CN116341483A - 一种tsv阵列的多场协同设计方法及系统 - Google Patents
一种tsv阵列的多场协同设计方法及系统 Download PDFInfo
- Publication number
- CN116341483A CN116341483A CN202310258319.3A CN202310258319A CN116341483A CN 116341483 A CN116341483 A CN 116341483A CN 202310258319 A CN202310258319 A CN 202310258319A CN 116341483 A CN116341483 A CN 116341483A
- Authority
- CN
- China
- Prior art keywords
- design
- parameters
- tsv array
- neural network
- 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
- 238000013461 design Methods 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 238000005457 optimization Methods 0.000 claims abstract description 51
- 229910052710 silicon Inorganic materials 0.000 claims abstract description 50
- 239000010703 silicon Substances 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 abstract description 44
- 230000002195 synergetic effect Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 5
- 239000002245 particle Substances 0.000 description 33
- 230000008878 coupling Effects 0.000 description 17
- 238000010168 coupling process Methods 0.000 description 17
- 238000005859 coupling reaction Methods 0.000 description 17
- 238000005070 sampling Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000003780 insertion Methods 0.000 description 6
- 230000037431 insertion Effects 0.000 description 6
- 230000008054 signal transmission Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000017525 heat dissipation Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 230000001808 coupling effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001629 suppression Effects 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
- G06F30/398—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及三维集成电路领域,具体提供了一种TSV阵列的多场协同设计方法及系统。该方法包括如下步骤:S1,获取TSV阵列的参数;S2,构建神经网络模型,并对神经网络模型进行训练;S3,构建设计准则;S4,利用优化算法对设计参数进行优化。步骤S1包括如下步骤:S11,获取TSV阵列的设计参数,设计参数包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度;S12,获取TSV阵列的性能参数,性能参数包括电性能、温度、应力、面积。本申请还提供了一种TSV阵列的多场协同设计系统,该系统包括获取模块、第一计算模块、第二计算模块、第三计算模块。本申请设计方法及系统设计需要时间短、多场性能和区域间协同作用强,TSV阵列的综合性能较高。
Description
技术领域
本申请涉及三维集成电路领域,具体而言,涉及一种TSV阵列的多场协同设计方法及系统。
背景技术
随着系统集成芯片的规模越来越大,功耗密度逐渐增大,尤其在三维集成电路中,热问题以及电热耦合效应难以忽略。三维集成技术可有效的减小微系统产品的水平方向占据的电路板面积,同时减小了互连线长度,降低了信号延迟,使得系统具有小尺寸、高性能、低功耗的优点。硅通孔(TSV)是三维集成电路中的关键组件,它的性能决定着三维集成电路的性能。TSV阵列的设计参数对其信号传输特性、热传导、噪声耦合、应力、面积等有很大的影响。因此,研究TSV阵列协同优化设计策略对提高三维集成电路的整体性能具有重要意义。
