CN116663465B - 基于深度学习的考虑mis效应的单元统计延时模型构建方法 - Google Patents
基于深度学习的考虑mis效应的单元统计延时模型构建方法 Download PDFInfo
- Publication number
- CN116663465B CN116663465B CN202310739359.XA CN202310739359A CN116663465B CN 116663465 B CN116663465 B CN 116663465B CN 202310739359 A CN202310739359 A CN 202310739359A CN 116663465 B CN116663465 B CN 116663465B
- Authority
- CN
- China
- Prior art keywords
- delay
- mis
- sis
- mean value
- standard deviation
- 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.)
- Active
Links
- 230000000694 effects Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 235000013599 spices Nutrition 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 48
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000006243 chemical reaction Methods 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000007667 floating Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3315—Design verification, e.g. functional simulation or model checking using static timing analysis [STA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
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)
- Complex Calculations (AREA)
Abstract
本发明涉及集成电路技术,公开基于深度学习的考虑MIS效应的单元统计延时模型构建方法,属于计算、推算或计数的技术领域。该方法:在考虑SIS和MIS的情况下,对门单元进行SPICE MC仿真,获取不同条件下的MIS延迟和SIS延迟的均值和标准差;使用深度学习方法构建预测MIS延时均值与SIS延时均值的差值以及和MIS延时标准差与SIS延时标准差的差值的ANN模型,并揭示MIS延时和SIS延时的均值和标准差的差异的表示;将基于深度学习的模型集成到现有的时序库中。本发明通过利用深度学习预测MIS延时均值和SIS延时均值差异以及MIS延时标准差和SIS延时标准差的差异,实现考虑MIS效应的统计时序建模。
Description
技术领域
本发明涉及集成电路技术,具体公开基于深度学习的考虑MIS效应的单元统计延时模型构建方法,属于计算、推算或计数的技术领域。
背景技术
静态时序分析(Static Timing Analysis,STA)是一种验证数字电路时序性能的方法,它通过检查所有可能的路径是否存在时序违规来验证设计的时序性能。STA工具在超大规模集成电路应用中被广泛使用,其精度依赖于每个门的延时模型。STA工具使用的时序库仅针对单输入切换(Single Input Switching,SIS)进行表征,即只有一个输入切换并且其他输入都保持不变时的延时信息。在实际电路中,多输入门单元的不同输入引脚处的信号转换之间可能存在时间上的接近,当门单元中的多个输入信号之间的相对到达时间接近时,需要考虑多输入切换(Multiple Input Switching,MIS)导致的延时变化。尤其是当多个输入信号在单元内进行快速交替切换时,单元的延时发生较大变化,这可能会对电路的性能和稳定性产生重要影响。
随着工艺特征尺寸逐渐缩小,工艺参数波动越来越大,极大地影响了电路的时序和性能。由于工作频率的提高以及工艺的变化,MIS的发生概率也在增加。由于工艺波动,MIS效应对统计静态时序分析的影响比常规STA更大。在精确统计静态时序分析中,应考虑MIS效应对时序的影响。
目前,现有技术主要集中于分析MIS效应对额定延时的影响。为了提供更准确的时序分析结果,并反映在MIS效应的影响下单元延时的分布情况,需要建立一种考虑MIS效应的单元统计延时模型。
发明内容
本发明旨在提供基于深度学习的考虑MIS效应的单元统计延时模型构建方法,以解决现有技术中仅分析额定延时下MIS效应对时序影响的技术问题,通过使用深度学习方法对MIS效应建模并将其集成到现有的时序库中,在单元统计延时模型中考虑MIS效应以提高现有门延时模型的精度,实现提供更准确的时序分析结果的发明目的。
本发明为实现上述发明目的采用如下技术方案:
基于深度学习的考虑MIS效应的单元统计延时模型构建方法,包括如下步骤:
