CN117077598B - 一种基于Mini-batch梯度下降法的3D寄生参数的优化方法 - Google Patents
一种基于Mini-batch梯度下降法的3D寄生参数的优化方法 Download PDFInfo
- Publication number
- CN117077598B CN117077598B CN202311322560.4A CN202311322560A CN117077598B CN 117077598 B CN117077598 B CN 117077598B CN 202311322560 A CN202311322560 A CN 202311322560A CN 117077598 B CN117077598 B CN 117077598B
- Authority
- CN
- China
- Prior art keywords
- parameter
- parameters
- mini
- calculation
- descent method
- 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
- 238000011478 gradient descent method Methods 0.000 title claims abstract description 110
- 230000003071 parasitic effect Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 124
- 238000004458 analytical method Methods 0.000 claims abstract description 62
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 83
- 238000011282 treatment Methods 0.000 claims description 12
- 238000011221 initial treatment Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training 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
- G06F30/337—Design optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Geometry (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于Mini‑batch梯度下降法的3D寄生参数的优化方法，涉及数据梯度分析技术领域，包括：获取预设集成电路的电路参数，分析每个电路参数的第一类别；基于全部电路参数的第一类别，得到相对应的3D寄生参数，并对全部电路参数进行提纯，得到相对应的第一参数；基于全部第一参数的数据总量以及计算机的流畅运行需求，得到采用Mini‑batch梯度下降法进行分析的每一梯度的第一参数集合；基于Mini‑batch梯度下降法进行分析的结果，得到Mini‑batch梯度下降法中每个第一参数的计算时间以及计算准确度；基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，得到本次Mini‑batch梯度下降法的验证结果并进行优化，提高Mini‑batch梯度下降法分析的准确度以及速度。
Description
技术领域
本发明涉及数据梯度分析技术领域，特别涉及一种基于Mini-batch梯度下降法的3D寄生参数的优化方法。
背景技术
目前，计算机技术已深入人们的生产生活，数据大量增长，尤其是集成电路的数据，数据分析的精确度以及速度成了现在需要解决的重要问题。多年来，计算机厂家一直在提升计算机内存，内存的发展远远比不上数据增长的速度，因此需要把需要分析的数据集分成若干个子集进行计算，减少每秒同时计算的数据。在数据计算的过程中，先对集成电路的数据进行筛选，去除3D寄生参数，再使用Mini-batch梯度下降法，提升数据分析的精准度以及速度。
因此，本发明提供一种基于Mini-batch梯度下降法的3D寄生参数的优化方法。
发明内容
本发明提供一种基于Mini-batch梯度下降法的3D寄生参数的优化方法，用以通过分析预设集成电路的电路参数，得到每个电路参数的第一类别，分析得到相对应的3D寄生参数，并对全部电路参数进行提纯，得到相对应的第一参数，分析全部第一参数的数据总量以及计算机的流畅运行需求，得到采用Mini-batch梯度下降法进行分析的每一梯度的第一参数集合，按照Mini-batch梯度下降法对每一梯度的第一参数集合进行分析，得到Mini-batch梯度下降法中每个第一参数的计算时间以及计算准确度，得到本次Mini-batch梯度下降法的验证结果并进行优化，提高Mini-batch梯度下降法分析的准确度以及速度，提高分析集成电路数据的准确度以及速度。
本发明提供一种基于Mini-batch梯度下降法的3D寄生参数的优化方法，包括：
步骤1：获取预设集成电路的电路参数，分析每个电路参数的第一类别；
步骤2：基于全部电路参数的第一类别，得到相对应的3D寄生参数，并对全部电路参数进行提纯，得到相对应的第一参数；
步骤3：基于全部第一参数的数据总量以及计算机的流畅运行需求，得到采用Mini-batch梯度下降法进行分析的每一梯度的第一参数集合；
步骤4：基于Mini-batch梯度下降法进行分析的结果，得到Mini-batch梯度下降法中每个第一参数的计算时间以及计算准确度；