名称为“微系统TSV多物理场耦合分析及结构优化”的文章中公开了一种基于有限元方法优化TSV阵列性能的方法,具体地,对TSV阵列进行单个物理场分别求解,然后结合耦合因素对多个物理场进行迭代求解,且需要多软件联合仿真,要对多个软件的单场性能结果进行多次迭代,这导致设计所需要的时间较长、设计效率低,TSV阵列的综合性能较差。
TSV阵列的多个性能指标之间存在复杂的权衡关系,现有方案主要关注如何建立准确的模型来表征TSV的电热特性,对于性能的权衡严重依赖于统计方法和专家经验,因此,准确率和可靠性较差。例如,题目为“Crosstalk evaluation,suppression andmodeling in 3D through-strata-via(TSV)network”的文献中公开的设计方法,提出了有效的布局来降低TSV之间的串扰噪声,但TSV阵列的布局是根据经验人为放置的,这虽然可以在一定程度上降低TSV间的电热耦合效应,但面积与TSV电热耦合效应之间的关系没有很好地平衡,多场性能和区域间协同作用差,因此,TSV阵列的综合性能较差。
综上所述,现有的设计方法由于设计需要时间长、多场性能和区域间协同作用差,导致TSV阵列的综合性能较差。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种TSV阵列的多场协同设计方法及系统,以解决现有技术中由于设计需要时间长、多场性能和区域间协同作用差,导致TSV阵列的综合性能较差的问题。
为实现上述目的,本发明采用的技术方案如下:
本申请提供一种TSV阵列的多场协同设计方法,该方法包括如下步骤:S1,获取TSV阵列的参数;S2,构建神经网络模型,并对神经网络模型进行训练;S3,构建设计准则;S4,利用优化算法对设计参数进行优化。步骤S1包括如下步骤:S11,获取TSV阵列的设计参数,设计参数包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度;S12,获取TSV阵列的性能参数,性能参数包括电性能、温度、应力、面积。
更进一步地,步骤S2中的神经网络模型为ANN神经网络模型,ANN神经网络模型包含输入层、隐藏层、输出层。
更进一步地,步骤S2中的ANN神经网络模型由下式表示:
h1=g(W1U+b1)
Electrical/Thermal/Stress/area=g(W2h1+b2)
其中U为ANN神经网络模型的输入,W1和W2分别表示输入隐藏层和输出隐藏层的权重矩阵,b1和b2分别表示输入隐藏层和输出隐藏层的偏差值,h1和Electrical/Thermal/Stress/area分别表示输出层的输入和输出;g是激活函数,e表示自然对数,x表示自变量。
更进一步地,步骤S2对ANN神经网络模型进行训练过程中建立TSV阵列的设计参数与性能参数之间的映射关系。
更进一步地,步骤S3根据映射关系和约束条件建立TSV阵列的设计准则。
更进一步地,步骤S4中的优化算法为PSO-LDIW算法、遗传算法、模拟退火算法、禁忌算法中的一种。
更进一步地,步骤S4根据训练好的ANN神经网络模型和设计准则,采用PSO-LDIW算法得到优化后的设计参数。
更进一步地,步骤S4包括如下步骤:
S41,初始化PSO-LDIW算法的参数;
S42,根据TSV阵列的预期性能参数,利用构建的ANN神经网络模型预测TSV阵列的设计参数;
S43,根据构建的TSV阵列的设计准则,利用PSO-LDIW算法优化TSV阵列的设计参数;
S44,判断是否获取最优的TSV阵列设计参数,若是,则完成TSV阵列多场协同优化设计,否则返回步骤S42,直至获取最优的TSV阵列设计参数。
本申请还提供了一种TSV阵列的多场协同设计系统,该系统包括获取模块、第一计算模块、第二计算模块、第三计算模块。
进一步地,获取模块用于获取TSV阵列的设计参数和根据有限元仿真计算获取性能参数;第一计算模块用于构建神经网络模型,并对神经网络模型进行训练,得到设计参数与性能参数之间的映射关系;第二计算模块用于根据设计参数与性能参数之间的映射关系建立TSV阵列多场协同优化设计准则,并加入设计参数和性能参数的约束;第三计算模块用于根据训练后的神经网络模型和TSV阵列多场协同优化设计准则,使用PSO-LDIW算法计算TSV阵列的最优设计参数。
与现有技术相比,本发明的有益效果:
本申请设计方法利用多物理联合仿真获得的数据,对反向传播神经网络模型进行训练,然后利用神经网络模型得到映射关系;映射关系与约束条件共同得到设计准则,最终通过优化算法得到最优设计参数。其中,考虑了TSV阵列的电性能、热性能、机械性能、面积成本,有效地、全面地改善有限区域内的电传输特性,降低系统的峰值温度和峰值应力,温度和应力是主要性能指标,在评估时所占权重较大,因此,峰值温度和峰值应力的降低会使得TSV阵列的综合性能提升。同时,训练后的神经网络模型,使得本申请提出的TSV阵列多场协同设计方法可以根据不同的性能要求,高效准确地协同计算TSV阵列的设计参数,并通过协同优化设计策略评估TSV阵列的综合性能。建立的多场协同设计准则,突破了软件之间的障碍,通过协同优化设计策略评估TSV阵列的综合性能,使得设计时间缩短,提升了TSV阵列多领域协同设计的效率。因此,本申请设计方法及系统设计需要时间短、多场性能和区域间协同作用强,TSV阵列的综合性能较高。
附图说明
图1为本发明提供的一种TSV阵列的多场协同设计方法的示意图;
图2为本发明提供的一种TSV阵列的多场协同设计方法及系统中的ANN神经网络模型的示意图;
图3为本申请TSV阵列智能化多场协同设计方法伪代码;
图4为本申请提供的一种TSV阵列的多场协同设计的电子设备的示意图。
图标:11-存储器;12-处理器;13-网络模块。
具体实施方式