步骤1,获取不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差,以及不同输入信号相对到达时间、输入转换时间和负载电容组合下的SIS延时的均值和标准差;
步骤2,构建描述MIS效应的BP神经网络模型,BP神经网络模型用于预测不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时均值与SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值;
步骤3,将步骤2构建的BP神经网络模型集成至现有时序库中。
作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的进一步优化方案,步骤1分别在SIS和MIS的情况下对不同门单元进行SPICE MC仿真,获取不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差,以及不同输入信号相对到达时间、输入转换时间和负载电容组合下的SIS延时的均值和标准差。
作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案,步骤2构建描述MIS效应的BP神经网络模型的具体方法为:
步骤2-1,根据N个不同门单元在不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差以及SIS延时的均值和标准差,计算MIS延时均值和SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值,对所述差值进行归一化处理,将一个门单元的不同输入信号相对到达时间、输入转换时间和负载电容及对应的归一化处理结果构建为1个数据集,将N个数据集分别划分为训练集和测试集;
步骤2-2,以输入信号相对到达时间、输入转换时间、负载电容为输入特征数据,以MIS延时均值与SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值为输出数据,创建一个BP神经网络,对所述BP神经网络超参数进行寻优和初始化操作;
步骤2-3,根据步骤2-1获取的训练集和测试集训练BP神经网络,获取满足精度要求的权重和偏置。
作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案,步骤2-2对包含但不限于隐藏层神经元个数、学习率、正则化参数、训练次数的BP神经网络超参数进行寻优和初始化操作。
作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案,步骤2-2对BP神经网络超参数进行寻优和初始化操作的方法为:通过拟合BP神经网络输出曲线,获取最佳拟合程度对应的超参数数值。
作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案,步骤2-3中的精度要求为:训练均方误差达到训练最小均方误差目标,且训练性能梯度达到训练最小性能梯度;或训练次数达到最大训练次数。
作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案,步骤3将步骤2构建的BP神经网络模型集成至现有时序库中的具体方法为:
步骤3-1,使用Python库将BP神经网络模型转换成Liberty文件识别的字符串;
步骤3-2,将表征BP神经网络模型的权重和偏置的字符串映射到Liberty文件的2DLUT中;
步骤3-3,将步骤3-2中映射得到的2D LUT信息添加至Liberty文件,生成一个包含所述BP神经网络模型信息的Liberty文件。
作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案,步骤3-1使用Python库将BP神经网络模型转换成Liberty文件识别的字符串的具体方法为;通过空格分隔浮点数表示的权重和偏置。
作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案,步骤3-2,将表征BP神经网络模型的权重和偏置的字符串映射到Liberty文件的2DLUT中的具体方法为:在Liberty文件中定义用于存储权重和偏置字符串的2D LUT或扩充现有的2D LUT。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法。
本发明采用上述技术方案,具有以下有益效果:本发明利用深度学习技术建立描述MIS效应的ANN模型,通过ANN模型预测的MIS延时和SIS延时的差异性有效表征MIS效应对时序库的影响,将ANN模型集成至现有时序库中后能够准确描述MIS效应对门单元统计时序的影响,进而建立精确的统计时序模型,相较于不考虑MIS效应的统计静态时序分析,本发明所提单元统计延时模型大大提高统计静态时序分析模型的精度,显著提高统计时序分析的准确性。
附图说明
图1为本发明构建单元统计延时模型的整体流程图。
图2(a)、图2(b)分别为2输入NAND门在单输入情况下的延时模型和多输入切换情况下的延时模型。
图3为训练BP神经网络回归模型的流程图。
图4为将基于深度学习的单元统计延时模型集成到现有时序库中的流程图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
本发明提出一种基于深度学习的考虑MIS效应的单元统计延时模型构建方法,如图1所示,具体包括以下3个步骤。
步骤1,分别在SIS和MIS的情况下对不同的门单元对进行SPICE MC仿真