步骤5：基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，得到本次Mini-batch梯度下降法的验证结果并进行优化。
优选的，本发明提供一种基于Mini-batch梯度下降法的3D寄生参数的优化方法，获取预设集成电路的电路参数，分析每个电路参数的第一类别，包括：
获取与预设集成电路一致的预设类别集合；
确定预设集成电路中电路参数的参数位置与预设类别集合中每个类别位置的映射关系；
基于映射关系，得到相应电路参数的第一类别。
优选的，本发明提供一种基于Mini-batch梯度下降法的3D寄生参数的优化方法，基于全部电路参数的第一类别，得到相对应的3D寄生参数，并对全部电路参数进行提纯，得到相对应的第一参数，包括：
基于每个第一类别，在历史寄生参数库中匹配得到相对应的全部历史寄生参数；
将每个第一类别相对应的全部历史寄生参数的数值按照相同的参数种类进行提取，得到相对应的寄生参数数值；
若一个参数种类相对应的全部参数数值的数量大于1，则计算全部参数数值的第一中间值；
基于全部第一中间值以及相对应的参数种类、全部参数种类相对应的全部参数数值的数量等于1的参数种类，得到3D寄生参数。
优选的，本发明提供一种基于Mini-batch梯度下降法的3D寄生参数的优化方法，基于全部电路参数的第一类别，得到相对应的3D寄生参数，并对全部电路参数进行提纯，得到相对应的第一参数，还包括：
基于3D寄生参数中的全部参数种类，获取相对应的第一中间值以及参数数值；
按照3D寄生参数中的全部参数种类、相对应的第一中间值以及参数数值，在相对应的电路参数中进行去除，得到相对应的第一参数。
优选的，本发明提供一种基于Mini-batch梯度下降法的3D寄生参数的优化方法，基于全部第一参数的数据总量以及计算机的流畅运行需求，得到采用Mini-batch梯度下降法进行分析的第一参数集合，包括：
基于计算机的流畅运行需求，得到同一时刻在满足计算机流畅运行需求下每秒的数据处理量；
基于全部第一参数的总量以及所述数据处理量，得到Mini-batch梯度下降法的每个梯度相对应的预设处理时间以及预设处理数据量；
将每个第一参数涉及到的所有参数数值的数据量进行大小排序，得到相对应的第一序列；
基于第一序列按照三等分进行划分，得到相对应的三个数据量集合；
基于每个数据量集合中的最小数据量的排序，分别对每个数据量集合标记相对应的第一标签、第二标签以及第三标签，其中，第一标签表示相对应的数据量集合中的数据量最大；
基于数据处理量，分别从标记第一标签、第二标签以及第三标签的数据量集合中提取一个第一参数，构建初步处理集合；
将所述初步处理集合中的全部第一参数的总数据量，作为第一数据量；
去除第一数据量大于预设处理数据量的初步处理集合，对去除的初步处理集合进行二次组合，得到数据量的总和小于预设处理数据量的二次处理集合；
基于每个第一参数相对应的第一种类，得到相对应的解析方法；
基于所述解析方法中的全部解析种类，得到相对应的关键字类型，并对相应第一参数进行检索，得到第一关键字；
基于全部第一关键字以及解析方法，预估相对应的第一参数的第一解析时间；
基于保留的初步处理集合以及二次处理集合中的第一参数相对应的第一解析时间，得到相对应的第二解析时间；
依次计算每个第二解析时间以及预设处理时间的第一差值；
去除第一差值大于预设合理差值的初步处理集合或二次处理集合，并按照其中每个第一参数的第一解析时间对去除的初步处理集合或二次处理集合进行重新组合，得到第一差值小于预设合理差值的三次处理集合；
基于保留的初步处理集合、二次处理集合以及三次处理集合，按照相对应的第二解析时间进行大小排序，得到相对应的第二序列；
按照第二序列的顺序，得到Mini-batch梯度下降法进行解析的有先后顺序的第一参数集合。
优选的，本发明提供一种基于Mini-batch梯度下降法的3D寄生参数的优化方法，基于Mini-batch梯度下降法进行分析的结果，得到Mini-batch梯度下降法中每个第一参数的计算时间以及计算准确度，包括：
按照全部第一参数集合进行Mini-batch梯度下降法，记录每个梯度的每个第一参数的计算时间以及计算结果；
基于每个第一参数相对应的第一关键字，得到相对应的第一参数计算的预设结果；
将同个第一参数的预设结果以及计算结果输入至计算准确度分析模型，得到相对应的计算准确度。
优选的，本发明提供一种基于Mini-batch梯度下降法的3D寄生参数的优化方法，基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，得到本次Mini-batch梯度下降法的验证结果并进行优化，包括：
基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，依次计算得到相对应的Mini-batch梯度下降法的计算完成指数；
若计算完成指数小于预设完成指数，则获取相对应的每个第一参数的计算日志，构建验证结果；
基于验证结果中的每个计算日志，得到计算异常的第二参数；
分析第二参数相对应的计算日志，得到相对应的异常原因并进行优化。
优选的，本发明提供一种基于Mini-batch梯度下降法的3D寄生参数的优化方法，基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，依次计算得到相对应的Mini-batch梯度下降法的计算完成指数，包括：