为了使本发明的实施过程更加清楚,下面将会结合附图进行详细说明。
本发明提供了一种TSV阵列的多场协同设计方法,该方法包括如下步骤:
S1,获取TSV阵列的参数;
包括获取TSV阵列的设计参数和性能参数。
S11,获取TSV阵列的设计参数;
采用拉丁超立方采样(LHS)设计方法,获取TSV阵列的设计参数组合。获取TSV阵列的多场耦合设计参数,具体包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度,设计参数的范围如表1所示。LHS方法的具有高效的采样能力,可以用较少的样本获得相对较高的计算精度,避免对已经存在的采样点进行重复采样,以保证采样点具有全局代表性。不同的TSV阵列设计参数使得三维集成电路中TSV的性能参数不同,具体地,TSV阵列的硅通孔半径、硅通孔间距、偏移角度、氧化层厚度对TSV的电性能、温度、应力、面积等性能参数有影响,四个设计参数与四个性能参数之间的影响是复杂交织的,每个性能参数都受到四个设计参数的综合影响。TSV阵列的硅通孔半径、硅通孔间距、偏移角度、氧化层厚度的参数改变能够引起TSV阵列性能参数的复杂变化。获取的硅通孔半径、硅通孔间距、偏移角度、氧化层厚度参数的精确度越高,通过训练得到的TSV阵列性能参数与设计参数对应关系的神经网络模型的预测精度越高。
S12,获取TSV阵列的性能参数;
通过步骤S11获取的设计参数计算TSV阵列的性能参数。本实施例利用EM电磁仿真软件ANSYS HFSS和多物理耦合仿真软件COMSOL通过多场耦合联合仿真获取TSV阵列的性能参数。具体的仿真过程涉及有限元模拟仿真计算,可参照名称为“Modeling of Crosstalkin Through Silicon Vias”的文献中的描述。通过上述有限元模拟仿真实验,得到TSV阵列设计参数与性能参数的数据库。本申请考虑了TSV阵列的电性能、热性能、机械性能、面积成本,有效地、全面地改善有限区域内的电传输特性,降低系统的峰值温度和峰值应力,多场性能和区域间协同作用较强,提高TSV阵列的综合性能。例如,电热耦合的表达式为:ρ=ρ0×(1+α×(T-T0)),其中,ρ为温度T下的电阻率,ρo为温度T0(300K)下的电阻率,α为温度系数,通常为0.004;热力耦合的表达式为:S=ε×(T-Tref),其中,S为应力,ε为膨胀系数,T为TSV阵列的温度,Tref为室温。也就是,本申请中将电场、热场、力场多个物理场同时进行设计,多个物理场之间相互耦合,互相影响;因此,相比于单一物理场设计后互相迭代的方式而言,本申请设计方法及系统的协同作用较强,设计效率更高,准确度也更高,提高了TSV阵列的综合性能。TSV阵列的部分设计参数如表1所示:
表1:
S2,构建神经网络模型,并对神经网络模型进行训练;
构建神经网络模型。利用步骤S1中的设计参数和性能参数对神经网络模型进行训练,训练后的神经网络模型用于替换步骤S12中的仿真计算过程,输入设计参数,可输出性能参数,同时得到TSV阵列设计参数和性能参数的映射关系。
S21,构建神经网络模型;
本申请使用反向传播神经网络模型用于描述TSV阵列设计参数与性能参数之间的映射关系。具体地,神经网络模型可以是基于遗传算法的反向传播神经网络模型(ANN神经网络模型)或循环神经网络或卷积神经网络等。本实施例使用ANN神经网络模型,如图2所示,ANN神经网络模型由输入层、隐藏层、输出层组成;输入层输入的参数为氧化层厚度、硅通孔半径、硅通孔间距、偏移角度;隐藏层数为9层;输出层的输出参数为电性能(Electrical)、温度(Thermal)、应力(Stress)、面积(area)。该ANN神经网络模型中隐藏层到输出层的权值矩阵和偏置项均为已知量,在此不做具体限定。具体地,输入设计参数,输出多场耦合过的性能参数,内在耦合关系用ANN神经网络模型表示,ANN神经网络模型可以由下式表示:
h1=g(W1U+b1) (1)
Electrical/Thermal/Stress/area=g(W2h1+b2) (2)
其中U为神经网络的输入,W1和W2分别表示输入隐藏层和输出隐藏层的权重矩阵,b1和b2分别表示输入隐藏层和输出隐藏层的偏差值。h1和Electrical/Thermal/Stress/area分别表示输出层的输入和输出。g是激活函数,由式(3)表示,其中e表示自然对数,x表示自变量:
S22,对神经网络模型进行训练;
利用步骤S11获取的设计参数和步骤S12得到对应的性能参数,即利用步骤S12中得到的数据库对步骤S21构建的神经网络模型进行训练。在训练过程中,建立TSV阵列设计参数与性能参数之间的映射关系,形成映射关系数据库,该数据库与步骤S12中通过上述有限元模拟仿真实验,得到的TSV阵列设计参数与性能参数的数据库为同一个数据库,数据库中的数据均表示TSV阵列设计参数与性能参数之间的对应关系。
训练得到的性能参数的平均绝对相对误差(AARE)达到10E-4或者10E-6,表明ANN神经网络模型已经训练好,能够替代有限元仿真计算。使用训练好的ANN神经网络模型替换步骤S12中的仿真计算,对ANN神经网络模型输入设计参数,ANN神经网络模型输出性能参数。训练后的神经网络模型,使得本申请提出的TSV阵列多场协同设计方法可以根据不同的性能要求,高效准确地协同计算TSV阵列的设计参数,并通过协同优化设计策略评估TSV阵列的综合性能。
S3,构建设计准则;
根据ANN神经网络模型建立的TSV阵列设计参数与性能参数之间的映射关系,建立TSV阵列多场协同优化设计准则,并加入设计参数和性能参数的约束,具体的约束条件与设计目的相关。