如图2所示,假设一个二输入与非门的输入引脚分别为A和B,与非门单元的延时取决于A信号和B信号的相对到达时间,如果A信号和B信号的到达时间相差很远,则SIS模型可以较为准确地预测延时,2输入NAND门在单输入情况下的延时模型如图2(a)所示。当A信号和B信号都进行下降转换并且相对到达时间增加时,延时会增加;当A信号和B信号都进行上升转换并且相对到达时间增加时,延时会减小;可见,仅当A和B都进行上升转换或下降转换时,MIS效应才显着,2输入NAND在多输入切换情况下的延时模型图2(b)所示。考虑A信号和B信号的相对到达时间、输入转换时间和负载电容对MIS效应的影响,在MIS与SIS情况下分别对二输入与非门单元进行SPICE MC仿真,可以得到在不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差以及SIS延时的均值和标准差。
步骤2,基于精度要求、计算资源的可用性和模型的复杂性,利用BP神经网络来对MIS效应进行建模
选择合适的机器学习技术对MIS效应建模,流程如图3所示,具体包括步骤2-1至步骤2-4。
步骤2-1,对数据进行预处理并划分数据集:利用SPICE仿真得到的N个不同门单元在不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差以及SIS延时的均值和标准差,计算MIS延时均值和SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值,分别对上述MIS延时和SIS延时的均值的差值数据和MIS延时和SIS延时的标准差的差值数据进行归一化处理,以消除不同变量之间的量纲差异,提高模型的性能和稳定性。对于归一化处理后的数据,将归一化后的数据与其对应的门单元的输入信号相对到达时间、输入转换时间和负载电容组合数据组合作为一个数据集,将N个数据集分别划分为训练集和测试集,取其中0.7×N个数据集编号并组成训练集P_train,剩余数据集组成测试集T_train,其中0.3×N取不大于其具体值的最大整数。
步骤2-2,寻优BP神经网络超参数并初始化:以输入信号相对到达时间、输入转换时间、负载电容作为神经网络的输入特征数据,以MIS延时均值与SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值作为神经网络的输出数据,创建一个三层的BP神经网络,分别为输入层、隐藏层和输出层,输入层神经元个数为4,隐藏层神经元个数为N,输出层神经元个数为1。初始化学习率为0.1、训练最小均方误差目标为10-6、训练最小性能梯度为10-7及最大训练次数为1000,训练算法选取Levenberg-Marquardt算法。为了找到隐藏层最佳神经元个数,从训练集P_train中随机抽取其中的20%组成训练集p_train,从测试集T_train中随机抽取其中的20%组成测试集t_train;依次设定隐藏层神经元个数为5到20之间的所有整数,利用训练集p_train进行第一次训练,训练完成后预测测试集t_train的数据,计算出均方根误差RMSE1;重新初始化所有权重和偏置,将以上训练步骤重复两次,训练完成后分别计算出均方根误差RMSE2、RMSE3;比较RMSE1、RMSE2和RMSE3的大小,得到最小RMSE对应的预测结果作为BP神经网络的预测效果;重复上述步骤找到BP神经网络隐藏层神经元个数分别为5到20之间的所有整数时所对应的RMSE值,其中的最小RMSE所对应的隐藏层神经元个数为N,则BP神经网络隐藏层最优神经元个数为N。根据每次拟合出的曲线,通过调节隐藏层个数、学习率或者训练次数等BP神经网络模型参数,可以得到最佳拟合程度的网络。
步骤2-3,训练神经网络:第一次训练该网络,将样本输入送至网络输入层的各个神经元,经过隐藏层和输出层的计算后输出,输出层的各个神经元输出对应的预测值,训练出泛化能力满足实际需求的BP神经网络所有权重和偏置,若该BP神经网络经第一次训练后的泛化能力满足实际需求,则该BP神经网络训练完成,保存该完成第一次训练的BP神经网络的所有权重W和偏置B;若预测值与期望值之间的误差不满足精度的要求,则从输出层反向传播该误差,从而进行权重和偏置的调整等神经网络参数的调整或适当增加样本数对该BP神经网络进行第二次训练,使得神经网络的预期输出与期望输出之间的误差逐渐减小,直到满足精度要求。重复训练过程直至满足以下任意结束条件:训练均方误差达到训练最小均方误差目标,且训练性能梯度达到训练最小性能梯度;或训练次数达到最大训练次数。
步骤2-4,预测不同输入信号相对到达时间、输入转换时间和负载电容的组合下MIS延时均值与SIS延时均值的差值以及MIS延时标准差与SIS延时标准差的差值。
步骤3,利用Python库在现有的时序库中增加自定义属性,以便将步骤2建立的基于深度学习的模型集成到现有时序库中
将步骤2建立的基于深度学习的模型集成到现有时序库中的整个过程如图4所示,具体包括步骤3-1至步骤3-3。
步骤3-1:使用Python库将ANN模型转换成Liberty文件中可识别的形式:使用Python的字符串操作函数将ANN模型的权重和偏置转换为Liberty文件中的字符串格式,具体为通过空格分隔浮点数表示的ANN模型权重和ANN模型偏置,这种表示形式在模型参数的存储、传输和调整过程中提供了便捷性和高效性。