；其中，/>表示Mini-batch梯度下降法的计算完成指数；/>表示Mini-batch梯度下降法中第/>个梯度的梯度完成指数；/>表示Mini-batch梯度下降法中梯度的数量；/>表示Mini-batch梯度下降法中全部梯度的全部第一参数的计算时间的平均值；/>表示Mini-batch梯度下降法中每个梯度的梯度权重，且梯度计算的顺序越靠前权重值越大；/>表示Mini-batch梯度下降法中每个梯度的梯度完成指数；/>表示该梯度的第一参数的个数；/>表示该梯度的第/>个第一参数的计算时间；/>表示该梯度的第/>个第一参数的预设计算时间；/>表示该梯度的第/>个第一参数的计算准确度；/>表示该梯度的全部第一参数相对应的计算时间的平均值。
与现有技术相比，本申请的有益效果如下：
提高Mini-batch梯度下降法分析的准确度以及速度，提高分析集成电路数据的准确度以及速度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于Mini-batch梯度下降法的3D寄生参数的优化方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本发明实施例提供一种基于Mini-batch梯度下降法的3D寄生参数的优化方法，如图1所示，包括：
步骤1：获取预设集成电路的电路参数，分析每个电路参数的第一类别；
步骤2：基于全部电路参数的第一类别，得到相对应的3D寄生参数，并对全部电路参数进行提纯，得到相对应的第一参数；
步骤3：基于全部第一参数的数据总量以及计算机的流畅运行需求，得到采用Mini-batch梯度下降法进行分析的每一梯度的第一参数集合；
步骤4：基于Mini-batch梯度下降法进行分析的结果，得到Mini-batch梯度下降法中每个第一参数的计算时间以及计算准确度；
步骤5：基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，得到本次Mini-batch梯度下降法的验证结果并进行优化。
该实施例中，3D寄生参数指的是集成电路在3D空间中出现的不需要进行解析且还会干扰解析的的电容、电感以及电阻等元素，这些元素通常是由于导线、电路板和其他电路元件的物理特性而引起的。寄生参数主要表现为对电路性能的损害，例如降低频率响应、增加噪声、降低信号幅度等。
该实施例中，预设集成电路指的是预先设置的待解析的集成电路。
该实施例中，电路参数指的是预设集成电路中需要解析的数据的类别以及相对应的数值或者状态，例如：每个电阻每秒的阻值。
该实施例中，第一类别指的是电路参数的类别，例如：每个电阻每秒的阻值。
该实施例中，第一参数指的是电路参数去除按照每个电路参数的第一类别相对应的不需要进行解析且还会干扰解析的电容、电感以及电阻等元素之后的数据。
该实施例中，流畅运行需求指的是计算机运行达到流畅运行标准时同一时刻每秒能够处理的数据的量。
该实施例中，第一参数集合指的是通过对全部第一参数的数据总量以及计算机的流畅运行需求进行分析，得到Mini-batch梯度下降法运行时每个梯度都能流畅进行的第一参数组合的集合，且第一参数集合的预计时间按照梯度的下降而减少。
该实施例中，计算时间指的是每个梯度的每个第一参数的计算完成的时间。
该实施例中，计算准确度指的是每个梯度的每个第一参数的计算完成后得到的解的准确程度。
该实施例中，验证结果指的是通过对每个梯度相对应的全部第一参数的计算时间以及计算准确度进行计算，得到不合格的本次Mini-batch梯度下降法在计算过程中的每个第一参数相对应的每个需要进行解析计算的代码进行计算的时间以及计算得到的解构建的。
上述技术方案的工作原理及有益效果是：通过分析预设集成电路的电路参数，得到每个电路参数的第一类别，分析得到相对应的3D寄生参数，并对全部电路参数进行提纯，得到相对应的第一参数，分析全部第一参数的数据总量以及计算机的流畅运行需求，得到采用Mini-batch梯度下降法进行分析的每一梯度的第一参数集合，按照Mini-batch梯度下降法对每一梯度的第一参数集合进行分析，得到Mini-batch梯度下降法中每个第一参数的计算时间以及计算准确度，得到本次Mini-batch梯度下降法的验证结果并进行优化，提高Mini-batch梯度下降法分析的准确度以及速度，提高分析集成电路数据的准确度以及速度。
实施例2：
根据发明实施例1提供的系统，获取预设集成电路的电路参数，分析每个电路参数的第一类别，包括：
获取与预设集成电路一致的预设类别集合；
确定预设集成电路中电路参数的参数位置与预设类别集合中每个类别位置的映射关系；
基于映射关系，得到相应电路参数的第一类别。
该实施例中，预设类别集合指的是与预设集成电路相同的集成电路内的电路参数的种类的集合，包含每种电路参数的位置以及功能。
该实施例中，参数位置指的是每个电路参数在集成电路中相对应的位置坐标。
该实施例中，类别位置指的是预设类别集合中每个种类的参数的位置坐标。
上述技术方案的工作原理及有益效果是：通过对预设集成电路一致的预设类别集合中每个种类的参数的位置与每个电路参数的位置进行对比，得到每个电路参数的第一种类，有利于后续对电路参数进行提纯。
实施例3：
根据发明实施例1提供的系统，基于全部电路参数的第一类别，得到相对应的3D寄生参数，并对全部电路参数进行提纯，得到相对应的第一参数，包括：
基于每个第一类别，在历史寄生参数库中匹配得到相对应的全部历史寄生参数；
将每个第一类别相对应的全部历史寄生参数的数值按照相同的参数种类进行提取，得到相对应的寄生参数数值；
若一个参数种类相对应的全部参数数值的数量大于1，则计算全部参数数值的第一中间值；
基于全部第一中间值以及相对应的参数种类、全部参数种类相对应的全部参数数值的数量等于1的参数种类，得到3D寄生参数。
该实施例中，历史寄生参数库指的是包含预设集成电路的历史的每个第一类别相对应的不需要进行解析且还会干扰解析的电容、电感以及电阻等元素的数据库。
该实施例中，历史寄生参数指的是预设集成电路的历史的每个第一类别相对应的不需要进行解析且还会干扰解析的电容、电感以及电阻等元素。