具体地,TSV阵列多场协同优化设计准则的目标函数由式(4)决定,为了避免性能参数的不同数量级所带来的影响,分别对电信号传输性能、散热性能、应力性能、阵列面积进行了归一化处理;本实施例,采用了线性归一化进行归一化处理,例如,为电性能的归一化表达式。其中包含了六部分,前四项分别为TSV阵列的电信号传输性能(电性能)、散热性能(温度)、机械性能(应力)、TSV阵列所占面积(面积)的加权和,具体地,这里的前四项是根据数据库中的映射关系得到的,后两项表示形状约束条件和性能约束条件。形状约束用公式(5)、(6)、(7)表示,性能约束用等公式(8)、(9)、(10)表示。惩罚项的惩罚因子比其他项高至少两个数量级,这样能够通过较高的惩罚因子快速排除掉不满足约束条件的设计参数,提升设计速度,缩短设计时间,因此,本申请设计方法的设计速度较快,设计效率高。
其中,αi、β、γ、η分别为电信号传输性能E、散热性能T、应力性能St、阵列面积area的权重,和χi分别是形状约束和性能约束的惩罚因子,des表示预期的性能参数,max表示对应参数的最大值,min表示对应参数的最小值;S11_77表示TSV7的回波损耗,S21_77表示TSV7的插入损耗;S11_107表示TSV10和TSV7之间的近端串扰;S21_107表示TSV10和TSV7之间的远端串扰;S11_712表示TSV7和TSV12之间的近端串扰;S12_712表示TSV7和TSV12之间的远端串扰;S11_510表示TSV5和TSV10之间的近端串扰;S12_510表示TSV5和TSV10之间的远端串扰;S11_1010表示TSV10的回波损耗;S21_1010表示TSV10的插入损耗;TSV5、TSV7、TSV10、TSV12分别表示不同的硅通孔,St表示应力的话,R表示TSV的半径、P表示TSV的间距、O表示TSV的偏移角,tox表示氧化层厚度。公式(4)的值趋于0时,结果最优。
vi(t+1)=w(iter)vi(t)+c1r1(pi-xi(t))+c2r2(pg-xi(t)) (8)
xi(t+1)=xi(t)+vi(t+1) (9)
其中w是标准权重;pi和pg是第i个粒子和全局粒子的前一个最佳位置。c1和c2分别是pi和pg的权重;r1和r2是随机数。iter是算法当前迭代次数;itermax为最大迭代次数;wmax和wmin分别是惯性权重的最大值和最小值;Vi(t)表示第i个粒子在t时刻的速度,Vi(t+1)表示第i个粒子在t+1时刻的速度;Xi(t)表示第i个粒子在t时刻的位置,Xi(t+1)表示第i个粒子在t+1时刻的位置。TSV阵列多场协同优化设计准则参数如表2所示,其中参数的含义与公式(5)中的含义相同。本申请建立的多场协同设计准则,突破了软件之间的障碍,通过协同优化设计策略评估TSV阵列的综合性能,使得设计时间缩短,提升了TSV阵列多领域协同设计的效率。因此,本申请设计方法及系统设计需要时间短、多场性能和区域间协同作用强,TSV阵列的综合性能较高。
表2:
S4,利用优化算法对设计参数进行优化。
采用粒子群算法、遗传算法、模拟退火算法、禁忌算法中的一种对设计参数进行优化。本实施例中使用改进的惯性权重线性递减粒子群算法(PSO-LDIW)进行优化。根据训练好的ANN神经网络模型和TSV阵列多场协同优化设计准则,采用改进的粒子群优化算法确定并优化设计参数,得到设计参数的最优结果。
具体地,本申请中改进的惯性权重线性递减粒子群算法(PSO-LDIW)流程为:首先,确定ANN神经网络模型的参数、优化准则、PSO算法(改进前的算法)。在迭代过程中,更新粒子的速度和位置。然后分别用ANN神经网络模型和最优准则计算性能参数和适应度。随着迭代步长的增加,惯性权重减小,权重的大小影响粒子的速度,因此,下一时刻粒子速度小,搜索过程更加精细,优化的结果更准确。最后确定了TSV阵列的最优设计参数。具体地,改进的惯性权重线性递减粒子群算法在优化初期权重较大,粒子的速度较大,便于快速搜索到最优值所在的区域,随着迭代次数的增加,权重变小,粒子的速度变慢,搜索过程更加精细,以便于在最优值所在的区域进行精细的搜索,找到优化的准确结果。这样,既能找到准确结果,还能够节约设计时间,使得设计效率更高。
更具体地,优化三维集成电路中TSV阵列的设计参数的过程为(以下步骤中用的都是改进的惯性权重线性递减粒子群算法):
S41,初始化粒子群优化算法(PSO-LDIW算法)的参数;
具体地,随机生成粒子的速度v和位置x;这样能够去除粒子群优化算法中的残余参数,防止残余参数对优化过程产生影响。
S42,根据TSV阵列的预期性能参数,利用构建的ANN神经网络模型预测TSV阵列的设计参数;
根据映射关系数据库,根据预期的性能参数,得到对应的设计参数。具体地,在映射关系中,输入TSV阵列性能参数,包括电性能、温度、应力、面积,则输出与其特征对应的TSV阵列设计参数,包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度。
S43,根据构建的TSV阵列多场协同优化设计准则,利用粒子群优化算法优化TSV阵列设计参数;也就是对步骤S42中通过映射关系数据库得到的设计参数进行进一步优化。
S44,判断是否获取最优的TSV阵列设计参数,若是,则完成TSV阵列多场协同优化设计,否则返回步骤S402,更新粒子的位置、速度、权重,直到迭代次数达到最大,或者设计准则的目标函数小于等于1×10-6,获取最优的TSV阵列设计参数。
图3为本申请TSV阵列智能化多场协同设计方法伪代码。该优化方法用于优化硅通孔半径、硅通孔间距、偏移角度、氧化层厚度。所提出优化方法的参数如表3所示。其中,S21_77(TSV7的插入损耗)和S21_1010(TSV10的插入损耗)、应力(对应角标St)、温度(对应角标T)、面积(对应角标area)是主要性能指标,这些参数的权重系数为0.1。与上述参数相比,其余参数的重要性较小,因此,这些参数的权重系数为0.05。具体的下角标的含义与公式(5)中的含义相同。
这样,根据参数的重要程度设置权重,设计准则的目标函数对权重较大的项更敏感,这样能够优先满足权重较大的项,从而使得设计结果更加准确,也使得设计时间更短。PSO算法的最大迭代次数为100次,种群规模为30次;这样既能够保证收敛,还能够提升输出结果的稳定性。
表3:
利用本申请的方法进行设计的过程如下:使用时,将预期性能参数输入设计准则得到计算的设计参数。根据步骤S1、步骤S2、步骤S3、步骤S4,使用硅通孔半径、硅通孔间距、偏移角度、氧化层厚度建立的TSV阵列多场协同优化设计准则;输入预期性能参数,包括电性能、温度、应力、面积,计算得到硅通孔阵列设计参数,包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度,将每次通过性能参数计算得到的TSV阵列设计参数放置在数据库中,该数据库中具有该硅通孔阵列性能参数与该硅通孔阵列设计参数的映射关系;即在该对应关系中,输入该硅通孔阵列性能参数,包括电性能、温度、应力和面积,则输出的均为与其特征对应的硅通孔阵列设计参数,包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度。再使用训练好的ANN神经网络模型对计算的设计参数进行优化,最后通过优化算法进一步优化,得到最优设计参数。
本发明还提供了一种TSV阵列的多场协同设计系统,该系统包括获取模块、第一计算模块、第二计算模块、第三计算模块。获取模块用于获取TSV阵列的参数,包括获取设计参数硅通孔半径、硅通孔间距、偏移角度、氧化层厚度,和根据有限元仿真计算获取性能参数电性能、温度、应力、面积。第一计算模块用于构建神经网络模型,并对神经网络模型进行训练,得到设计参数与性能参数之间的映射关系。第二计算模块用于根据设计参数与性能参数之间的映射关系建立TSV阵列多场协同优化设计准则,并加入设计参数和性能参数的约束。第三计算模块用于根据训练后的神经网络模型和TSV阵列多场协同优化设计准则,使用改进的粒子群优化算法计算TSV阵列的最优设计参数。
获取模块中,采用拉丁超立方采样(LHS)设计方法,获取TSV阵列的设计参数组合。获取TSV阵列的多场耦合设计参数,具体包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度,设计参数的范围如表1所示。LHS方法的具有高效的采样能力,可以用较少的样本获得相对较高的计算精度,避免对已经存在的采样点进行重复采样,以保证采样点具有全局代表性。不同的TSV阵列设计参数使得三维集成电路中TSV的性能参数不同,具体地,TSV阵列的硅通孔半径、硅通孔间距、偏移角度、氧化层厚度对TSV的电性能、温度、应力、面积等性能参数有影响,四个设计参数与四个性能参数之间的影响是复杂交织的,每个性能参数都受到四个设计参数的综合影响。TSV阵列的硅通孔半径、硅通孔间距、偏移角度、氧化层厚度的参数改变能够引起TSV阵列性能参数的复杂变化。获取的硅通孔半径、硅通孔间距、偏移角度、氧化层厚度参数的精确度越高,通过训练得到的TSV阵列性能参数与设计参数对应关系的神经网络模型的预测精度越高。
通过步骤S11获取的设计参数计算TSV阵列的性能参数。本实施例利用EM电磁仿真软件ANSYS HFSS和多物理耦合仿真软件COMSOL通过多场耦合联合仿真获取TSV阵列的性能参数。具体的仿真过程涉及有限元模拟仿真计算,可参照名称为“Modeling of Crosstalkin Through Silicon Vias”的文献中的描述。通过上述有限元模拟仿真实验,得到TSV阵列设计参数与性能参数的数据库。本申请考虑了TSV阵列的电性能、热性能、机械性能、面积成本,有效地、全面地改善有限区域内的电传输特性,降低系统的峰值温度和峰值应力,多场性能和区域间协同作用较强,提高TSV阵列的综合性能。例如,电热耦合的表达式为:ρ=ρO×(1+α×(T-TO)),其中,ρ为温度T下的电阻率,ρ0为温度T0(300K)下的电阻率,α为温度系数,通常为0.004;热力耦合的表达式为:S=ε×(T-Tref),其中,S为应力,ε为膨胀系数,T为TSV阵列的温度,Tref为室温。也就是,本申请中将电场、热场、力场多个物理场同时进行设计,多个物理场之间相互耦合,互相影响;因此,相比于单一物理场设计后互相迭代的方式而言,本申请设计系统的协同作用较强,设计效率更高,准确度也更高,提高了TSV阵列的综合性能。
第一计算模块中,构建神经网络模型。利用获取模块中的设计参数和性能参数对神经网络模型进行训练,训练后的神经网络模型用于替换获取模块中的仿真计算,输入设计参数,可输出性能参数,同时得到TSV阵列设计参数和性能参数的映射关系。
本申请使用反向传播神经网络模型用于描述TSV阵列设计参数与性能参数之间的映射关系。具体地,神经网络模型可以是基于遗传算法的反向传播神经网络模型(ANN神经网络模型)或循环神经网络或卷积神经网络等。本实施例使用ANN神经网络模型,如图2所示,ANN神经网络模型由输入层、隐藏层、输出层组成;输入层输入的参数为氧化层厚度、硅通孔半径、硅通孔间距、偏移角度;隐藏层数为9层;输出层的输出参数为电性能(Electrical)、温度(Thermal)、应力(Stress)、面积(area)。该ANN神经网络模型中隐藏层到输出层的权值矩阵和偏置项均为已知量,在此不做具体限定。具体地,输入设计参数,输出多场耦合过的性能参数,内在耦合关系用ANN神经网络模型表示,ANN神经网络模型可以由公式(1)-(3)表示。
利用获取模块获取的设计参数和得到对应的性能参数,即利用获取模块中得到的数据库对构建的神经网络模型进行训练。在训练时,建立TSV阵列设计参数与性能参数之间的映射关系,形成映射关系数据库,该数据库与获取模块中通过上述有限元模拟仿真实验,得到的TSV阵列设计参数与性能参数的数据库为同一个数据库,数据库中的数据均表示TSV阵列设计参数与性能参数之间的对应关系。
训练得到的性能参数的平均绝对相对误差(AARE)达到10E-4或者10E-6,表明ANN神经网络模型已经训练好,能够替代有限元仿真计算。使用训练好的ANN神经网络模型替换获取模块中的仿真计算,对ANN神经网络模型输入设计参数,ANN神经网络模型输出性能参数。训练后的神经网络模型,使得本申请提出的TSV阵列多场协同设计系统可以根据不同的性能要求,高效准确地协同计算TSV阵列的设计参数,并通过协同优化设计策略评估TSV阵列的综合性能。
第二计算模块中,根据ANN神经网络模型建立的TSV阵列设计参数与性能参数之间的映射关系,建立TSV阵列多场协同优化设计准则,并加入设计参数和性能参数的约束,具体的约束条件与设计目的相关。
具体地,TSV阵列多场协同优化设计准则的目标函数由式(4)决定,为了避免性能参数的不同数量级所带来的影响,分别对电信号传输性能、散热性能、应力性能、阵列面积进行了归一化处理;本实施例,采用了线性归一化进行归一化处理,例如,为电性能的归一化表达式。其中包含了六部分,前四项分别为TSV阵列的电信号传输性能(电性能)、散热性能(温度)、机械性能(应力)、TSV阵列所占面积(面积)的加权和,具体地,这里的前四项是根据数据库中的映射关系得到的,后两项表示形状约束条件和性能约束条件。形状约束用公式(5)、(6)、(7)表示,性能约束用等公式(8)、(9)、(10)表示。惩罚项的惩罚因子比其他项高至少两个数量级,这样能够通过较高的惩罚因子快速排除掉不满足约束条件的设计参数,提升设计速度,缩短设计时间,因此,本申请设计系统的设计速度较快,设计效率高。公式(4)的值趋于0时,结果最优。本申请建立的多场协同设计准则,突破了软件之间的障碍,通过协同优化设计策略评估TSV阵列的综合性能,使得设计时间缩短,提升了TSV阵列多领域协同设计的效率。因此,本申请设计系统设计需要时间短、多场性能和区域间协同作用强,TSV阵列的综合性能较高。
第三计算模块中采用粒子群算法、遗传算法、模拟退火算法、禁忌算法中的一种对设计参数进行优化。本实施例中使用改进的惯性权重线性递减粒子群算法(PSO-LDIW)进行优化。根据训练好的ANN神经网络模型和TSV阵列多场协同优化设计准则,采用改进的粒子群优化算法确定并优化设计参数,得到设计参数的最优结果。
具体地,本申请中改进的惯性权重线性递减粒子群算法(PSO-LDIW)流程为:首先,确定ANN神经网络模型的参数、优化准则、PSO算法(改进前的算法)。在迭代时,更新粒子的速度和位置。然后分别用ANN神经网络模型和最优准则计算性能参数和适应度。随着迭代步长的增加,惯性权重减小,权重的大小影响粒子的速度,因此,下一时刻粒子速度小,搜索过程更加精细,优化的结果更准确。最后确定了TSV阵列的最优设计参数。具体地,改进的惯性权重线性递减粒子群算法在优化初期权重较大,粒子的速度较大,便于快速搜索到最优值所在的区域,随着迭代次数的增加,权重变小,粒子的速度变慢,搜索过程更加精细,以便于在最优值所在的区域进行精细的搜索,找到优化的准确结果。这样,既能找到准确结果,还能够节约设计时间,使得设计效率更高。
图3为本申请TSV阵列智能化多场协同设计中的伪代码。用于优化硅通孔半径、硅通孔间距、偏移角度、氧化层厚度。对应参数如表3所示。其中,S21_77(TSV7的插入损耗)和S21_1010(TSV10的插入损耗)、应力(对应角标St)、温度(对应角标T)、面积(对应角标area)是主要性能指标,这些参数的权重系数为0.1。与上述参数相比,其余参数的重要性较小,因此,这些参数的权重系数为0.05。具体的下角标的含义与公式(5)中的含义相同。这样,根据参数的重要程度设置权重,设计准则的目标函数对权重较大的项更敏感,这样能够优先满足权重较大的项,从而使得设计结果更加准确,也使得设计时间更短。PSO算法的最大迭代次数为100次,种群规模为30次;这样既能够保证收敛,还能够提升输出结果的稳定性。
使用时,将预期性能参数输入设计准则得到计算的设计参数。根据获取模块、第一计算模块、第二计算模块、第三计算模块,使用硅通孔半径、硅通孔间距、偏移角度、氧化层厚度建立的TSV阵列多场协同优化设计准则;输入预期性能参数,包括电性能、温度、应力、面积,计算得到硅通孔阵列设计参数,包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度,将每次通过性能参数计算得到的TSV阵列设计参数放置在数据库中,该数据库中具有该硅通孔阵列性能参数与该硅通孔阵列设计参数的映射关系;即在该对应关系中,输入该硅通孔阵列性能参数,包括电性能、温度、应力和面积,则输出的均为与其特征对应的硅通孔阵列设计参数,包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度。再使用训练好的ANN神经网络模型对计算的设计参数进行优化,最后使用优化算法进一步优化,得到最优设计参数。
本申请还提供了一种TSV阵列的多场协同设计的电子设备,如图4所示,包括存储器11、处理器12、网络模块13。存储器11上存储有可在处理器12上运行的计算机程序,处理器12执行上述计算机程序时,实现本申请TSV阵列多场协同设计系统。图4中的结构仅为示意,电子设备还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。网络模块13用于通过网络建立电子设备与外部通信终端之间的通信连接,实现网络信号及数据的收发操作。网络信号可包括无线信号或者有线信号。存储器11、处理器12、网络模块13相互之间直接或间接地电性连接,以实现数据的传输或交互。存储器11用于存储程序,处理器12在接收到执行指令后,执行计算机程序。处理器12具有数据的处理能力,可以为集成电路芯片、通用处理器、中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等,还可以实现或者执行本申请中的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请还包括一种TSV阵列的多场协同设计的计算机可读存储介质,计算机可读存储介质包括计算机程序,计算机程序运行时控制述计算机可读存储介质所在电子设备执行本申请的TSV阵列多场协同设计的计算方法。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种TSV阵列的多场协同设计方法,其特征在于,所述方法包括如下步骤:
S1,获取TSV阵列的参数;S2,构建神经网络模型,并对神经网络模型进行训练;S3,构建设计准则;S4,利用优化算法对设计参数进行优化;
所述步骤S1包括如下步骤:S11,获取TSV阵列的设计参数,所述设计参数包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度;S12,获取TSV阵列的性能参数,所述性能参数包括电性能、温度、应力、面积。
2.根据权利要求1所述的TSV阵列的多场协同设计方法,其特征在于,所述步骤S2中的所述神经网络模型为ANN神经网络模型,所述ANN神经网络模型包含输入层、隐藏层、输出层。
4.根据权利要求3所述的TSV阵列的多场协同设计方法,其特征在于,所述步骤S2对所述ANN神经网络模型进行训练过程中建立TSV阵列的所述设计参数与所述性能参数之间的映射关系。
5.根据权利要求4所述的TSV阵列的多场协同设计方法,其特征在于,所述步骤S3根据所述映射关系和约束条件建立TSV阵列的设计准则。
6.根据权利要求5所述的TSV阵列的多场协同设计方法,其特征在于,所述步骤S4中的优化算法为PSO-LDIW算法、遗传算法、模拟退火算法、禁忌算法中的一种。
7.根据权利要求6所述的TSV阵列的多场协同设计方法,其特征在于,所述步骤S4根据训练好的所述ANN神经网络模型和所述设计准则,采用PSO-LDIW算法得到优化后的所述设计参数。
8.根据权利要求7所述的TSV阵列的多场协同设计方法,其特征在于,所述步骤S4包括如下步骤:
S41,初始化所述PSO-LDIW算法的参数;
S42,根据TSV阵列的预期性能参数,利用构建的所述ANN神经网络模型预测TSV阵列的设计参数;
S43,根据构建的TSV阵列的所述设计准则,利用所述PSO-LDIW算法优化TSV阵列的设计参数;
S44,判断是否获取最优的TSV阵列设计参数,若是,则完成TSV阵列多场协同优化设计,否则返回步骤S42,直至获取最优的TSV阵列设计参数。
9.一种TSV阵列的多场协同设计系统,其特征在于,所述系统包括获取模块、第一计算模块、第二计算模块、第三计算模块。
10.根据权利要求9所述的TSV阵列的多场协同设计系统,其特征在于,所述获取模块用于获取TSV阵列的设计参数和根据有限元仿真计算获取性能参数;所述第一计算模块用于构建神经网络模型,并对所述神经网络模型进行训练,得到设计参数与性能参数之间的映射关系;所述第二计算模块用于根据设计参数与性能参数之间的所述映射关系建立TSV阵列多场协同优化设计准则,并加入设计参数和性能参数的约束;所述第三计算模块用于根据训练后的所述神经网络模型和TSV阵列多场协同优化设计准则,使用PSO-LDIW算法计算TSV阵列的最优设计参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310258319.3A CN116341483A (zh) | 2023-03-17 | 2023-03-17 | 一种tsv阵列的多场协同设计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310258319.3A CN116341483A (zh) | 2023-03-17 | 2023-03-17 | 一种tsv阵列的多场协同设计方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116341483A true CN116341483A (zh) | 2023-06-27 |
Family
ID=86875660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310258319.3A Pending CN116341483A (zh) | 2023-03-17 | 2023-03-17 | 一种tsv阵列的多场协同设计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341483A (zh) |
-
2023
- 2023-03-17 CN CN202310258319.3A patent/CN116341483A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nemani et al. | High-level area and power estimation for VLSI circuits | |
Nemani et al. | Towards a high-level power estimation capability [digital ICs] | |
Deng et al. | Interconnect characteristics of 2.5-D system integration scheme | |
Massoud et al. | Gasping the impact of on-chip inductance | |
Chen et al. | A power macromodeling technique based on power sensitivity | |
CN103914585A (zh) | 用于金属堆栈的导线标记列表的自动生成 | |
US10540475B2 (en) | System for manufacturing a semiconductor device | |
Ismail | On-chip inductance cons and pros | |
Yu et al. | Multi-objective optimum design of high-speed backplane connector using particle swarm optimization | |
Hanchate et al. | Simultaneous interconnect delay and crosstalk noise optimization through gate sizing using game theory | |
CN116341483A (zh) | 一种tsv阵列的多场协同设计方法及系统 | |
Bhatti et al. | Impedance response extrapolation of power delivery networks using recurrent neural networks | |
Gala et al. | Inductance model and analysis methodology for high-speed on-chip interconnect | |
Marques et al. | Generating compact, guaranteed passive reduced-order models of 3-D RLC interconnects | |
US6502230B1 (en) | Circuit modeling | |
Dambre et al. | Toward the accurate prediction of placement wire length distributions in VLSI circuits | |
Jin et al. | Fast and accurate quasi-three-dimensional capacitance determination of multilayer VLSI interconnects | |
Sangwan et al. | An efficient approach to VLSI circuit partitioning using evolutionary algorithms | |
US7669162B2 (en) | Integrated power supply system analyzing system, integrated power supply system analyzing method, and multiplayer printed circuit board | |
Ilumoka | Efficient and accurate crosstalk prediction via neural net-based topological decomposition of 3-D interconnect | |
Arnaldo et al. | Power profiling-guided floorplanner for thermal optimization in 3D multiprocessor architectures | |
US20090031260A1 (en) | Method, Computer Program and System Providing for Semiconductor Processes Optimization | |
Li et al. | Intelligent Multifield Collaborative Optimization Method for TSV Array With Performance Constraints | |
Pham et al. | Package model for efficient simulation, design, and characterization of high performance electronic systems | |
CN113919253B (zh) | 硅通孔阵列峰值温度和参数的优化方法及系统 |
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 |