人工智能算法构建指标快速提取模型，以神经网络中的多层感知器为基础，设计预测网络模型。并根据指标计算的复杂度，调整网络层数深度结构。以步骤4中生成的数据集对网络模型进行训练，实现对于从参数到指标的映射的模拟，并逐渐调整模型中的超参数，提高模型输出的精度，最终实现高精度的指标快速提取流程。
在步骤4中，基于数学优化算法(搜索算法)快速搜索合格参数(优化值)，以完成版图的自动优化流程。其中的数学优化算法可以是(模拟)退火算法、贝叶斯(优化)算法等。
具体地，确定需要优化的一个或多个目标(例如为待优化参数)以及其对应优化目标区间，本发明中的自动优化流程会在步骤3中提供的参数合理变化范围内，不断对版图尺寸进行调整，并用步骤3中的指标快速提取方法，对优化目标指标进行快速提取，经过多次调整直至参数化版图对应的优化目标指标进入设定的区间内。
通过调整数学优化算法中的超参数(超参数一般是人为根据经验调整，也可以采用算法调优)，可以改善优化算法的效果，如搜索时间、优化效果等等。根据修改参数还可以实现更多与用户交互的子功能，如限制变动参数范围，设置优化方向，调整重点优化目标等等。
在本发明的上述实施例中，使用人工智能(AI)以及数学优化的方案对模拟版图根据目标指标加以优化。用户可以通过PLM方便快捷地自行设计参数化版图，并定义版图中需要更改的重要参数以及约束。设定不同尺寸参数的取值范围，生成相同结构但不同尺寸的参数化版图，并利用指标计算仿真工具，对不同参数化版图的指标进行计算，将不同的尺寸参数以及其对应的电性指标作为数据集，对人工智能模型进行训练，实现指标的快速提取。在达到要求精度后利用数学优化算法不断对参数化版图进行调整，直至版图的对应指标符合标准为止。通过基于AI的方法可以实现对参数化版图的指标的快速提取，与数学优化算法结合，可是实现对版图进行一定调整，使修改后的模拟版图的对应指标符合设定的要求，三者结合，可以完成一个模拟版图从设计到指标提取再到自动优化的流程，在短时间内生成一个或多个符合标准的参数化模拟版图。此外，本发明中提取的流程具有良好的泛用性和拓展性，并不限于上述的应用场景，还可以应用于多个场景，如应用在不同的电路版图的自动优化流程中；并且通过不同的设置，可以实现多种与用户交互的形式，实现不同的功能。
图6示出了根据本发明第四实施例的OLED Pixel原理性架构。图7示出了根据本发明第四实施例的优化后的OLED Pixel架构。在本发明的第四实施中，公开的是一种OLEDPixel(像素)模拟版图快速自动优化方法。
OLED Pixel是一种像素电路，是OLED屏中的主要的基础电路。在OLED Pixel电路的模拟版图绘制中，往往需要对多个参数进行定义。根据此特性，可以利用PLM工具实现对OLED Pixel参数化版图的设计。
在OLED Pixel的版图设计中，往往有多个RC电性指标是设计者非常关注的点，为了达到一定的指标要求，设计者需要对OLED Pixel版图做多次的修改和调整，直至版图指标符合要求为止。在此过程中往往需要耗费大量的时间和人力成本。根据本发明中提出的快速自动优化流程，在经过算法模型的完善后，可以快速自动生成多个符合要求的版图，供开发者选择，完成版图的自动优化过程。
具体地，包括以下步骤：
在步骤1中，确认OLED Pixel的电路原理结构，并设计大致架构。OLED Pixel的大致架构(原理性架构)可参照图6所示。
在步骤2中，在PLM中设计OLED Pixel的参数化版图，确定需要变化的参数，并设定不变参数的default值，并确定约束关系。
在步骤3中，将设计好的参数化版图作为参数化单元导入Aether，并用脚本形式实现对版图的一键式更新生成。
在步骤4中，设定RCE相关信息，对OLED Pixel进行RC指标计算，完成打Label、设定Map文件等操作，完成自动化的指标计算流程。
在步骤5中，确定可变参数范围，在范围内随机取值生成参数组合，自动化生成不同的OLED参数版图，并自动完成指标计算过程。
在步骤6中，在LSF中进行并行计算，加速指标计算流程，收集多个数据，计算得到指标中抽取VddN1电容作为优化目标指标，并将随机采样的参数进行收集整理，得到OLEDPixel的参数指标样本数据集。
在步骤7中，采用数据集对设计好的人工智能模型进行训练，进行反复训练和参数调优后，最终得到较高精度的预测网络模型，可以实现较高精度的快速指标提取流程。
在步骤8中，结合快速指标提取流程，采用模拟退火算法，对参数化版图的参数组合进行反复多次调整，直至版图的VddN1指标最终接近目标值，生成对应的OLED Pixel版图，完成OLED Pixel的版图快速自动优化过程。进而得到如图7所示的优化后的OLED Pixel架构。
图8示出了根据发明第五实施例的服务器的结构示意图。参考图8，本公开还提出了一种适于用来实现本公开实施例的示例性服务器(计算装置)的框图。需要明白的是，图8显示的服务器仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，服务器900以通用计算设备的形式表现。服务器900的组件可以包括但不限于：一个或者多个处理器或者处理单元910，存储器920，连接不同系统组件(包括存储器920和处理单元910)的总线901。
总线901表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器900典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器900访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器920可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)921和/或高速缓存存储器922。服务器900可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统923可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线901相连。存储器920可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开实施例各实施例的功能。
具有一组(至少一个)程序模块9241的程序/实用工具924，可以存储在例如存储器920中，这样的程序模块9241包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块9241通常执行本公开实施例所描述的实施例中的功能和/或方法。
进一步地，服务器900也可以与显示器990通信连接，用于显示筛选排序的结果，该显示器990可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，该显示器990也可以是触摸屏。
进一步地，该服务器900还可与一个或者多个使得用户能与该服务器900交互的设备通信，和/或与使得该服务器900能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口930进行。并且，服务器900还可以通过网络适配器940与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器940通过总线901与服务器900的其它模块通信。应当明白，尽管图中未示出，可以结合服务器900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元910通过运行存储在系统存储器920中的程序，从而执行各种功能应用以及数据处理，例如实现本公开上述实施例所述的方法。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时用于执行本公开上述实施例所述的方法，具体方法可参照权利要求书所述。
本公开实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言(诸如Java、Smalltalk、C++)，还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
依照本发明的实施例如上文所述，这些实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施例。显然，根据以上描述，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (13)
1.一种版图生成方法，包括：
确定待优化参数，建立关于所述待优化参数的参数化版图；
根据所述待优化参数的训练值和所述参数化版图，得到训练值参数化版图，并对所述训练值参数化版图进行仿真，得到训练值参数化版图对应的训练值性能指标；
根据所述训练值、所述训练值性能指标以及所述训练值和所述训练值性能指标间的对应关系，建立数学模型；
根据所述数学模型得到所述待优化参数的候选值对应的候选值性能指标；
根据所述训练值性能指标和/或所述候选值性能指标，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值；
根据所述优化值，生成版图。
2.根据权利要求1所述的版图生成方法，其中，所述根据所述训练值性能指标和/或所述候选值性能指标，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值包括：
确定性能指标的目标区间；
获取满足所述性能指标的目标区间的所述训练值性能指标和/或所述候选值性能指标对应的训练值和/或候选值，进而确定至少一个所述训练值和/或所述候选值为所述优化值。
3.根据权利要求2所述的版图生成方法，其中，所述获取满足所述性能指标的目标区间的所述训练值性能指标和/或所述候选值性能指标对应的训练值和/或候选值包括：
根据搜索算法在所述训练值性能指标和/或所述候选值性能指标中搜索满足所述性能指标的目标区间的所述训练值性能指标和/或所述候选值性能指标对应的训练值和/或候选值；
所述版图生成方法还包括：
优化所述搜索算法的参数；
其中，所述搜索算法包括退火算法和贝叶斯算法中的至少一种。
4.根据权利要求1所述的版图生成方法，其中，所述待优化参数为一个或多个；
所述版图生成方法还包括：
确定固定参数；
在所述待优化参数为一个时，确定所述待优化参数与所述固定参数间的约束关系，并根据所述训练值性能指标和/或所述候选值性能指标以及所述约束关系，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值；在所述待优化参数为多个时，确定所述待优化参数与所述固定参数间以及不同的待优化参数间的约束关系，并根据所述训练值性能指标和/或所述候选值性能指标以及所述约束关系，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值；
对根据所述优化值生成的版图进行设计规则检查。
5.根据权利要求1所述的版图生成方法，其中，所述待优化参数包括第一待优化子参数和第二待优化子参数；
所述版图生成方法还包括：
确定第一待优化子参数对应的第一优化子值，确定第二待优化子参数对应的第二优化子值；
根据所述第一优化子值和所述第二优化子值，生成版图。
6.根据权利要求5所述的版图生成方法，其中，所述版图生成方法还包括：
设定所述第一待优化子参数的第一取值范围，设定所述第二待优化子参数的第二取值范围；
在所述第一取值范围内随机选取第一训练子值，在所述第二取值范围内随机选取第二训练子值，得到包括所述第一训练子值和所述第二训练子值的训练值；和/或
在所述第一取值范围内随机选取第一候选子值，在所述第二取值范围内随机选取第二候选子值，得到包括所述第一候选子值和所述第二候选子值的候选值。
7.根据权利要求1所述的版图生成方法，其中，所述根据所述训练值、所述训练值性能指标以及所述训练值和所述训练值性能指标间的对应关系，建立数学模型包括：
通过神经网络中的多层感知器，生成预测网络模型作为所述数学模型。
8.根据权利要求1所述的版图生成方法，其中，所述版图生成方法还包括：
确定数学模型精度；
根据已有的所述训练值、所述训练值性能指标以及所述训练值和所述训练值性能指标间的对应关系，建立当前数学模型；
根据至少一个所述候选值和所述当前数学模型，得到所述至少一个所述候选值对应的候选值性能指标；
根据所述至少一个所述候选值和所述参数化版图，得到验证参数化版图，并对所述验证参数化版图进行仿真，得到验证参数化版图对应的验证性能指标；
根据所述验证性能指标和所述至少一个所述候选值对应的候选值性能指标，判断所述当前数学模型是否符合所述数学模型精度，
其中，在所述当前数学模型符合所述数学模型精度时，将所述当前数学模型作为所述数学模型。
9.根据权利要求1所述的版图生成方法，其中，所述版图生成方法还包括：
确定电路版图的架构；
根据所述电路版图的架构和所述待优化参数，建立所述参数化版图。
10.一种版图生成装置，包括：
参数化单元，用于确定待优化参数，并建立关于所述待优化参数的参数化版图；
训练单元，用于根据所述待优化参数的训练值和所述参数化版图，得到训练值参数化版图，并对所述训练值参数化版图进行仿真，得到训练值参数化版图对应的训练值性能指标；
建模单元，用于根据所述训练值、所述训练值性能指标以及所述训练值和所述训练值性能指标间的对应关系，建立数学模型；
模型应用单元，用于根据所述数学模型得到所述待优化参数的候选值对应的候选值性能指标；
优化单元，用于根据所述训练值性能指标和/或所述候选值性能指标，确定至少一个所述训练值和/或所述候选值为所述待优化参数的优化值；
生成单元，用于根据所述优化值，生成版图。
11.根据权利要求10所述的版图生成装置，其中，所述版图生成装置还包括：
目标单元，用于确定性能指标的目标区间；
搜索单元，用于在所述训练值性能指标和/或所述候选值性能指标中搜索满足所述性能指标的目标区间的所述训练值性能指标和/或所述候选值性能指标对应的训练值和/或候选值。
12.一种计算装置，包括：
处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述处理器执行，使得所述处理器实现如权利要求1至9中任一项所述的版图生成方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1至9中任一项所述的版图生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310235848.1A CN116341465A (zh) | 2023-03-13 | 2023-03-13 | 版图生成方法及装置、计算装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310235848.1A CN116341465A (zh) | 2023-03-13 | 2023-03-13 | 版图生成方法及装置、计算装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116341465A true CN116341465A (zh) | 2023-06-27 |
Family
ID=86888788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310235848.1A Pending CN116341465A (zh) | 2023-03-13 | 2023-03-13 | 版图生成方法及装置、计算装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116341465A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117057303A (zh) * | 2023-10-07 | 2023-11-14 | 全芯智造技术有限公司 | 版图图形生成方法、设备和介质 |
| 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 |
| CN117313636A (zh) * | 2023-11-22 | 2023-12-29 | 全芯智造技术有限公司 | 用于生成版图的方法、设备和介质 |
-
2023
- 2023-03-13 CN CN202310235848.1A patent/CN116341465A/zh active Pending
Cited By (6)
| 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 |
| CN117057303A (zh) * | 2023-10-07 | 2023-11-14 | 全芯智造技术有限公司 | 版图图形生成方法、设备和介质 |
| CN117057303B (zh) * | 2023-10-07 | 2024-01-26 | 全芯智造技术有限公司 | 版图图形生成方法、设备和介质 |
| CN117313636A (zh) * | 2023-11-22 | 2023-12-29 | 全芯智造技术有限公司 | 用于生成版图的方法、设备和介质 |
| CN117313636B (zh) * | 2023-11-22 | 2024-02-23 | 全芯智造技术有限公司 | 用于生成版图的方法、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200364389A1 (en) | Generating integrated circuit floorplans using neural networks | |
| CN116341465A (zh) | 版图生成方法及装置、计算装置和存储介质 | |
| CN111738016B (zh) | 多意图识别方法及相关设备 | |
| CN109885842A (zh) | 处理文本神经网络 | |
| US11574259B2 (en) | Parking lot free parking space predicting method, apparatus, electronic device and storage medium | |
| US10423416B2 (en) | Automatic creation of macro-services | |
| US10740209B2 (en) | Tracking missing data using provenance traces and data simulation | |
| US20220222049A1 (en) | Visual Programming for Deep Learning | |
| CN114341795A (zh) | 用于系统设计的会话设计机器人 | |
| CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
| JP2022166215A (ja) | 文字位置決めモデルのトレーニング方法及び文字位置決め方法 | |
| CN111444335B (zh) | 中心词的提取方法及装置 | |
| WO2022247092A1 (en) | Methods and systems for congestion prediction in logic synthesis using graph neural networks | |
| CN116797195A (zh) | 工单处理方法、装置、计算机设备和计算机可读存储介质 | |
| CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
| US11521353B2 (en) | Automated processing for determination of a volume of an object in a digital environment | |
| CN112015912B (zh) | 一种基于知识图谱的指标智能可视化方法及装置 | |
| CN111062477B (zh) | 一种数据处理方法、装置及存储介质 | |
| US11810022B2 (en) | Contact center call volume prediction | |
| CN113506099A (zh) | 申报业务的配置系统、方法、计算机设备和存储介质 | |
| Tian | Application and analysis of artificial intelligence graphic element algorithm in digital media art design | |
| EP4155970A1 (en) | System and method for data management | |
| CN114942961A (zh) | 一种基于ai和数字孪生技术的素材可视化调取方法及系统 | |
| CN117707929A (zh) | 测试用例生成方法及目标测试用例生成模型训练方法 | |
| WO2022177772A2 (en) | Automated processing for determination of a volume of an object in a digital environment |
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 |