该实施例中，寄生参数数值指的是将每个第一类别相对应的全部历史寄生参数的数值按照相同的参数种类进行提取，得到每个第一类别相对应的寄生参数的数值。
该实施例中，第一中间值指的是若一个参数种类相对应的全部参数数值的数量大于1，则计算得到的全部参数数值的中间值。
上述技术方案的工作原理及有益效果是：通过对每个第一类别以及历史寄生参数库进行匹配，得到每个第一类别相对应的寄生参数数值，并对寄生参数数值进行分析，得到每个电路参数相对应的3D寄生参数的数值，有利于后续对电路参数进行提纯。
实施例4：
根据发明实施例1提供的系统，基于全部电路参数的第一类别，得到相对应的3D寄生参数，并对全部电路参数进行提纯，得到相对应的第一参数，还包括：
基于3D寄生参数中的全部参数种类，获取相对应的第一中间值以及参数数值；
按照3D寄生参数中的全部参数种类、相对应的第一中间值以及参数数值，在相对应的电路参数中进行去除，得到相对应的第一参数。
该实施例中，参数种类指的是3D寄生参数中的相同电路参数相对应的第一类别。
上述技术方案的工作原理及有益效果是：通过对每个电路参数去除3D寄生参数，减少不必要的解析以及减少对数据解析的影响，提高Mini-batch梯度下降法的准确度以及速度。
实施例5：
根据发明实施例1提供的系统，基于全部第一参数的数据总量以及计算机的流畅运行需求，得到采用Mini-batch梯度下降法进行分析的第一参数集合，包括：
基于计算机的流畅运行需求，得到同一时刻在满足计算机流畅运行需求下每秒的数据处理量；
基于全部第一参数的总量以及所述数据处理量，得到Mini-batch梯度下降法的每个梯度相对应的预设处理时间以及预设处理数据量；
将每个第一参数涉及到的所有参数数值的数据量进行大小排序，得到相对应的第一序列；
基于第一序列按照三等分进行划分，得到相对应的三个数据量集合；
基于每个数据量集合中的最小数据量的排序，分别对每个数据量集合标记相对应的第一标签、第二标签以及第三标签，其中，第一标签表示相对应的数据量集合中的数据量最大；
基于数据处理量，分别从标记第一标签、第二标签以及第三标签的数据量集合中提取一个第一参数，构建初步处理集合；
将所述初步处理集合中的全部第一参数的总数据量，作为第一数据量；
去除第一数据量大于预设处理数据量的初步处理集合，对去除的初步处理集合进行二次组合，得到数据量的总和小于预设处理数据量的二次处理集合；
基于每个第一参数相对应的第一种类，得到相对应的解析方法；
基于所述解析方法中的全部解析种类，得到相对应的关键字类型，并对相应第一参数进行检索，得到第一关键字；
基于全部第一关键字以及解析方法，预估相对应的第一参数的第一解析时间；
基于保留的初步处理集合以及二次处理集合中的第一参数相对应的第一解析时间，得到相对应的第二解析时间；
依次计算每个第二解析时间以及预设处理时间的第一差值；
去除第一差值大于预设合理差值的初步处理集合或二次处理集合，并按照其中每个第一参数的第一解析时间对去除的初步处理集合或二次处理集合进行重新组合，得到第一差值小于预设合理差值的三次处理集合；
基于保留的初步处理集合、二次处理集合以及三次处理集合，按照相对应的第二解析时间进行大小排序，得到相对应的第二序列；
按照第二序列的顺序，得到Mini-batch梯度下降法进行解析的有先后顺序的第一参数集合。
该实施例中，数据处理量指的是同一时刻在满足计算机流畅运行需求下计算机每秒能够处理的数据的量。
该实施例中，预设处理时间指的是全部第一参数的总量除数据处理量，得到预计Mini-batch梯度下降法的每个梯度需要处理的数据的量，预计处理完每个梯度需要处理的数据的量需要的时间。
该实施例中，预设处理数据量指的是全部第一参数的总量除所述数据处理量，得到的预计Mini-batch梯度下降法的每个梯度需要处理的数据的量。
该实施例中，第一序列指的是每个第一参数涉及到的所有参数数值的数据量按照大小排序，得到的序列。
该实施例中，数据量集合指的是第一序列按照三等分进行划分得到的每个等分内的第一参数的集合。
该实施例中，第一标签指的是代表每个数据量集合中的最小数据量的排序中数据量最大的标签。
该实施例中，第二标签指的是代表每个数据量集合中的最小数据量的排序中数据量中等的标签。
该实施例中，第三标签指的是代表每个数据量集合中的最小数据量的排序中数据量最小的标签。
该实施例中，初步处理集合指的是分别从标记第一标签、第二标签以及第三标签的数据量集合中提取一个第一参数构成的第一参数的集合。
该实施例中，第一数据量指的是初步处理集合中的全部第一参数的数据的量的总和。
该实施例中，二次组合指的是重新分别从标记第一标签、第二标签以及第三标签的数据量集合中提取一个第一参数构成第一参数的集合。
该实施例中，二次处理集合指的是二次组合后第一参数的数据的量的总和小于预设处理数据量的第一参数的集合。
该实施例中，解析方法指的是按照第一类别匹配得到的解析相对应的第一参数的算法。
该实施例中，解析种类指的是解析第一参数的算法的种类。
该实施例中，关键字类型指的是解析第一参数的算法的种类进行解析需要提取的关键字的代码前缀。
该实施例中，第一关键字指的是按照关键字类型对相应第一参数进行检索，得到的关键字类型后面的关键代码。
该实施例中，第一解析时间指的是通过对每个第一参数相对应的全部第一关键字以及解析方法进行计算，得到的预计完成解析的时间。
该实施例中，第二解析时间指的是保留的每个初步处理集合以及每个二次处理集合中的第一参数相对应的第一解析时间的和。
该实施例中，第一差值指的是每个第二解析时间以及预设处理时间的差值。
该实施例中，预设合理差值指的是预先设置的合理出现的可以忽略的误差的值。
该实施例中，三次处理集合指的是按照其中每个第一参数的第一解析时间对第一差值大于预设合理差值的初步处理集合或二次处理集合进行重新组合，得到的第一差值小于预设合理差值的第一参数的集合。
该实施例中，第二序列指的是对保留的初步处理集合、二次处理集合以及三次处理集合，按照相对应的第二解析时间进行大小排序，得到的序列。
上述技术方案的工作原理及有益效果是：通过对计算机的流畅运行需求进行分析，得到同一时刻在满足计算机流畅运行需求下每秒的数据处理量，通过对全部第一参数的总量以及所述数据处理量进行计算，得到Mini-batch梯度下降法的每个梯度相对应的预设处理时间以及预设处理数据量，将每个第一参数涉及到的所有参数数值的数据量按照大小进行排序，且分成三等分，得到相对应的三个数据量集合，并为每个数据量集合打上代表数据量大小的第一标签、第二标签以及第三标签，分别从标记第一标签、第二标签以及第三标签的数据量集合中提取一个第一参数，构建初步处理集合，对初步处理集合进行筛选，保留集合内的第一参数的数据的总量小于预设处理数据量且预估的解析时间小于预设处理时间的初步处理集合，对不保留的初步处理集合进行重新组合，直到符合标准，对符合标准的全部处理集合按照预估的解析时间从长到短进行排序，按照相对应的顺序构建每一梯度进行数据计算的第一参数集合，保证Mini-batch梯度下降法实施时计算机运行流畅，且越往后计算的梯度用时越少，提高了Mini-batch梯度下降法的效率。
实施例6：
根据发明实施例1提供的系统，基于Mini-batch梯度下降法进行分析的结果，得到Mini-batch梯度下降法中每个第一参数的计算时间以及计算准确度，包括：
按照全部第一参数集合进行Mini-batch梯度下降法，记录每个梯度的每个第一参数的计算时间以及计算结果；
基于每个第一参数相对应的第一关键字，得到相对应的第一参数计算的预设结果；
将同个第一参数的预设结果以及计算结果输入至计算准确度分析模型，得到相对应的计算准确度。
该实施例中，计算结果指的是全部第一参数集合进行Mini-batch梯度下降法进行计算后，每个梯度的每个第一参数经过计算得到的解。
该实施例中，预设结果指的是预先设置的在正常运作情况下全部第一参数集合进行Mini-batch梯度下降法进行计算后，每个梯度的每个第一参数经过计算得到的解。
该实施例中，计算准确度分析模型指的是由两个计算机进行解析计算后的解训练得到的，能够得出两个解之间的相似程度的模型。
上述技术方案的工作原理及有益效果是：通过对Mini-batch梯度下降法进行分析的结果进行分析，得到Mini-batch梯度下降法中每个第一参数的计算时间以及计算准确度，有利于后续优化去除3D寄生参数后使用Mini-batch梯度下降法。
实施例7：
根据发明实施例1提供的系统，基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，得到本次Mini-batch梯度下降法的验证结果并进行优化，包括：
基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，依次计算得到相对应的Mini-batch梯度下降法的计算完成指数；
若计算完成指数小于预设完成指数，则获取相对应的每个第一参数的计算日志，构建验证结果；
基于验证结果中的每个计算日志，得到计算异常的第二参数；
分析第二参数相对应的计算日志，得到相对应的异常原因并进行优化。
该实施例中，计算完成指数指的是通过对每个梯度相对应的全部第一参数的计算时间以及计算准确度进行计算，得到的Mini-batch梯度下降法的计算过程的完成的程度数值。
该实施例中，预设完成指数指的是预先设置的正常运行的Mini-batch梯度下降法的计算过程的完成的程度数值。
该实施例中，计算日志指的是第一参数相对应的每个解析类型进行计算时的时间以及计算得到的解。
该实施例中，第二参数指的是通过对每个计算日志进行分析，得到的有异常的第一参数。
该实施例中，异常原因指的是通过对第二参数的计算日志中的异常的解析类型相对应的代码进行分析，匹配得到的异常原因。
上述技术方案的工作原理及有益效果是：通过对每个梯度相对应的全部第一参数的计算时间以及计算准确度进行分析计算，得到本次Mini-batch梯度下降法的验证结果并进行优化，提高Mini-batch梯度下降法分析的准确度以及速度，提高分析集成电路数据的准确度以及速度。
实施例8：
根据发明实施例7提供的系统，基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，依次计算得到相对应的Mini-batch梯度下降法的计算完成指数，包括：
；其中，/>表示Mini-batch梯度下降法的计算完成指数；/>表示Mini-batch梯度下降法中第/>个梯度的梯度完成指数；/>表示Mini-batch梯度下降法中梯度的数量；/>表示Mini-batch梯度下降法中全部梯度的全部第一参数的计算时间的平均值；/>表示Mini-batch梯度下降法中每个梯度的梯度权重，且梯度计算的顺序越靠前权重值越大；/>表示Mini-batch梯度下降法中每个梯度的梯度完成指数；/>表示该梯度的第一参数的个数；/>表示该梯度的第/>个第一参数的计算时间；/>表示该梯度的第/>个第一参数的预设计算时间；/>表示该梯度的第/>个第一参数的计算准确度；/>表示该梯度的全部第一参数相对应的计算时间的平均值。
该实施例中，梯度完成指数指的是Mini-batch梯度下降法的每个梯度解析计算的完成的程度数值。
该实施例中，梯度权重指的是该梯度在Mini-batch梯度下降法中的全部梯度中的重要程度，且梯度计算的顺序越靠前权重值越大。
上述技术方案的工作原理及有益效果是：通过对每个梯度相对应的全部第一参数的计算时间以及计算准确度进行计算，得到Mini-batch梯度下降法的计算完成指数，有利于精准地对Mini-batch梯度下降法进行优化。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种基于Mini-batch梯度下降法的3D寄生参数的优化方法，其特征在于，包括：
步骤1：获取预设集成电路的电路参数，分析每个电路参数的第一类别；
步骤2：基于全部电路参数的第一类别，得到相对应的3D寄生参数，并对全部电路参数进行提纯，得到相对应的第一参数；
步骤3：基于全部第一参数的数据总量以及计算机的流畅运行需求，得到采用Mini-batch梯度下降法进行分析的每一梯度的第一参数集合；
步骤4：基于Mini-batch梯度下降法进行分析的结果，得到Mini-batch梯度下降法中每个第一参数的计算时间以及计算准确度；
步骤5：基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，得到本次Mini-batch梯度下降法的验证结果并进行优化；
其中，基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，得到本次Mini-batch梯度下降法的验证结果并进行优化，包括：
基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，依次计算得到相对应的Mini-batch梯度下降法的计算完成指数；
若计算完成指数小于预设完成指数，则获取相对应的每个第一参数的计算日志，构建验证结果；
基于验证结果中的每个计算日志，得到计算异常的第二参数；
分析第二参数相对应的计算日志，得到相对应的异常原因并进行优化；
其中，步骤1，包括：
获取与预设集成电路一致的预设类别集合；
确定预设集成电路中电路参数的参数位置与预设类别集合中每个类别位置的映射关系；
基于映射关系，得到相应电路参数的第一类别；
其中，步骤2，包括：
基于每个第一类别，在历史寄生参数库中匹配得到相对应的全部历史寄生参数；
将每个第一类别相对应的全部历史寄生参数的数值按照相同的参数种类进行提取，得到相对应的寄生参数数值；
将每个第一类别相对应的全部历史寄生参数按照相同的参数种类，得到相对应的寄生参数数值；
若一个参数种类相对应的全部参数数值的数量大于1，则计算全部参数数值的第一中间值；
基于全部第一中间值以及相对应的参数种类、全部参数种类相对应的全部参数数值的数量等于1的参数种类，得到3D寄生参数；
其中，步骤2，还包括：
基于3D寄生参数中的全部参数种类，获取相对应的第一中间值以及参数数值；
按照3D寄生参数中的全部参数种类、相对应的第一中间值以及参数数值，在相对应的电路参数中进行去除，得到相对应的第一参数；
其中，步骤3，包括：
基于计算机的流畅运行需求，得到同一时刻在满足计算机流畅运行需求下每秒的数据处理量；
基于全部第一参数的总量以及所述数据处理量，得到Mini-batch梯度下降法的每个梯度相对应的预设处理时间以及预设处理数据量；
将每个第一参数涉及到的所有参数数值的数据量进行大小排序，得到相对应的第一序列；
基于第一序列按照三等分进行划分，得到相对应的三个数据量集合；
基于每个数据量集合中的最小数据量的排序，分别对每个数据量集合标记相对应的第一标签、第二标签以及第三标签，其中，第一标签表示相对应的数据量集合中的数据量最大；
基于数据处理量，分别从标记第一标签、第二标签以及第三标签的数据量集合中提取一个第一参数，构建初步处理集合；
将所述初步处理集合中的全部第一参数的总数据量，作为第一数据量；
去除第一数据量大于预设处理数据量的初步处理集合，对去除的初步处理集合进行二次组合，得到数据量的总和小于预设处理数据量的二次处理集合；
基于每个第一参数相对应的第一种类，得到相对应的解析方法；
基于所述解析方法中的全部解析种类，得到相对应的关键字类型，并对相应第一参数进行检索，得到第一关键字；
基于全部第一关键字以及解析方法，预估相对应的第一参数的第一解析时间；
基于保留的初步处理集合以及二次处理集合中的第一参数相对应的第一解析时间，得到相对应的第二解析时间；
依次计算每个第二解析时间以及预设处理时间的第一差值；
去除第一差值大于预设合理差值的初步处理集合或二次处理集合，并按照其中每个第一参数的第一解析时间对去除的初步处理集合或二次处理集合进行重新组合，得到第一差值小于预设合理差值的三次处理集合；
基于保留的初步处理集合、二次处理集合以及三次处理集合，按照相对应的第二解析时间进行大小排序，得到相对应的第二序列；
按照第二序列的顺序，得到Mini-batch梯度下降法进行解析的有先后顺序的第一参数集合。
2.根据权利要求1所述的方法，其特征在于，基于Mini-batch梯度下降法进行分析的结果，得到Mini-batch梯度下降法中每个第一参数的计算时间以及计算准确度，包括：
按照全部第一参数集合进行Mini-batch梯度下降法，记录每个梯度的每个第一参数的计算时间以及计算结果；
基于每个第一参数相对应的第一关键字，得到相对应的第一参数计算的预设结果；
将同个第一参数的预设结果以及计算结果输入至计算准确度分析模型，得到相对应的计算准确度。
3.根据权利要求2所述的方法，其特征在于，基于每个梯度相对应的全部第一参数的计算时间以及计算准确度，依次计算得到相对应的Mini-batch梯度下降法的计算完成指数，包括：
；其中，/>表示Mini-batch梯度下降法的计算完成指数；/>表示Mini-batch梯度下降法中第/>个梯度的梯度完成指数；/>表示Mini-batch梯度下降法中梯度的数量；/>表示Mini-batch梯度下降法中全部梯度的全部第一参数的计算时间的平均值；/>表示Mini-batch梯度下降法中每个梯度的梯度权重，且梯度计算的顺序越靠前权重值越大；/>表示Mini-batch梯度下降法中每个梯度的梯度完成指数；/>表示该梯度的第一参数的个数；/>表示该梯度的第/>个第一参数的计算时间；/>表示该梯度的第/>个第一参数的预设计算时间；/>表示该梯度的第/>个第一参数的计算准确度；/>表示该梯度的全部第一参数相对应的计算时间的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311322560.4A CN117077598B (zh) | 2023-10-13 | 2023-10-13 | 一种基于Mini-batch梯度下降法的3D寄生参数的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311322560.4A CN117077598B (zh) | 2023-10-13 | 2023-10-13 | 一种基于Mini-batch梯度下降法的3D寄生参数的优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077598A CN117077598A (zh) | 2023-11-17 |
| CN117077598B true CN117077598B (zh) | 2024-01-26 |
Family
ID=88702815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311322560.4A Active CN117077598B (zh) | 2023-10-13 | 2023-10-13 | 一种基于Mini-batch梯度下降法的3D寄生参数的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077598B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015184729A1 (en) * | 2014-06-05 | 2015-12-10 | Tsinghua University | Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms |
| CN106021495A (zh) * | 2016-05-20 | 2016-10-12 | 清华大学 | 一种分布式迭代计算系统的任务参数优化方法 |
| CN111581524A (zh) * | 2020-04-30 | 2020-08-25 | 上海解兮生物科技有限公司 | 一种基于GBP维度的mini-GD方法 |
| CN112488183A (zh) * | 2020-11-27 | 2021-03-12 | 平安科技（深圳）有限公司 | 一种模型优化方法、装置、计算机设备及存储介质 |
| CN113673192A (zh) * | 2021-10-22 | 2021-11-19 | 南京集成电路设计服务产业创新中心有限公司 | 一种超大规模集成电路spef寄生参数的并行加速提取方法 |
| CN114781290A (zh) * | 2022-04-27 | 2022-07-22 | 东南大学 | 一种基于目标检测网络的寄生参数提取方法 |
| CN115809624A (zh) * | 2023-02-01 | 2023-03-17 | 北京大学 | 一种集成电路微带线传输线自动化分析设计方法 |
| CN116150455A (zh) * | 2023-04-17 | 2023-05-23 | 华能信息技术有限公司 | 一种异构数据解析方法 |
| WO2023130565A1 (zh) * | 2022-01-10 | 2023-07-13 | 长鑫存储技术有限公司 | 寄生参数的获取方法以及设备 |
| CN116431346A (zh) * | 2023-04-12 | 2023-07-14 | 西安晟昕科技股份有限公司 | 一种用于电子设备主存储器容量的补偿方法 |
| CN116523131A (zh) * | 2023-05-04 | 2023-08-01 | 湖南大学 | 一种基于dbn的集成电路工艺参数优化方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007172258A (ja) * | 2005-12-21 | 2007-07-05 | Matsushita Electric Ind Co Ltd | タイミング検証方法及びレイアウト最適化方法 |
-
2023
- 2023-10-13 CN CN202311322560.4A patent/CN117077598B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015184729A1 (en) * | 2014-06-05 | 2015-12-10 | Tsinghua University | Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms |
| CN106021495A (zh) * | 2016-05-20 | 2016-10-12 | 清华大学 | 一种分布式迭代计算系统的任务参数优化方法 |
| CN111581524A (zh) * | 2020-04-30 | 2020-08-25 | 上海解兮生物科技有限公司 | 一种基于GBP维度的mini-GD方法 |
| CN112488183A (zh) * | 2020-11-27 | 2021-03-12 | 平安科技（深圳）有限公司 | 一种模型优化方法、装置、计算机设备及存储介质 |
| WO2022110640A1 (zh) * | 2020-11-27 | 2022-06-02 | 平安科技（深圳）有限公司 | 一种模型优化方法、装置、计算机设备及存储介质 |
| CN113673192A (zh) * | 2021-10-22 | 2021-11-19 | 南京集成电路设计服务产业创新中心有限公司 | 一种超大规模集成电路spef寄生参数的并行加速提取方法 |
| WO2023130565A1 (zh) * | 2022-01-10 | 2023-07-13 | 长鑫存储技术有限公司 | 寄生参数的获取方法以及设备 |
| CN114781290A (zh) * | 2022-04-27 | 2022-07-22 | 东南大学 | 一种基于目标检测网络的寄生参数提取方法 |
| CN115809624A (zh) * | 2023-02-01 | 2023-03-17 | 北京大学 | 一种集成电路微带线传输线自动化分析设计方法 |
| CN116431346A (zh) * | 2023-04-12 | 2023-07-14 | 西安晟昕科技股份有限公司 | 一种用于电子设备主存储器容量的补偿方法 |
| CN116150455A (zh) * | 2023-04-17 | 2023-05-23 | 华能信息技术有限公司 | 一种异构数据解析方法 |
| CN116523131A (zh) * | 2023-05-04 | 2023-08-01 | 湖南大学 | 一种基于dbn的集成电路工艺参数优化方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| Column readout circuit with improved offset mismatch and charge sharing for CMOS image sensor;Zhongjie Guo;Ningmei Yu;Longsheng Wu;;Journal of Semiconductors(第12期);全文 * |
| 一种可参数化的快速直线提取算法;卜佳俊, 王亮, 陈纯;浙江大学学报(工学版)(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077598A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886294B (zh) | 知识融合方法、装置、计算机设备和存储介质 | |
| WO2020192401A1 (en) | System and method for generating answer based on clustering and sentence similarity | |
| WO2002027532A1 (en) | System and method for use in text analysis of documents and records | |
| CN112307820B (zh) | 文本识别方法、装置、设备和计算机可读介质 | |
| CN110647995A (zh) | 规则训练方法、装置、设备及存储介质 | |
| CN112364014B (zh) | 数据查询方法、装置、服务器及存储介质 | |
| CN111127068A (zh) | 一种工程量清单自动组价方法和装置 | |
| CN114398891B (zh) | 基于日志关键词生成kpi曲线并标记波段特征的方法 | |
| US8862586B2 (en) | Document analysis system | |
| CN115146062A (zh) | 融合专家推荐与文本聚类的智能事件分析方法和系统 | |
| CN108804550B (zh) | 一种查询词拓展方法、装置以及电子设备 | |
| CN112395881B (zh) | 物料标签的构建方法、装置、可读存储介质及电子设备 | |
| CN117077598B (zh) | 一种基于Mini-batch梯度下降法的3D寄生参数的优化方法 | |
| CN115905373B (zh) | 一种数据查询以及分析方法、装置、设备及存储介质 | |
| KR102265937B1 (ko) | 시퀀스데이터의 분석 방법 및 그 장치 | |
| CN114595332A (zh) | 文本分类的预测方法、装置和电子设备 | |
| CN109446516B (zh) | 一种基于主题推荐模型的数据处理方法及系统 | |
| CN111897803A (zh) | 一种面向电力行业业务系统的数据库完整性评价方法 | |
| CN113127636A (zh) | 一种文本聚类类簇中心点选取方法及装置 | |
| JP2020166443A (ja) | データ加工方法レコメンドシステム、データ加工方法レコメンド方法、及びデータ加工方法レコメンドプログラム | |
| CN116760723B (zh) | 基于预测树模型的数据预测方法、装置、设备及介质 | |
| CN117235137B (zh) | 一种基于向量数据库的职业信息查询方法及装置 | |
| CN117573959B (zh) | 一种基于网页xpath获取新闻正文的通用方法 | |
| CN116932487B (zh) | 一种基于数据段落划分的量化式数据分析方法及系统 | |
| CN113157788B (zh) | 大数据挖掘方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |