CN117236278B - 一种基于数字孪生技术的芯片生产仿真方法及系统 - Google Patents
一种基于数字孪生技术的芯片生产仿真方法及系统 Download PDFInfo
- Publication number
- CN117236278B CN117236278B CN202311521087.2A CN202311521087A CN117236278B CN 117236278 B CN117236278 B CN 117236278B CN 202311521087 A CN202311521087 A CN 202311521087A CN 117236278 B CN117236278 B CN 117236278B
- Authority
- CN
- China
- Prior art keywords
- design
- chip
- design parameters
- optimal
- fitness
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004088 simulation Methods 0.000 title claims abstract description 34
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 238000013461 design Methods 0.000 claims abstract description 383
- 238000012545 processing Methods 0.000 claims abstract description 128
- 238000012360 testing method Methods 0.000 claims abstract description 119
- 238000005457 optimization Methods 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims description 49
- 230000000875 corresponding effect Effects 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 239000004065 semiconductor Substances 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012938 design process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012803 optimization experiment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明涉及半导体芯片生产技术领域,提供一种基于数字孪生技术的芯片生产仿真方法及系统,包括:采集目标芯片的处理任务并调取相应的测试数据集,构建相应的设计参数域和设计函数,进行寻优优化,利用数字孪生技术构建孪生芯片,测试并计算设计适应度,通过迭代寻优获取最优设计参数,构建最优孪生芯片,计算与现有同族芯片的相似度,并验证后进行目标芯片的设计和生产,解决无法考虑到可能的硬件故障、异常情况,芯片生产过程存在不确定性,芯片性能和可靠性无法保证技术问题,实现对芯片设计进行更精确的模拟和预测,提前修复潜在隐患,同时,提供更详细和准确的仿真结果,提高设计效率、降低成本,提高芯片性能和可靠性技术效果。
Description
技术领域
本发明涉及半导体芯片生产相关技术领域,具体涉及一种基于数字孪生技术的芯片生产仿真方法及系统。
背景技术
在芯片生产过程中,通常使用物理实验以及测试来评估芯片的性能和可靠性,例如,进行逻辑仿真,通过对模块级逻辑的行为进行建模,将仿真软件分区块对SoC(Systemon Chip,系统级芯片)进行验证的方法,以此确认芯片功能是否符合预期,但需要进行大量的实验和测试,不仅消耗时间,而且也难以保证芯片的可靠性和稳定性。
综上所述,现有技术中存在无法考虑到可能的硬件故障、异常情况,芯片生产过程存在不确定性,芯片性能和可靠性无法保证的技术问题。
发明内容
本申请通过提供了一种基于数字孪生技术的芯片生产仿真方法及系统,旨在解决现有技术中的无法考虑到可能的硬件故障、异常情况,芯片生产过程存在不确定性,芯片性能和可靠性无法保证的技术问题。
鉴于上述问题,本申请提供了一种基于数字孪生技术的芯片生产仿真方法及系统。
本申请公开的第一个方面,提供了一种基于数字孪生技术的芯片生产仿真方法,其中,所述方法包括:采集待进行设计生产的目标芯片的处理任务,并调取所述处理任务的测试数据集;根据所述处理任务,构建同样进行所述处理任务的芯片的设计参数域,并构建对目标芯片进行设计生产的设计函数;在所述设计参数域内,进行设计参数的寻优优化,并基于数字孪生构建孪生芯片,采用所述测试数据集对孪生芯片进行测试,结合所述设计函数,计算获取设计适应度;进行迭代寻优,获取最优设计参数,其中,通过领导寻优规则,寻优获得最优设计参数;根据所述最优设计参数,构建最优孪生芯片,计算现有的同族芯片与最优孪生芯片的相似度,并采用匹配获得的相近芯片进行验证,获得验证结果;在验证结果为合格时,采用最优设计参数进行目标芯片的设计和生产。
本申请公开的另一个方面,提供了一种基于数字孪生技术的芯片生产仿真系统,其中,所述系统包括:处理任务采集模块,用于采集待进行设计生产的目标芯片的处理任务,并调取所述处理任务的测试数据集;设计函数构建模块,用于根据所述处理任务,构建同样进行所述处理任务的芯片的设计参数域,并构建对目标芯片进行设计生产的设计函数;寻优优化模块,用于在所述设计参数域内,进行设计参数的寻优优化,并基于数字孪生构建孪生芯片,采用所述测试数据集对孪生芯片进行测试,结合所述设计函数,计算获取设计适应度;迭代寻优模块,用于进行迭代寻优,获取最优设计参数,其中,通过领导寻优规则,寻优获得最优设计参数;验证模块,用于根据所述最优设计参数,构建最优孪生芯片,计算现有的同族芯片与最优孪生芯片的相似度,并采用匹配获得的相近芯片进行验证,获得验证结果;设计和生产模块,用于在验证结果为合格时,采用最优设计参数进行目标芯片的设计和生产。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了采集目标芯片的处理任务并调取相应的测试数据集;接着根据处理任务构建相应的设计参数域和设计函数。在参数域内进行寻优优化,利用数字孪生技术构建孪生芯片,并用测试数据集对其进行测试,结合设计函数计算设计适应度。通过迭代寻优获取最优设计参数,构建最优孪生芯片,计算与现有同族芯片的相似度,并验证后进行目标芯片的设计和生产,实现了创建反映物理芯片实际工作情况的虚拟模型,对芯片设计进行更精确的模拟和预测,在芯片生产之前修复潜在隐患,同时,数字孪生模型可以提供更详细和准确的仿真结果,从而更好地支持芯片设计和生产的决策,提高设计效率、降低成本,提高芯片性能和可靠性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于数字孪生技术的芯片生产仿真方法可能的流程示意图;
图2为本申请实施例提供了一种基于数字孪生技术的芯片生产仿真方法中确定测试数据集可能的流程示意图;
图3为本申请实施例提供了一种基于数字孪生技术的芯片生产仿真系统可能的结构示意图。
附图标记说明:处理任务采集模块100,设计函数构建模块200,寻优优化模块300,迭代寻优模块400,验证模块500,设计和生产模块600。
具体实施方式
以下结合附图对本发明的示范性实施例作出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
如图1所示,本申请实施例提供了一种基于数字孪生技术的芯片生产仿真方法,其中,所述方法包括:
Step-1:采集待进行设计生产的目标芯片的处理任务,并调取所述处理任务的测试数据集;
Step-2:根据所述处理任务,构建同样进行所述处理任务的芯片的设计参数域,并构建对目标芯片进行设计生产的设计函数;
Step-3:在所述设计参数域内,进行设计参数的寻优优化,并基于数字孪生构建孪生芯片,采用所述测试数据集对孪生芯片进行测试,结合所述设计函数,计算获取设计适应度;
处理任务是指待进行设计生产的目标芯片需要执行的具体操作或功能,例如数据处理、信号处理、计算等;测试数据集是一组用于测试目标芯片处理任务的数据,通常包括各种类型的数据(数据类型、运算类型、执行效率),以评估芯片在各种情况下的性能。
设计参数域是指根据处理任务挑选出的适合的设计参数的范围或领域,例如处理器的架构、内存大小、计算能力等;设计函数是一个对根据给定的设计参数生成特定芯片设计方案进行评价(例如电路图、布局布线等)的函数。
从测试框架中获取用于测试目标芯片处理能力的数据集,可以是已经预先定义好,或者根据目标芯片的具体功能和处理任务定制生成;根据目标芯片的处理任务,挑选出适合的设计参数,形成所述设计参数域,例如,如果目标芯片是一个图像处理芯片,那么设计参数域可能包括处理器的架构、内存大小、计算能力等;
根据目标芯片的设计参数域,构建一个用于产生实际芯片设计方案的设计函数,所述设计函数可以根据输入的设计参数,输出相应的芯片设计方案的适应度;在预先定义好的设计参数域内,通过优化算法(如梯度下降、遗传算法等)寻找最优的设计参数,找到能在特定任务上实现最佳性能的设计参数;
孪生芯片是一个物理系统的虚拟模型,可以模拟其在现实环境中的性能,在本申请实施例中,根据不同样本设计参数的芯片的设计参数,以及通过测试数据集测试的结果,训练一个模型,将之作为数字模拟的孪生芯片,其输入设计参数,获得测试结果;
使用之前采集的测试数据集对数字孪生芯片进行模拟测试,以评估其在实际环境中的性能;结合之前构建的设计函数,根据模拟测试的结果,计算出设计适应度,所述设计适应度可以反映设计方案在实际应用中的性能水平。
通过在数字孪生中模拟测试芯片并计算设计适应度,可以在实际制造之前发现和解决潜在的设计问题,从而减少制造过程中的失败和浪费,同时,可以对提前对芯片设计方案进行评估和优化,避免实际制造后可能遇到的问题,以提高芯片在特定任务上的性能和效率。
Step-4:进行迭代寻优,获取最优设计参数,其中,通过领导寻优规则,寻优获得最优设计参数;
Step-5:根据所述最优设计参数,构建最优孪生芯片,计算现有的同族芯片与最优孪生芯片的相似度,并采用匹配获得的相近芯片进行验证,获得验证结果;
Step-6:在验证结果为合格时,采用最优设计参数进行目标芯片的设计和生产。
在芯片设计过程中,优化芯片的设计参数以实现最佳性能:通过反复修改候选解以逼近或达到最佳解的方式进行迭代寻优,设计参数在一次次的优化过程中逐渐逼近最优解,通过某种寻优规则(例如梯度下降法、遗传算法等)进行迭代计算,以获得在特定处理任务上性能最佳的设计参数。
所述最优设计参数是经过迭代寻优后得出的,使得芯片在特定任务上表现最佳的一组参数;通过领导寻优规则,寻优获得最优设计参数,包括:领导寻优规则(帝国竞争算法)可以被用于芯片设计生产仿真中;帝国竞争算法是一种启发式优化算法,它通过模拟种群竞争的方式来寻找最优解,其中,每个可能的设计参数被视为一个帝国,每个帝国都有自己的适应度值;所述领导寻优规则是帝国竞争算法在本申请中的变形,具体的,结合场景对帝国竞争算法进行了部分变更,删除了帝国竞争算法的革命机制等,以更好地适应芯片设计优化的需求,在芯片设计优化中,期望找到的是一组最佳的设计参数组合,能够使芯片在特定任务上表现最佳。相反的,帝国竞争算法的革命机制会引入过多的扰动,影响算法的收敛速度和精度。因此,删除革命机制并专注于领导帝国的选择和更新可以更好地实现这一目标。综上所述,通过变形得到领导寻优规则能够更好地适应芯片设计优化的场景,提高算法的效率和准确性。
在迭代寻优的过程中,首先会随机生成一组初始设计参数,所述初始设计参数被称为“解”。然后,这些解会在模拟环境中进行测试,并根据测试结果计算出每个解的适应度值,约定性质的,适应度值高的解被选为领导,引领后续的迭代寻优过程;
在每一轮迭代中,算法会根据领导的位置和适应度值,通过一定的策略(例如随机搜索、局部搜索或遗传算法等)生成新的解。这些新解会再次在模拟环境中进行测试,并计算适应度值。然后,新的领导会被选出,引领下一轮的迭代寻优;
重复上述步骤,直到达到预设的迭代次数或满足一定的停止准则(例如适应度值达到某个阈值)。最后,获得的最优设计参数将被用于实际芯片的设计和生产,帮助提高芯片的性能和可靠性,并降低成本和风险。
根据找到的最优设计参数,通过数字孪生技术构建一个对应的虚拟芯片(孪生芯片),可以在计算机上进行,允许模拟和测试芯片的实际运行情况;最优孪生芯片是指根据最优设计参数通过数字孪生技术生成的虚拟芯片模型;比较现有的同族芯片和最优孪生芯片在设计参数和预期性能上的相似程度,相似度指的是评估两个芯片在设计参数和预期性能上的相似程度,在芯片设计过程中,相似度高的芯片在实际应用中具有相似的性能。
匹配获得的相近芯片是和最优孪生芯片相似度高的现有同族芯片,可以用来验证最优设计参数的合理性;根据计算得出的相似度,选择相似度高的同族芯片进行实际运行测试,以验证其在实际应用中的性能是否与最优孪生芯片相似。
验证结果是指对匹配获得的相近芯片进行实际运行测试后得出的性能评估结果;如果验证结果显示选择的相近芯片性能达到预期,那么就可以根据最优设计参数进行目标芯片的实际设计和生产。这样,就完成了整个优化和设计生产流程。
提高芯片设计和生产的效率和精度,同时降低成本和风险。通过迭代寻优和数字孪生技术,可以在实际制造之前预测和优化芯片的性能,从而确保最终设计和生产的芯片在特定任务上具有最佳的性能。
进一步的,如图2所示,调取所述处理任务的测试数据集,Step-1包括:
获取目标芯片的处理任务,其中,所述处理任务包括不同的图像处理任务;
根据所述处理任务,调取获得执行所述处理任务的样本处理数据,作为所述测试数据集。
目标芯片的处理任务指的是目标芯片需要执行的处理任务,其中包括不同的图像处理任务;测试数据集是指根据处理任务选取的样本处理数据,用于测试和验证目标芯片的处理效果和性能。
根据处理任务调取获得执行处理任务的样本处理数据,作为测试数据集,选择具有代表性的数据来模拟实际的处理任务。所述测试数据集能够涵盖各种不同的图像处理任务,并能够检验目标芯片在这些任务中的性能和表现,具体包括,
确定目标芯片的主要功能和应用场景,例如图像的分类、分割、增强等。对于每个处理任务,都需要明确其具体的目标和要求;根据目标芯片的功能和应用场景,选择适用的图像处理任务,例如,如果目标芯片主要用于图像分割,那么可以选择一些经典的图像分割算法作为处理任务,如K-means聚类、区域生长等;
对于每个选定的图像处理任务,需要收集相应的图像数据集,并对其进行预处理和增强,以使其更符合实际应用场景,例如,如果处理任务是图像分类,那么需要收集包含各类别的图像数据集,并对这些数据进行标注和预处理;
在每个图像处理任务的数据收集和处理完成后,需要将其组合成一个全面的测试数据集,所述测试数据集能够全面地涵盖各种可能的图像处理场景和需求;最后,使用目标芯片执行测试数据集中的每个图像处理任务,并记录处理结果,包括处理的时间、准确率、性能等各方面的指标。
通过仿真环境对目标芯片进行优化和验证,从而避免了直接在实物上进行试验所带来的消耗和风险,提高了芯片设计和生产的效率和准确性。同时,数字孪生技术的应用使得仿真过程更为准确和高效。
进一步的,构建对目标芯片进行设计生产的设计函数,Step-2包括:
根据所述处理任务,在芯片设计生产的历史记录数据中进行查询,获得同样进行所述处理任务的芯片的多个样本设计参数;
根据多个样本设计参数,构建所述设计参数域;
构建对目标芯片进行设计生产的设计函数:;
其中,des为设计适应度,、、为权重,m为按照设计参数进行目标芯片生产的成本,k为按照设计参数进行目标芯片生产的良品率,T为测试数据集内测试数据的组数,为按照设计参数生产目标芯片后对第i组测试数据的处理时间。
根据处理任务,在芯片设计生产的历史记录数据中进行查询,获得同样进行处理任务的芯片的多个样本设计参数,具体而言,包括以下步骤:从历史记录数据中筛选出与目标芯片的处理任务相同的数据,包括不同的设计参数、处理时间、成本和良品率等信息;
样本设计参数指在芯片设计生产的历史记录数据中,与目标芯片处理任务相同的芯片的设计参数;从筛选出的历史数据中,提取出同样进行处理任务的芯片的多个样本设计参数,包括处理任务的性能指标、设计规则、工艺参数等;
设计参数域指由多个样本设计参数构成的设计参数集合;根据多个样本设计参数,可以构建一个设计参数域,包括各种可能的设计参数组合,并为每个组合赋予相应的权重,是一个多维的空间,每个维度代表一个设计参数,而权重则表示该参数值的优劣程度;
设计函数用于根据给定的设计参数,预测目标芯片的性能表现;构建对目标芯片进行设计生产的设计函数,,其中,des为设计适应度,、、为权重,m为按照设计参数进行目标芯片生产的成本,k为按照设计参数进行目标芯片生产的良品率(按照给定的设计参数生产的目标芯片中,满足质量标准的产品所占的比例),T为测试数据集内测试数据的组数,为按照设计参数生产目标芯片后对第i组测试数据的处理时间:
通过在历史记录数据中查询类似处理任务的芯片设计参数,并利用这些参数构建设计参数域和设计函数,可以更加高效地预测目标芯片的性能,并优化其设计和生产过程。在仿真环境中对目标芯片进行优化和验证,使得仿真过程更为准确和高效,同时,避免了直接在实物上进行试验所带来的消耗和风险,提高芯片设计和生产的效率和准确性。
进一步的,采用所述测试数据集对孪生芯片进行测试,结合所述设计函数,计算获取设计适应度,Step-3包括:
在所述设计参数域内,随机生成多个第一设计参数;
获取多个样本芯片的多个样本芯片设计参数,并根据所述测试数据集,获取多个样本测试结果集,每个样本测试结果内包括处理时间;
采用多个样本芯片设计参数和多个样本测试结果集,训练多个样本孪生芯片,构建芯片孪生模拟器;
基于数字孪生,采用所述多个第一设计参数,通过芯片孪生模拟器,在服务器内构建多个孪生芯片;
基于多个孪生芯片,结合所述设计函数,计算获得多个第一设计适应度。
从设计参数域中随机选择出一组参数作为初始的或第一的设计参数;样本芯片设计参数是已经生产出的芯片的设计参数,可以了解芯片的性能和特性;收集一些样本芯片的设计参数和对应的测试结果数据,所述测试结果数据通常是通过历史记录或者实验获得,每个样本测试结果内包括处理时间,是指芯片处理某个任务所花费的时间;
所述样本测试结果集是对样本芯片进行测试后得到的结果集合,通常包括处理时间等性能指标;样本孪生芯片是指通过数字孪生技术和样本芯片的设计参数和测试结果集训练得到的虚拟芯片,可以模拟真实芯片的性能;
芯片孪生模拟器可以用于生成虚拟的孪生芯片;使用收集到的样本数据来训练数字孪生模型,从而能够模拟真实的芯片行为,通过训练模型,把模型作为数字孪生芯片,执行当前处理任务的处理功能,来分析设计参数的优劣,通过这些方法可以让模拟器学习到真实芯片的设计参数与性能之间的关系。
使用数字孪生模型来生成虚拟的或孪生的芯片,在本申请实施例中,需要将之前随机生成的第一设计参数输入到数字孪生模型中,从而得到对应的孪生芯片。
所述设计适应度可以判断第一设计参数的好坏,从而进行优化;评估第一设计参数的适应度,对于每个生成的孪生芯片,结合其对应的设计函数,可以计算出其对应的性能预测值,性能预测值可以被视为该设计参数的适应度。
通过模拟器在虚拟环境中进行大量的设计和优化实验,从而避免了在实物芯片上进行实验的高成本和风险。同时,通过模拟和优化的方法,可以在服务器内高效地生成和优化多个孪生芯片的设计参数,从而避免了在实物上进行实验的高成本和风险,提高了芯片设计和生产的效率和准确性。
进一步的,通过领导寻优规则,寻优获得最优设计参数,Step-4包括:
选取多个第一设计适应度内最大的M个第一设计适应度对应的M个第一设计参数,作为M个第一领导解,其他的若干个第一设计参数作为N个第一跟随解,M和N为大于1的整数;
根据M个第一设计适应度的大小,结合N的大小,分配获取M个跟随数量,其中,跟随数量的大小与第一设计适应度的大小正相关;
以M个第一领导解为中心,对N个第一跟随解进行聚类,获得M个集团簇;
在M个集团簇内,对每个集团簇内的解进行迭代更新优化,直到达到预设优化条件,获得最优设计参数。
第一设计适应度指的是在所有设计方案中,某个特定设计方案在特定任务上的表现;第一领导解是在所有设计方案中,根据第一设计适应度选出的最佳设计方案,这些解被视为“领导”,因为是其他解的指导;第一跟随解是在所有设计方案中,除了第一领导解之外的其他设计方案,这些解被视为“跟随”,因为是追随第一领导解的;选取多个第一设计适应度内最大的M个第一设计适应度对应的M个第一设计参数,作为M个第一领导解,其他的若干个第一设计参数作为N个第一跟随解,M和N为大于1的整数。
在完成了设计参数的随机生成和测试之后,需要从这些设计参数中选出表现最好的一些参数作为领导解。具体来说,会选择M个第一设计适应度最大的设计参数作为领导解,而其他的设计参数则作为跟随解,其中,所述第一设计适应度指的是某种评估设计性能的指标,例如处理时间、成本等。
根据M个第一设计适应度的大小,结合N的大小,分配获取M个跟随数量,其中,所述跟随数量是指每个第一领导解所附带的,或者所影响的第一跟随解的数量,与第一领导解的第一设计适应度的大小正相关,第一设计适应度可能代表着方案的性能,因此性能更好的领导解将获得更多的跟随数量。简单来说就是根据领导解和跟随解的性能评估结果,为每个领导解分配跟随数量的过程,跟随数量的大小与第一设计适应度的大小是正相关的,也就是说,性能越好的领导解将获得更多的跟随数量。
聚类是指通过将相似的数据分组为“簇”,可以使数据的模式和结构变得更加明显,在本申请实施例中,被用来将第一跟随解分组到与第一领导解相对应的集团中;以M个第一领导解为中心,对N个第一跟随解进行聚类,获得M个集团簇:通过聚类算法,将跟随解归类到相应的领导解中,形成M个集团簇,其中每个集团簇包含一个领导解和相应的跟随解;
迭代更新优化是一种通过反复调整设计方案参数,以改进设计方案性能的过程,在本申请实施例中,每个集团簇内的设计方案会根据预设的优化条件进行更新和优化,直到达到这些条件为止;在M个集团簇内,对每个集团簇内的解进行迭代更新优化,直到达到预设优化条件,获得最优设计参数;
在每个集团簇内进行迭代优化,直到达到预设的优化条件,会根据一些性能指标(例如处理时间、成本等)对每个集团簇内的设计参数进行更新和优化,当满足预设条件(例如达到一定的性能提升或者达到预设的迭代次数)时,集团簇内的解就被认为是最优设计参数;
使用了多目标优化算法或者遗传算法等优化方法,能够从一组设计方案中找出最佳的领导解和跟随解,并将它们分组为不同的集团。然后,每个集团内的设计方案会根据预设的优化条件进行迭代更新和优化,以获得更好的性能;通常被用于解决复杂的多目标优化问题,能够有效地找到一组使得多个目标都尽可能最优的设计参数,能够充分利用已有的设计信息,并通过迭代优化来找到最优解。能够有效地找到一组在多个目标上都有良好性能的设计方案,从而提高芯片设计和生产的效率和准确性。
进一步的,在M个集团簇内,对每个集团簇内的解进行迭代更新优化,直到达到预设优化条件,获得最优设计参数,还包括:
分别在M个集团簇内,分别以靠近M个第一领导解为目标方向,对N个第一跟随解按照更新步长向目标方向进行调整更新,获得N个第二跟随解;
基于数字孪生,根据N个第二跟随解内的第二设计参数,构建孪生芯片并进行测试,计算获得N个第二设计适应度;
分别判断N个第二设计适应度是否大于对应的M个第一领导解的第一设计适应度,若是,则对第一领导解进行更新,若否,则不进行更新,获得M个更新集团簇;
按照更新步长,继续对M个更新集团簇进行更新;
继续迭代更新优化,直到达到预设更新次数,获得并计算M个最终集团簇内所有解的M个总设计适应度;
将最大的总设计适应度对应的最终集团簇内的最终领导解作为最优解,最优解内包括所述最优设计参数。
通过调整设计参数来尝试接近或达到第一领导解的性能,更新的步长可能是一个预设的固定值,也可能是根据第一领导解的性能动态确定的。
第一跟随解是除第一领导解之外的其他第一设计参数;所述第二跟随解是在每个集团簇内,以第一领导解为目标方向,对第一跟随解进行调整更新后的解;所述第二设计适应度是在对第二跟随解进行测试后得出的性能评估,代表了处理时间、准确性或成本效益等;基于数字孪生,根据第二跟随解内的第二设计参数,构建孪生芯片并进行测试,计算获得第二设计适应度。数字孪生技术再次被使用,但这次是为了根据设计参数构建虚拟芯片并进行测试,测试结果(第二设计适应度)是真实的芯片性能的近似值,例如处理时间、成本等。
分别判断第二设计适应度是否大于对应的M个第一领导解的第一设计适应度,进行比较是为了判断第二跟随解的性能是否已经超过了第一领导解,如果超过了,那么第一领导解需要被更新,否则,第一领导解保持不变,简单来说就是如果更新的跟随解的适应度大于领导解的适应度,就取而代之,(如果有多个都大于,则取最大的替代),在下一次的更新中,就以新的领导解作为目标方向;反之就不进行更新;
更新集团簇是在某些解被更新后重新形成的集团簇;根据比较结果,更新M个集团簇:如果第一领导解被更新了,那么对应的集团簇也会相应地更新,上述更新过程涉及整个集团簇的重新计算和优化;按照更新步长,继续对M个更新集团簇进行更新,迭代更新的过程会持续进行直到达到预设的更新次数。
在达到预设更新次数后,计算M个最终集团簇内所有解的总设计适应度,所述总设计适应度是每个最终集团簇内所有解的设计适应度的总和;对于所述M个总设计适应度来说,有可能最优设计参数并非是最大适应度对应的解,但是其所处的集团簇的整体适应度最大,说明该集团簇内的设计参数整体比较稳定,提升芯片仿真设计生产的稳定性。最优解是在迭代更新优化过程中,具有最大总设计适应度的解,它包括最优的设计参数;将最大的总设计适应度对应的最终集团簇内的最终领导解作为最优解。
通过在每个集团簇内以第一领导解为目标方向对第一跟随解进行更新优化,可以尝试找到接近或超过第一领导解性能的新解;使用数字孪生技术可以在虚拟环境中构建和测试芯片,降低了在实物上进行实验的成本和风险;通过迭代更新的过程,可以在多个更新周期内持续优化集团簇内的解,提高芯片设计和生产的效率和准确性;最后,通过找到具有最大总设计适应度的最优解,能够有效地找到一组在多个目标上都有良好性能的设计参数,为实际芯片设计和生产提供了参考。总的来说,通过迭代更新的方式逐步优化设计方案,提高芯片的性能。
进一步的,采用匹配获得的相近芯片进行验证,获得验证结果,Step-5包括:
调取执行所述处理任务多个同族芯片的多个同族设计参数;
计算所述最优设计参数和多个同族设计参数的相似度,并选最大的相似度对应的同族设计参数,作为匹配设计参数和相近芯片;
采用所述测试数据集对所述相近芯片进行测试,并基于所述设计函数计算获得测试适应度;
计算所述测试适应度和所述最优设计参数的最优适应度的相似度,判断是否满足相似度阈值,获得验证结果。
所述同族芯片指的是一类具有相似特性或功能的芯片,这些特性或功能可能是在同一系列、同一制造商或针对同一应用中;所述同族设计参数是指用于配置或设计同族芯片的相关参数,如处理速度、内存大小、功耗等;从某种存储或数据库中提取出用于执行特定任务的多个同类芯片的设计参数。这些设计参数可能包括但不限于处理能力、内存大小、功耗等。
相似度用于评估最优设计参数和其他同族设计参数之间的相似性;匹配设计参数和相近芯片是指在众多同族芯片中,选择与最优设计参数最相似的同族设计参数以及对应的芯片,作为最有可能具有类似性能的相近芯片,一般的,计算不同类别设计参数的比值,越接近1则越相似;找到最接近最优设计参数的同族设计参数,所述同族设计参数可以看作是最优设计参数的一个近似,其对应的芯片可以看作是最优芯片的一个近似。
测试适应度是通过使用测试数据集和设计函数计算得出的,反映了相近芯片在实际应用场景中的性能评估得分;在实际运行环境中,使用特定的测试数据集来评估相近芯片性能;根据芯片的设计特性和测试结果计算出一个评估指标,这个指标可以反映这个芯片对于特定任务的适应程度;计算测试适应度和最优设计参数的最优适应度的相似度是在比较测试芯片的适应度和最优芯片的适应度之间的相似性;
所述验证结果是指通过比较测试适应度和最优设计参数的最优适应度的相似度,判断是否满足相似度阈值的结果;判断测试芯片的适应度和最优芯片的适应度的相似性是否达到一个预设的阈值。如果达到或超过这个阈值,那么可以认为测试芯片的性能是可接受的,并将之为作为验证结果。
通过调取执行处理任务的多个同族芯片的多个同族设计参数,找到在特定任务上性能最佳的芯片设计方案,然后基于这个方案进行优化或者制造,从而提高了芯片在特定任务上的性能和效率。此外,通过测试数据集对相近芯片进行测试并基于设计函数计算获得测试适应度,可以有效地评估相近芯片在实际应用中的性能,从而为实际应用提供参考。
综上所述,本申请实施例所提供的一种基于数字孪生技术的芯片生产仿真方法及系统具有如下技术效果:
通过数字孪生技术,可以在设计早期就发现并解决问题,避免了后期生产中的返工和浪费。
通过在仿真阶段就模拟实际工作情况,可以大大降低硬件测试的需求和成本。
通过实时监控和预测,可以及时发现并修复硬件可能出现的问题,提高了产品的可靠性和稳定性。
4.由于采用了获取目标芯片的处理任务,其中,处理任务包括不同的图像处理任务;根据处理任务,调取获得执行处理任务的样本处理数据,作为测试数据集。通过仿真环境对目标芯片进行优化和验证,从而避免了直接在实物上进行试验所带来的消耗和风险,提高了芯片设计和生产的效率和准确性。同时,数字孪生技术的应用使得仿真过程更为准确和高效。
实施例二
基于与前述实施例中一种基于数字孪生技术的芯片生产仿真方法相同的发明构思,如图3所示,本申请实施例提供了一种基于数字孪生技术的芯片生产仿真系统,其中,所述系统包括:
处理任务采集模块100,用于采集待进行设计生产的目标芯片的处理任务,并调取所述处理任务的测试数据集;
设计函数构建模块200,用于根据所述处理任务,构建同样进行所述处理任务的芯片的设计参数域,并构建对目标芯片进行设计生产的设计函数;
寻优优化模块300,用于在所述设计参数域内,进行设计参数的寻优优化,并基于数字孪生构建孪生芯片,采用所述测试数据集对孪生芯片进行测试,结合所述设计函数,计算获取设计适应度;
迭代寻优模块400,用于进行迭代寻优,获取最优设计参数,其中,通过领导寻优规则,寻优获得最优设计参数;
验证模块500,用于根据所述最优设计参数,构建最优孪生芯片,计算现有的同族芯片与最优孪生芯片的相似度,并采用匹配获得的相近芯片进行验证,获得验证结果;
设计和生产模块600,用于在验证结果为合格时,采用最优设计参数进行目标芯片的设计和生产。
进一步的,所述处理任务采集模块100用于执行以下步骤:
获取目标芯片的处理任务,其中,所述处理任务包括不同的图像处理任务;
根据所述处理任务,调取获得执行所述处理任务的样本处理数据,作为所述测试数据集。
进一步的,所述设计函数构建模块200用于执行以下步骤:
根据所述处理任务,在芯片设计生产的历史记录数据中进行查询,获得同样进行所述处理任务的芯片的多个样本设计参数;
根据多个样本设计参数,构建所述设计参数域;
构建对目标芯片进行设计生产的设计函数:;
其中,des为设计适应度,、、为权重,m为按照设计参数进行目标芯片生产的成本,k为按照设计参数进行目标芯片生产的良品率,T为测试数据集内测试数据的组数,为按照设计参数生产目标芯片后对第i组测试数据的处理时间。
进一步的,所述寻优优化模块300用于执行以下步骤:
在所述设计参数域内,随机生成多个第一设计参数;
获取多个样本芯片的多个样本芯片设计参数,并根据所述测试数据集,获取多个样本测试结果集,每个样本测试结果内包括处理时间;
采用多个样本芯片设计参数和多个样本测试结果集,训练多个样本孪生芯片,构建芯片孪生模拟器;
基于数字孪生,采用所述多个第一设计参数,通过芯片孪生模拟器,在服务器内构建多个孪生芯片;
基于多个孪生芯片,结合所述设计函数,计算获得多个第一设计适应度。
进一步的,所述寻优优化模块300还用于执行以下步骤:
选取多个第一设计适应度内最大的M个第一设计适应度对应的M个第一设计参数,作为M个第一领导解,其他的若干个第一设计参数作为N个第一跟随解,M和N为大于1的整数;
根据M个第一设计适应度的大小,结合N的大小,分配获取M个跟随数量,其中,跟随数量的大小与第一设计适应度的大小正相关;
以M个第一领导解为中心,对N个第一跟随解进行聚类,获得M个集团簇;
在M个集团簇内,对每个集团簇内的解进行迭代更新优化,直到达到预设优化条件,获得最优设计参数。
进一步的,所述寻优优化模块300还用于执行以下步骤:
分别在M个集团簇内,分别以靠近M个第一领导解为目标方向,对N个第一跟随解按照更新步长向目标方向进行调整更新,获得N个第二跟随解;
基于数字孪生,根据N个第二跟随解内的第二设计参数,构建孪生芯片并进行测试,计算获得N个第二设计适应度;
分别判断N个第二设计适应度是否大于对应的M个第一领导解的第一设计适应度,若是,则对第一领导解进行更新,若否,则不进行更新,获得M个更新集团簇;
按照更新步长,继续对M个更新集团簇进行更新;
继续迭代更新优化,直到达到预设更新次数,获得并计算M个最终集团簇内所有解的M个总设计适应度;
将最大的总设计适应度对应的最终集团簇内的最终领导解作为最优解,最优解内包括所述最优设计参数。
进一步的,所述验证模块500用于执行以下步骤:
调取执行所述处理任务多个同族芯片的多个同族设计参数;
计算所述最优设计参数和多个同族设计参数的相似度,并选最大的相似度对应的同族设计参数,作为匹配设计参数和相近芯片;
采用所述测试数据集对所述相近芯片进行测试,并基于所述设计函数计算获得测试适应度;
计算所述测试适应度和所述最优设计参数的最优适应度的相似度,判断是否满足相似度阈值,获得验证结果。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种基于数字孪生技术的芯片生产仿真方法,其特征在于,所述方法包括:
采集待进行设计生产的目标芯片的处理任务,并调取所述处理任务的测试数据集;
根据所述处理任务,构建同样进行所述处理任务的芯片的设计参数域,并构建对目标芯片进行设计生产的设计函数;
在所述设计参数域内,进行设计参数的寻优优化,并基于数字孪生构建孪生芯片,采用所述测试数据集对孪生芯片进行测试,结合所述设计函数,计算获取设计适应度;
进行迭代寻优,获取最优设计参数,其中,通过领导寻优规则,寻优获得最优设计参数;
根据所述最优设计参数,构建最优孪生芯片,计算现有的同族芯片与最优孪生芯片的相似度,并采用匹配获得的相近芯片进行验证,获得验证结果;
在验证结果为合格时,采用最优设计参数进行目标芯片的设计和生产;
所述方法包括:
根据所述处理任务,在芯片设计生产的历史记录数据中进行查询,获得同样进行所述处理任务的芯片的多个样本设计参数;
根据多个样本设计参数,构建所述设计参数域;
构建对目标芯片进行设计生产的设计函数:
;
其中,des为设计适应度,、、为权重,m为按照设计参数进行目标芯片生产的成本,k为按照设计参数进行目标芯片生产的良品率,T为测试数据集内测试数据的组数,为按照设计参数生产目标芯片后对第i组测试数据的处理时间。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:
获取目标芯片的处理任务,其中,所述处理任务包括不同的图像处理任务;
根据所述处理任务,调取获得执行所述处理任务的样本处理数据,作为所述测试数据集。
3.根据权利要求1所述的方法,其特征在于,所述方法包括:
在所述设计参数域内,随机生成多个第一设计参数;
获取多个样本芯片的多个样本芯片设计参数,并根据所述测试数据集,获取多个样本测试结果集,每个样本测试结果内包括处理时间;
采用多个样本芯片设计参数和多个样本测试结果集,训练多个样本孪生芯片,构建芯片孪生模拟器;
基于数字孪生,采用所述多个第一设计参数,通过芯片孪生模拟器,在服务器内构建多个孪生芯片;
基于多个孪生芯片,结合所述设计函数,计算获得多个第一设计适应度。
4.根据权利要求3所述的方法,其特征在于,所述方法包括:
选取多个第一设计适应度内最大的M个第一设计适应度对应的M个第一设计参数,作为M个第一领导解,其他的若干个第一设计参数作为N个第一跟随解,M和N为大于1的整数;
根据M个第一设计适应度的大小,结合N的大小,分配获取M个跟随数量,其中,跟随数量的大小与第一设计适应度的大小正相关;
以M个第一领导解为中心,对N个第一跟随解进行聚类,获得M个集团簇;
在M个集团簇内,对每个集团簇内的解进行迭代更新优化,直到达到预设优化条件,获得最优设计参数。
5.根据权利要求4所述的方法,其特征在于,所述方法包括:
分别在M个集团簇内,分别以靠近M个第一领导解为目标方向,对N个第一跟随解按照更新步长向目标方向进行调整更新,获得N个第二跟随解;
基于数字孪生,根据N个第二跟随解内的第二设计参数,构建孪生芯片并进行测试,计算获得N个第二设计适应度;
分别判断N个第二设计适应度是否大于对应的M个第一领导解的第一设计适应度,若是,则对第一领导解进行更新,若否,则不进行更新,获得M个更新集团簇;
按照更新步长,继续对M个更新集团簇进行更新;
继续迭代更新优化,直到达到预设更新次数,获得并计算M个最终集团簇内所有解的M个总设计适应度;
将最大的总设计适应度对应的最终集团簇内的最终领导解作为最优解,最优解内包括所述最优设计参数。
6.根据权利要求1所述的方法,其特征在于,所述方法包括:
调取执行所述处理任务多个同族芯片的多个同族设计参数;
计算所述最优设计参数和多个同族设计参数的相似度,并选最大的相似度对应的同族设计参数,作为匹配设计参数和相近芯片;
采用所述测试数据集对所述相近芯片进行测试,并基于所述设计函数计算获得测试适应度;
计算所述测试适应度和所述最优设计参数的最优适应度的相似度,判断是否满足相似度阈值,获得验证结果。
7.一种基于数字孪生技术的芯片生产仿真系统,其特征在于,用于实施权利要求1-6任意一项所述的一种基于数字孪生技术的芯片生产仿真方法,包括:
处理任务采集模块,用于采集待进行设计生产的目标芯片的处理任务,并调取所述处理任务的测试数据集;
设计函数构建模块,用于根据所述处理任务,构建同样进行所述处理任务的芯片的设计参数域,并构建对目标芯片进行设计生产的设计函数;
寻优优化模块,用于在所述设计参数域内,进行设计参数的寻优优化,并基于数字孪生构建孪生芯片,采用所述测试数据集对孪生芯片进行测试,结合所述设计函数,计算获取设计适应度;
迭代寻优模块,用于进行迭代寻优,获取最优设计参数,其中,通过领导寻优规则,寻优获得最优设计参数;
验证模块,用于根据所述最优设计参数,构建最优孪生芯片,计算现有的同族芯片与最优孪生芯片的相似度,并采用匹配获得的相近芯片进行验证,获得验证结果;
设计和生产模块,用于在验证结果为合格时,采用最优设计参数进行目标芯片的设计和生产。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311521087.2A CN117236278B (zh) | 2023-11-15 | 2023-11-15 | 一种基于数字孪生技术的芯片生产仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311521087.2A CN117236278B (zh) | 2023-11-15 | 2023-11-15 | 一种基于数字孪生技术的芯片生产仿真方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236278A CN117236278A (zh) | 2023-12-15 |
CN117236278B true CN117236278B (zh) | 2024-02-20 |
Family
ID=89093408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311521087.2A Active CN117236278B (zh) | 2023-11-15 | 2023-11-15 | 一种基于数字孪生技术的芯片生产仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236278B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634101B (zh) * | 2024-01-26 | 2024-06-25 | 杭州广立微电子股份有限公司 | 芯片表面形态确定方法、装置、计算机设备和存储介质 |
CN117689084B (zh) * | 2024-01-31 | 2024-05-24 | 深蓝(天津)智能制造有限责任公司 | 一种电控趾端滑套的制造工艺优化方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7448012B1 (en) * | 2004-04-21 | 2008-11-04 | Qi-De Qian | Methods and system for improving integrated circuit layout |
CN108038263A (zh) * | 2017-11-15 | 2018-05-15 | 南京邮电大学 | 考虑性能相关结构不确定的芯片多元参数成品率预测方法 |
-
2023
- 2023-11-15 CN CN202311521087.2A patent/CN117236278B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7448012B1 (en) * | 2004-04-21 | 2008-11-04 | Qi-De Qian | Methods and system for improving integrated circuit layout |
CN108038263A (zh) * | 2017-11-15 | 2018-05-15 | 南京邮电大学 | 考虑性能相关结构不确定的芯片多元参数成品率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117236278A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117236278B (zh) | 一种基于数字孪生技术的芯片生产仿真方法及系统 | |
US20210004519A1 (en) | Static voltage drop (sir) violation prediction systems and methods | |
WO2023226423A1 (zh) | 一种芯片辅助设计方法、装置、设备及非易失性存储介质 | |
CN110674636B (zh) | 一种用电行为分析方法 | |
CN111027629A (zh) | 基于改进随机森林的配电网故障停电率预测方法及系统 | |
CN107360026B (zh) | 分布式消息中间件性能预测与建模方法 | |
CN114328048A (zh) | 一种磁盘故障预测方法及装置 | |
CN114153839A (zh) | 多源异构数据的集成方法、装置、设备及存储介质 | |
US10803218B1 (en) | Processor-implemented systems using neural networks for simulating high quantile behaviors in physical systems | |
CN111582315A (zh) | 样本数据处理方法、装置及电子设备 | |
CN116306769A (zh) | 一种含对抗生成网络的贝叶斯优化方法及系统 | |
CN116245259B (zh) | 基于深度特征选择的光伏发电预测方法、装置和电子设备 | |
CN113435101A (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
CN116756662A (zh) | 基于哈里斯鹰算法优化随机森林的良率预测方法及系统 | |
CN111582313A (zh) | 样本数据生成方法、装置及电子设备 | |
Martin et al. | An adaptive sequential decision making flow for FPGAs using machine learning | |
KR20230127861A (ko) | 신용평가 모델 업데이트 또는 교체 방법 및 장치 | |
CN114925605A (zh) | 一种用于集成电路设计中选取训练数据的方法 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
Li et al. | Parameters optimization of back propagation neural network based on memetic algorithm coupled with genetic algorithm | |
CN117539520B (zh) | 固件自适应升级方法、系统以及设备 | |
CN118017503B (zh) | 一种用户用电负荷数据预测方法、系统、终端及存储介质 | |
US11928562B2 (en) | Framework for providing improved predictive model | |
CN117952022B (zh) | 良率多维度互动系统、方法、计算机设备和存储介质 | |
US20230281275A1 (en) | Identification method and information processing device |
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 |