步骤3-2:将表征ANN模型权重和偏置的字符串映射到Liberty文件的2D LUT中:根据ANN模型的权重值和偏置值,将权重和偏置字符串映射到Liberty文件中的2D LUT中,这可以通过在Liberty文件中定义新的2D LUT或扩充现有的2D LUT来完成。如果Liberty文件中已经存在适用的2D LUT,可以直接修改该表以包含ANN模型的权重和偏置。
步骤3-3:生成新的Liberty文件:按照正确的语法和结构,将步骤3-2中映射得到的2D LUT信息添加到Liberty文件的适当位置,可以生成一个包含新2DLUT信息的Liberty文件,这样的操作确保了Liberty文件的一致性和准确性,并使得该文件能够在相关的设计和验证流程中正确使用。
以上具体实施方式及实施例是对本发明提出的技术思想的具体支持,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在本发明技术方案基础上所做的任何等同变化或等效的改动,均仍属于本发明技术方案保护的范围。
Claims (8)
1.基于深度学习的考虑MIS效应的单元统计延时模型构建方法,其特征在于,包括如下步骤:
步骤1,获取不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差,以及不同输入信号相对到达时间、输入转换时间和负载电容组合下的SIS延时的均值和标准差,
步骤2,构建描述MIS效应的BP神经网络模型,所述BP神经网络模型用于预测不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时均值与SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值,
步骤3,将步骤2构建的BP神经网络模型集成至现有时序库中;
步骤2构建描述MIS效应的BP神经网络模型的具体方法为:
步骤2-1,根据N个不同门单元在不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差以及SIS延时的均值和标准差,计算MIS延时均值和SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值,对所述差值进行归一化处理,将一个门单元的不同输入信号相对到达时间、输入转换时间和负载电容及对应的归一化处理结果构建为1个数据集,将N个数据集分别划分为训练集和测试集,
步骤2-2,以输入信号相对到达时间、输入转换时间、负载电容为输入特征数据,以MIS延时均值与SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值为输出数据,创建一个BP神经网络,对所述BP神经网络超参数进行寻优和初始化操作,
步骤2-3,根据步骤2-1获取的训练集和测试集训练所述BP神经网络,获取满足精度要求的权重和偏置;
步骤3将步骤2构建的BP神经网络模型集成至现有时序库中的具体方法为:
步骤3-1,使用Python库将BP神经网络模型转换成Liberty文件识别的字符串,
步骤3-2,将表征BP神经网络模型的权重和偏置的字符串映射到Liberty文件的2D LUT中,
步骤3-3,将步骤3-2中映射得到的2D LUT信息添加至Liberty文件,生成一个包含所述BP神经网络模型信息的Liberty文件。
2.根据权利要求1所述基于深度学习的考虑MIS效应的单元统计延时模型构建方法,其特征在于,所述步骤1分别在SIS和MIS的情况下对不同门单元进行SPICE MC仿真,获取不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差,以及不同输入信号相对到达时间、输入转换时间和负载电容组合下的SIS延时的均值和标准差。
3.根据权利要求1所述基于深度学习的考虑MIS效应的单元统计延时模型构建方法,其特征在于,所述步骤2-2对包含但不限于隐藏层神经元个数、学习率、正则化参数、训练次数的所述BP神经网络超参数进行寻优和初始化操作。
4.根据权利要求3所述基于深度学习的考虑MIS效应的单元统计延时模型构建方法,其特征在于,所述步骤2-2对所述BP神经网络超参数进行寻优和初始化操作的方法为:通过拟合BP神经网络输出曲线,获取最佳拟合程度对应的超参数数值。
5.根据权利要求4所述基于深度学习的考虑MIS效应的单元统计延时模型构建方法,其特征在于,所述步骤2-3中的精度要求为:训练均方误差达到训练最小均方误差目标,且训练性能梯度达到训练最小性能梯度;或训练次数达到最大训练次数。
6.根据权利要求1所述基于深度学习的考虑MIS效应的单元统计延时模型构建方法,其特征在于,所述步骤3-1使用Python库将BP神经网络模型转换成Liberty文件识别的字符串的具体方法为;通过空格分隔浮点数表示的权重和偏置。
7.根据权利要求6所述基于深度学习的考虑MIS效应的单元统计延时模型构建方法,其特征在于,所述步骤3-2将表征BP神经网络模型的权重和偏置的字符串映射到Liberty文件的2D LUT中的具体方法为:在Liberty文件中定义用于存储权重和偏置字符串的2D LUT或扩充现有的2D LUT。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310739359.XA CN116663465B (zh) | 2023-06-21 | 2023-06-21 | 基于深度学习的考虑mis效应的单元统计延时模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310739359.XA CN116663465B (zh) | 2023-06-21 | 2023-06-21 | 基于深度学习的考虑mis效应的单元统计延时模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116663465A CN116663465A (zh) | 2023-08-29 |
CN116663465B true CN116663465B (zh) | 2023-10-27 |
Family
ID=87710390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310739359.XA Active CN116663465B (zh) | 2023-06-21 | 2023-06-21 | 基于深度学习的考虑mis效应的单元统计延时模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663465B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8595669B1 (en) * | 2007-08-31 | 2013-11-26 | Cadence Design Systems, Inc. | Flexible noise and delay modeling of circuit stages for static timing analysis of integrated circuit designs |
CN109255160A (zh) * | 2018-08-17 | 2019-01-22 | 东南大学 | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 |
CN110740780A (zh) * | 2017-06-16 | 2020-01-31 | 心脏起搏器股份公司 | 心力衰竭治疗的动态控制 |
CN112377985A (zh) * | 2020-10-10 | 2021-02-19 | 湖南大唐先一科技有限公司 | 基于反馈神经网络的供热机组调峰下限评估方法及系统 |
CN112598151A (zh) * | 2020-11-16 | 2021-04-02 | 华南理工大学 | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 |
CN114691354A (zh) * | 2020-12-31 | 2022-07-01 | 美光科技公司 | 动态分解及线程分配 |
US11461523B1 (en) * | 2020-02-07 | 2022-10-04 | Synopsys, Inc. | Glitch analysis and glitch power estimation system |
CN115146569A (zh) * | 2022-07-25 | 2022-10-04 | 中国科学院微电子研究所 | 一种集成电路延时确定方法、装置及设备 |
CN116050332A (zh) * | 2022-12-08 | 2023-05-02 | 浙江大学 | 可感知动态电源噪声的静态时序分析方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255159B (zh) * | 2018-08-17 | 2023-04-07 | 东南大学 | 一种基于机器学习的电路路径延时波动预测方法 |
CN111970309B (zh) * | 2020-10-20 | 2021-02-02 | 南京理工大学 | 基于Spark车联网组合深度学习入侵检测方法及系统 |
US11481343B1 (en) * | 2021-04-02 | 2022-10-25 | Micron Technology, Inc. | Transporting request types with different latencies |
-
2023
- 2023-06-21 CN CN202310739359.XA patent/CN116663465B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8595669B1 (en) * | 2007-08-31 | 2013-11-26 | Cadence Design Systems, Inc. | Flexible noise and delay modeling of circuit stages for static timing analysis of integrated circuit designs |
CN110740780A (zh) * | 2017-06-16 | 2020-01-31 | 心脏起搏器股份公司 | 心力衰竭治疗的动态控制 |
CN109255160A (zh) * | 2018-08-17 | 2019-01-22 | 东南大学 | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 |
US11461523B1 (en) * | 2020-02-07 | 2022-10-04 | Synopsys, Inc. | Glitch analysis and glitch power estimation system |
CN112377985A (zh) * | 2020-10-10 | 2021-02-19 | 湖南大唐先一科技有限公司 | 基于反馈神经网络的供热机组调峰下限评估方法及系统 |
CN112598151A (zh) * | 2020-11-16 | 2021-04-02 | 华南理工大学 | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 |
CN114691354A (zh) * | 2020-12-31 | 2022-07-01 | 美光科技公司 | 动态分解及线程分配 |
CN115146569A (zh) * | 2022-07-25 | 2022-10-04 | 中国科学院微电子研究所 | 一种集成电路延时确定方法、装置及设备 |
CN116050332A (zh) * | 2022-12-08 | 2023-05-02 | 浙江大学 | 可感知动态电源噪声的静态时序分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
Novel Prediction Framework for Path Delay Variation Based on Learning Method;Jingjing Guo .etal;Electronics;全文 * |
考虑多输入同时翻转的晶体管级时序分析技术;李振涛;陈书明;;计算机工程与科学(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116663465A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
JP5418408B2 (ja) | シミュレーションパラメータ校正方法、装置及びプログラム | |
US11755807B2 (en) | Method for predicting delay at multiple corners for digital integrated circuit | |
CN107871035B (zh) | 一种快速有效的电路输入向量敏感性计算方法 | |
CN108805193B (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
CN112580588B (zh) | 一种基于经验模态分解的颤振信号智能识别方法 | |
CN113505477B (zh) | 基于svae-wgan的过程工业软测量数据补充方法 | |
CN105893669A (zh) | 一种基于数据挖掘的全局仿真性能预测方法 | |
CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
US20220350951A1 (en) | Integrated circuit design using fuzzy machine learning | |
CN113762625A (zh) | 一种基于图卷积网络的配电网状态评估方法和系统 | |
CN114169442A (zh) | 基于双原型网络的遥感图像小样本场景分类方法 | |
Sinha et al. | Advances in computation of the maximum of a set of Gaussian random variables | |
Vasicek | Relaxed equivalence checking: a new challenge in logic synthesis | |
Temenos et al. | Nonscaling adders and subtracters for stochastic computing using Markov chains | |
CN114510871A (zh) | 基于思维进化和lstm的云服务器性能衰退预测方法 | |
CN112559741B (zh) | 核电设备缺陷记录文本分类方法、系统、介质及电子设备 | |
CN117236246A (zh) | 一种考虑多输入转换效应的单元时序预测方法、设备及介质 | |
CN116663465B (zh) | 基于深度学习的考虑mis效应的单元统计延时模型构建方法 | |
Dufresne et al. | The geometry of sloppiness | |
Lu et al. | A methodology for identifying critical sequential circuits with graph convolutional networks | |
Shrestha et al. | Graph representation learning for parasitic impedance prediction of the interconnect | |
CN111723010A (zh) | 一种基于稀疏代价矩阵的软件bug分类方法 | |
US20190236353A1 (en) | Information processing method and information processing system | |
Wu et al. | A high-throughput and arbitrary-distribution pattern generator for the constrained random verification |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |