CN117422005B - 一种模拟电路仿真误差自动控制的方法及应用 - Google Patents

一种模拟电路仿真误差自动控制的方法及应用 Download PDF

Info

Publication number
CN117422005B
CN117422005B CN202311751942.9A CN202311751942A CN117422005B CN 117422005 B CN117422005 B CN 117422005B CN 202311751942 A CN202311751942 A CN 202311751942A CN 117422005 B CN117422005 B CN 117422005B
Authority
CN
China
Prior art keywords
simulation
errors
analog circuit
automatically controlling
circuit
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
Application number
CN202311751942.9A
Other languages
English (en)
Other versions
CN117422005A (zh
Inventor
方刚
董威
刘焕宇
赵镇鑫
朱豪杰
王子晴
王伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayes Electronic Technology Shaoxing Co ltd
Xinge Shanghai Microelectronics Co ltd
Hangzhou Siwei Mapping Software Co ltd
Original Assignee
Bayes Electronic Technology Shaoxing Co ltd
Xinge Shanghai Microelectronics Co ltd
Hangzhou Siwei Mapping Software Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bayes Electronic Technology Shaoxing Co ltd, Xinge Shanghai Microelectronics Co ltd, Hangzhou Siwei Mapping Software Co ltd filed Critical Bayes Electronic Technology Shaoxing Co ltd
Priority to CN202311751942.9A priority Critical patent/CN117422005B/zh
Publication of CN117422005A publication Critical patent/CN117422005A/zh
Application granted granted Critical
Publication of CN117422005B publication Critical patent/CN117422005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/048Activation functions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/08Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及电子器件仿真技术领域,具体为一种模拟电路仿真误差自动控制的方法及应用,本方法首先确定测量目标,之后通过对测量目标进行仿真从而获取仿真标准,然后基于电路网表的不同参数进行仿真,获取仿真过程测量目标的电性参数和/或电路性能评价指标,结合仿真选项组合参数、对应仿真标准的误差形成仿真采样数据集,最后基于人工智能算法,对所述仿真采样数据集进行优化分析,以获取满足仿真误差需求对应耗时最少的仿真选项组合。本方案实现了仿真选项组合的自动选择,在提高了仿真结果的准确性的同时,还在一定程度上大大减少了设计师在仿真新一类电路时,需要在反复调整通用仿真器的误差控制选项组合上投入的大量时间和成本。

Description

一种模拟电路仿真误差自动控制的方法及应用
技术领域
本发明涉及电子器件仿真技术领域,具体为一种模拟电路仿真误差自动控制的方法及应用。
背景技术
在电子工程领域,模拟电路设计师的工作是设计和优化各种模拟电路,如放大器、滤波器、振荡器等。为了确保设计的电路能够满足性能要求和可靠性标准,设计师需要对其进行仿真分析。
仿真是一种计算机辅助设计方法,通过在计算机上模拟电路的行为,可以预测其性能和稳定性,帮助设计师在实际应用之前发现潜在的问题,从而节省时间和成本。当下的模拟电路设计师在开始仿真新一类电路时,为了以达到满意的准确度和较快的仿真速度,需要反复调整通用仿真器的误差控制选项组合,从仿真效率与仿真质量角度来看,有着较大的优化空间。
发明内容
本发明的目的,在于提出一种在模拟电路仿真过程中能够自动调整误差控制选项并获得最优组合的方法。
本发明提供的基础方案:一种模拟电路仿真误差自动控制的方法,包括步骤:
S1:确定仿真测量目标与仿真标准:由用户确定需要在仿真过程中测量的电性参数与电路性能评价指标,逐步收紧控制仿真误差的仿真选项,直到测量目标变化的影响满足需求,以此作为测量目标的仿真标准;
S2:建立参数变化规则:根据待仿真电路的电路网表的仿真选项,建立仿真选项的参数变化规则;
S3:仿真采样:基于电路网表中仿真选项的不同参数进行仿真,获取仿真过程测量目标的电性参数和/或电路性能评价指标,结合仿真选项组合参数、对应仿真标准的误差形成仿真采样数据集;
S4:数据分析:基于人工智能算法,对所述仿真采样数据集进行优化分析,以获取满足仿真误差需求对应耗时最少的仿真选项组合。
进一步,步骤S2中,基于控制仿真误差的仿真选项,批量建立待仿真电路网表,以利于仿真并获取对应的仿真数据。
进一步,基于LHS方法进行电路网表参数的抽样。
进一步,所述参数变化规则包含参数的变化步长、变化范围调整的规则。
进一步,在步骤S2中,建立批量并行仿真任务,通过并行仿真获取对应的仿真数据。
进一步,利用OCEAN脚本来定义和管理任务之间的依赖关系和执行顺序。
进一步,所述并行仿真任务基于IBM的 LSF系统进行批量任务并行处理。
进一步,在并行任务发送到LSF系统之前,先行将并行任务拆分成若干彼此独立的子任务,然后发送给LSF系统,以各子任务在LSF系统中的任务id,利于并行运行。
进一步,在步骤S4中,通过预先设置或用户选择以明确误差范围。
进一步,在步骤S4中,所述人工智能算法包含决策树、随机森林、逻辑回归、神经网络、朴素贝叶斯算法的其中一种或几种的组合。
进一步,采用神经网络算法进行数据优化分析时,应用relu函数作为激活函数。
进一步,采用神经网络算法进行数据优化分析时,应用均方误差计算公式和/或交叉熵作为损失函数,其中均方误差计算公式为:
式中,n表示样本数量,yi表示实际值,ŷi表示预测值。
进一步,采用神经网络算法进行数据优化分析时,应用超频带贝叶斯优化算法以加快模型的搜索效率。
进一步,采用神经网络算法进行数据优化分析时,应用进化算法的评估函数作为优化目标。
进一步,应用于通用电路仿真器或ADE验证平台。
进一步,所述S1中的仿真选项包括相对误差容差、电压噪声容忍度、电流误差容忍度、控制时域积分的误差容忍度和最大步长。
进一步,所述S3中,采用误差控制选项反正组合进行自动仿真。
一种模拟电路仿真误差自动控制的方法的应用,包括步骤:
根据具体电路类型,按照上述的方法,获取对应测量目标的仿真标准与仿真选项组合;
将所述仿真选项组合封装为可调用模块,以实现对应具体电路的仿真应用。
本发明的原理及优点在于:
1、本发明首先确定测量目标,之后通过对测量目标进行仿真从而获取仿真标准,然后基于电路网表的不同参数进行仿真,获取仿真过程测量目标的电性参数和/或电路性能评价指标,结合仿真选项组合参数、对应仿真标准的误差形成仿真采样数据集,最后基于人工智能算法,对所述仿真采样数据集进行优化分析,以获取满足仿真误差需求对应耗时最少的仿真选项组合。本方案实现了仿真选项组合的自动选择,减少了人工干预,提高了效率。此外,通过人工智能算法进行预测,还在提高了仿真结果的准确性的同时,在一定程度上大大减少了设计师在仿真新一类电路时,需要在反复调整通用仿真器的误差控制选项组合上投入的大量时间和成本。
附图说明
图1为本发明一种模拟电路仿真误差自动控制的方法实施例一的步骤流程图。
具体实施方式
下面通过具体实施方式进一步详细说明:
具体实施过程如下:
实施例一
实施例一基本如附图1所示,一种模拟电路仿真误差自动控制的方法,包括步骤:
S1:确定仿真测量目标与仿真标准:由用户确定需要在仿真过程中测量的电性参数与电路性能评价指标,逐步收紧控制仿真误差的仿真选项,直到测量目标变化的影响满足需求,以此作为测量目标的仿真标准。
S2:建立参数变化规则:根据待仿真电路的电路网表的仿真选项,建立仿真选项的参数变化规则。
S3:仿真采样:基于电路网表中仿真选项的不同参数进行仿真,获取仿真过程测量目标的电性参数和/或电路性能评价指标,结合仿真选项组合参数、对应仿真标准的误差形成仿真采样数据集。
S4:数据分析:基于人工智能算法,对所述仿真采样数据集进行优化分析,以获取满足仿真误差需求对应耗时最少的仿真选项组合。
本方案应用于通用电路仿真器,在其它实施例中也可应用于ADE验证平台,本方案首先确定测量目标,之后通过对测量目标进行仿真从而获取仿真标准,然后基于电路网表的不同参数进行仿真,获取仿真过程测量目标的电性参数和/或电路性能评价指标,结合仿真选项组合参数、对应仿真标准的误差形成仿真采样数据集,最后基于人工智能算法,对所述仿真采样数据集进行优化分析,以获取满足仿真误差需求对应耗时最少的仿真选项组合。本方案实现了仿真选项组合的自动选择,提高仿真结果的准确性;在一定程度上大大减少了设计师在仿真新一类电路时,需要在反复调整通用仿真器的误差控制选项组合上投入的大量时间和成本。
具体的,S1中,首先要由用户确定需要在仿真过程中测量的电性参数与电路性能评价指标。其中,电路性能评价指标包括offset voltage(失调电压)、THD(总谐波失真)等,本实施例中的电路性能评价指标为THD。
之后通过逐步收紧控制仿真误差的仿真选项,直到测量目标变化的影响满足需求,以此作为测量目标的仿真标准。其中,如表1-1所示,仿真选项包括相对误差容差、电压噪声容忍度、电流误差容忍度、控制时域积分的误差容忍度和最大步长。本实施例中,通过调整最大步长,逐步收紧至stop/50,此时测量目标的变化已可忽略不计,故以此作为测量目标的仿真标准。
表1-1 仿真器参数表
在S2中,获取到测量目标的仿真标准后,即可根据待仿真电路的电路网表参数,建立参数变化规则,以便后续过程中生成网表。具体的,参数变化规则包含参数的变化步长、变化范围调整的规则。
S3中,本方案基于电路网表的不同参数进行仿真,获取仿真过程测量目标的电性参数和/或电路性能评价指标,结合仿真选项组合参数、对应仿真标准的误差形成仿真采样数据集。
本实施例采用误差控制选项反正组合进行仿真,记录获得的电路性能评价指标与仿真标准之间的误差以及相对应的仿真耗时,建立一个从仿真选项组合到电路性能评价指标与仿真标准之间误差的训练数据集。具体的,本实施例根据仿真标准,基于LHS方法对电路进行大规模随机抽样,取得样本数据。之后建立批量并行仿真任务,利用OCEAN脚本来定义和管理任务之间的依赖关系和执行顺序,通过仿真获取对应的仿真数据。
本实施例中,并行仿真任务是基于IBM的LSF系统进行批量人物并行处理。特别的,在并行任务发送到LSF系统之前,先行将并行任务拆分成若干彼此独立的子任务,然后发送给LSF系统,以各子任务在LSF系统中的任务id,利于并行运行。
实际运行过程中,本方案在训练数据的采集过程中需要大量的并行计算,需要利用现有的IBM LSF系统处理并行任务。即需要将一个包含若干个彼此独立的并行任务(task)作为一个job提交到LSF系统中。但在实际运行过程中,发现其中某一个或者若干个子任务执行时间过长或者耗费CPU或者内存过大或者任务程序本身崩溃,需要对其停止或者重新运行。
而在现有LSF的系统中,并行任务(Job)中的子任务(task)在LSF中没有和Job一样的唯一的Id,因此无法获取某一具体的子任务(task)的状态,从而无法针对某一个子任务进行停止(Kill)和重新运行(Rerun)等操作,所以只能对整个job进行kill/rerun操作,给工作带来极大的不便和时间和空间的浪费。
因此本方案将一个大的并行任务(job)在发送到LSF系统之前先拆分成一个个彼此独立的子任务(task),然后发送给LSF,获取该task在LSF中生成的id作为该task的taskid,从而能实现对该并行job进行管理,也能方便地对该job某一个或者一批task进行 kill或者run等操作,从而大大地节约了运行时间成本。
S4中,首先会通过预先设置或用户选择以明确误差范围,之后基于人工智能算法,对所述仿真采样数据集进行优化分析,以获取满足仿真误差需求对应耗时最少的仿真选项组合。
本实施例中的误差范围为±0.05%,人工智能算法采用神经网络算法,其它实施例中也可采用决策树、随机森林、逻辑回归、神经网络、朴素贝叶斯算法的其中一种或几种的组合。
当下神经网络算法常用的激活函数有sigmoid函数、tanh函数和relu函数。
sigmoid函数的优点是输出映射在(0,1)内,单调连续,非常适合作输出层,求导容易。缺点是因为软饱和性,一旦落入饱和区,就会变得接近于0,很容易产生梯度消失,使训练loss难以收敛。
tanh函数具有软饱和性,因为它的输出以0为中心,收敛速度比sigmoid要快,但无法解决梯度消失的问题。
而relu函数的优势则在于:1)没有饱和区,不存在梯度消失问题,防止梯度弥散;2)稀疏性;3)没有复杂的指数运算,计算简单、效率提高;4)实际收敛速度较快,比sigmoid/tanh 快很多;5)比 sigmoid 更符合生物学神经激活机制。
因此,本实施例中的人工神经网络选择relu函数作为激活函数,在其它实施例中也可采取其它激活函数。
relu函数的函数形式为:
而对于回归类问题,当下较为常用的损失函数包括均方误差(Mean squarederror,简称MSE)、平均绝对误差(Mean absolute error,简称mae)和Huber损失。
本实施例选择以MSE为损失函数,其均方误差计算公式为:
式中,表示样本数量,/>表示实际值,/>表示预测值。其优点是函数光滑,能够使用梯度下降法优化。当预测值距离真实值越远时,平方损失函数的惩罚力度越大,因此可以精准的学习样本较为稀疏的区间。
本实施例中,采用神经网络算法进行数据优化分析时,应用超频带贝叶斯优化算法以加快模型的搜索效率并应用进化算法的评估函数作为优化目标。
本方案对于超参数搜索问题,在此处形式化将其描述为如下公式:
式中,表示/>维决策向量,/>表示决策空间,/>表示目标函数。对应我们的场景,/>可以表示成人工神经网络模型的超参数,/>可表示为模型在测试集上对数据预测的误差大小。即如何寻找一组最优的超参数,使得最终训练出的人工神经网络模型在测试集上表现最佳。这就是一个典型的黑盒优化问题。
而贝叶斯优化是一种十分有效的全局黑盒优化算法,目标是找到公式(1)中的全局最优解。贝叶斯优化有效地解决了序贯决策理论中经典的机器智能(machine-intelligence)问题:根据对未知目标函数获取的信息,找到下一个评估位置,从而最快地达到最优解。例如:若已经评估得到3个不同输入/>,/>,/>的目标函数值/>,/>,/>,则如何选择下一个评估点呢?贝叶斯优化框架能够在少数评估下得到复杂目标函数的最优解,本质上,因为贝叶斯优化框架使用代理模型拟合真实目标函数,并根据拟合结果主动选择最有“潜力”的评估点进行评估,避免不必要的采样,因此,贝叶斯优化也称作主动优化(active optimization)。同时,贝叶斯优化框架能够有效地利用完整的历史信息来提高搜索效率。
贝叶斯优化之所以称作“贝叶斯”,是因为优化过程中利用了的“贝叶斯定理”:
式中,表示未知目标函数(或者表示参数模型中的参数);
表示已观测集合,/>表示决策向量,/>表示观测值,/>表示观测误差;/>表示/>的似然分布,由于观测值存在误差,所以也称为“噪声”;/>表示/>的先验概率分布,即对未知目标函数状态的假设;/>表示边际化/>的边际似然分布或者“证据”,由于该边际似然存在概率密度函数的乘积和积分,通常难以得到明确的解析式,该边际似然在贝叶斯优化中主要用于优化超参数(hyper-parameter);表示/>的后验概率分布,后验概率分布描述通过已观测数据集对先验进行修正后未知目标函数的置信度。
贝叶斯优化框架主要包含两个核心部分—概率代理模型(probabilisticsurrogate model)和采集函数(acquisition function)。
概率代理模型包含先验概率模型和观测模型:先验概率模型即;观测模型描述观测数据生成的机制,即似然分布/>。更新概率代理模型意味着根据公式(2)得到包含更多数据信息的后验概率分布/>。一般选择高斯过程模型作为代理模型。
采集函数是根据后验概率分布构造的,通过最大化采集函数来选择下一个最有“潜力”的评估点。同时,有效的采集函数能够保证选择的评估点序列使得总损失(loss)最小。损失有时表示为regret:
或累计regret:
其中,表示当前最优解。一般选择期望提升(Expectation Improvement)算法作为采集函数。
贝叶斯优化框架是一个迭代过程,主要包含3个步骤:第1步,根据最大化采集函数来选择下一个最有“潜力”的评估点;第2步,根据选择的评估点/>评估目标函数值;第3步,把新得到的输入-观测值对/>添加到历史观测集/>中,并更新概率代理模型,为下一次迭代作准备。表1-2为贝叶斯优化框架伪代码。
表1-2 贝叶斯优化框架伪代码
此外,为了防止并行任务分发和管理软件(基于LSP的多任务并行云计算工具)由于崩溃或者不小心关闭导致数据的丢失,本方案在提交任务和任务状态发生改变时将数据以json格式存在本地,在程序启动时读取该文件并将数据加载到内存中。
用户在客户端界面上,输入job name、job对应的目录路径、子任务的目录前缀、task个数、task执行前的命令、task执行的命令以及job的生命周期,然后提交,在程序中会给该job在本地生成一个唯一的job id,前且在另一个线程中,将job的子任务tasks分批次调用bsub提交至LSF系统,并保存LSF为该子任务生成的id。从而获得该job及其子任务的列表和状态。
用户还能够根据job id或者task id,从本地内存查询出该job或task的状态等相关信息。另外,另一个单独线程负责调用bjobs从LSF中获取task的状态,并根据task的状态来更新对应job的状态。又或者根据job id或者task id,在本地内存查询出该job或task的状态等相关信息,如果该job已完成或者失败(状态为EXIT),将不能停止,否则另一线程将该job下属已提交至LSF系统但未完成的task调用bkill命令停止该task在LSF中运行,如果该job所属task或者要停止的task未提交到LSF中,将直接将其状态置为killed。
用户还可以根据job id或者task id,在本地内存查询出该job或task的状态等相关信息,如果该job已完成或者是已提交到LSF但未完成(状态为PEND或者是RUN),将不能重新运行,否则另一线程将该job所属未成功(状态为DONE)的task调用bsub命令提交至LSF系统,并保存LSF为其生成的id。
用户在job提交时需要设置该job的生命,意味着该job在提交后开始计时,如果在设置的时间的窗口期内未完成所有的task,即该job的task不是DONE或者EXIT状态,程序会自动将该任务stop,调用bkill将该job下已提交至LSF系统但未完成(状态为PEND或RUN)的task停止,并将该任务的状态记为KILLED。
此外,软件使用qt creator 5.12.12进行开发,充分利用qt的信号和槽机制,实现在job和task的状态变化时发射相应的信号,方便其它模块在收到信号后进行相关的处理,比如收集数据之类的。程序支持多线程日志,从程序启动到退出,一直有详细的日志输出,方便后续debug和出现问题时回溯。
实施例二
实施例二与实施例一的区别仅在于,实施例二为一种模拟电路仿真误差自动控制的方法的应用,其包括步骤:
根据具体电路类型,按照实施例一中的一种模拟电路仿真误差自动控制的方法,获取对应测量目标的仿真标准与仿真选项组合。
将所述仿真选项组合封装为可调用模块,以实现对应具体电路的仿真应用。
在实际应用中,本实施例将上述种模拟电路仿真误差自动控制的方法中的仿真选项组合封装为可调用模块,用户仅需根据待分析的电路的电路类型,即可从改可调用模块中获取到同类型电路的仿真采样数据集的优化分析结果,也即获取到满足仿真误差需求对应耗时最少的仿真选项组合,以实现对应具体电路的仿真应用。
以上的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (17)

1.一种模拟电路仿真误差自动控制的方法,其特征在于,包括步骤:
S1:确定仿真测量目标与仿真标准:由用户确定待仿真电路需要在仿真过程中测量的电性参数与电路性能评价指标,逐步收紧控制仿真误差的仿真选项,直到测量目标变化的影响满足需求,以此作为测量目标的仿真标准;
S2:建立参数变化规则:根据待仿真电路的电路网表的仿真选项,建立仿真选项的参数变化规则,所述参数变化规则包含参数的变化步长、变化范围调整的规则;
S3:仿真采样:基于电路网表中仿真选项的不同参数进行仿真,获取仿真过程测量目标的电性参数和/或电路性能评价指标,结合仿真选项组合参数、对应仿真标准的误差形成仿真采样数据集;
S4:数据分析:基于人工智能算法,对所述仿真采样数据集进行优化分析,以获取满足仿真误差需求对应耗时最少的仿真选项组合。
2.根据权利要求1所述的一种模拟电路仿真误差自动控制的方法,其特征在于:步骤S2中,基于控制仿真误差的仿真选项,批量建立待仿真电路网表,以利于仿真并获取对应的仿真数据。
3.根据权利要求2所述的一种模拟电路仿真误差自动控制的方法,其特征在于:基于LHS方法进行电路网表参数的抽样。
4.根据权利要求1或2所述的一种模拟电路仿真误差自动控制的方法,其特征在于:在步骤S2中,建立批量并行仿真任务,通过并行仿真获取对应的仿真数据。
5.根据权利要求4所述的一种模拟电路仿真误差自动控制的方法,其特征在于:利用OCEAN脚本来定义和管理任务之间的依赖关系和执行顺序。
6. 根据权利要求4所述的一种模拟电路仿真误差自动控制的方法,其特征在于:所述并行仿真任务基于IBM的 LSF系统进行批量任务并行处理。
7.根据权利要求4所述的一种模拟电路仿真误差自动控制的方法,其特征在于:在并行任务发送到LSF系统之前,先行将并行任务拆分成若干彼此独立的子任务,然后发送给LSF系统,以各子任务在LSF系统中的任务id,利于并行运行。
8.根据权利要求1所述的一种模拟电路仿真误差自动控制的方法,其特征在于:在步骤S4中,通过预先设置或用户选择以明确误差范围。
9.根据权利要求1所述的一种模拟电路仿真误差自动控制的方法,其特征在于:在步骤S4中,所述人工智能算法包含决策树、随机森林、逻辑回归、神经网络、朴素贝叶斯算法的其中一种或几种的组合。
10.根据权利要求9所述的一种模拟电路仿真误差自动控制的方法,其特征在于,采用神经网络算法进行数据优化分析时,应用relu函数作为激活函数。
11.根据权利要求9或10所述的一种模拟电路仿真误差自动控制的方法,其特征在于:采用神经网络算法进行数据优化分析时,应用均方误差计算公式和/或交叉熵作为损失函数,其中均方误差计算公式为:
式中,表示样本数量,/>表示实际值,/>表示预测值。
12.根据权利要求9所述的一种模拟电路仿真误差自动控制的方法,其特征在于:采用神经网络算法进行数据优化分析时,应用超频带贝叶斯优化算法以加快模型的搜索效率。
13.根据权利要求9所述的一种模拟电路仿真误差自动控制的方法,其特征在于:采用神经网络算法进行数据优化分析时,应用进化算法的评估函数作为优化目标。
14.根据权利要求1所述的一种模拟电路仿真误差自动控制的方法,其特征在于:应用于通用电路仿真器或ADE验证平台。
15.根据权利要求1所述的一种模拟电路仿真误差自动控制的方法,其特征在于:所述S1中的仿真选项包括相对误差容差、电压噪声容忍度、电流误差容忍度、控制时域积分的误差容忍度和最大步长。
16.根据权利要求1所述的一种模拟电路仿真误差自动控制的方法,其特征在于:所述S3中,采用误差控制选项反正组合进行自动仿真。
17.一种模拟电路仿真误差自动控制的方法的应用,其特征在于,包括步骤:
根据具体电路类型,按照权利要求1-16中任一项所述方法,获取对应测量目标的仿真标准与仿真选项组合;
将所述仿真选项组合封装为可调用模块,以实现对应具体电路的仿真应用。
CN202311751942.9A 2023-12-19 2023-12-19 一种模拟电路仿真误差自动控制的方法及应用 Active CN117422005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311751942.9A CN117422005B (zh) 2023-12-19 2023-12-19 一种模拟电路仿真误差自动控制的方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311751942.9A CN117422005B (zh) 2023-12-19 2023-12-19 一种模拟电路仿真误差自动控制的方法及应用

Publications (2)

Publication Number Publication Date
CN117422005A CN117422005A (zh) 2024-01-19
CN117422005B true CN117422005B (zh) 2024-03-29

Family

ID=89531140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311751942.9A Active CN117422005B (zh) 2023-12-19 2023-12-19 一种模拟电路仿真误差自动控制的方法及应用

Country Status (1)

Country Link
CN (1) CN117422005B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5790436A (en) * 1995-04-28 1998-08-04 Bta Technology, Inc. Realistic worst-case circuit simulation system and method
CN101154242A (zh) * 2006-09-30 2008-04-02 中芯国际集成电路制造(上海)有限公司 基于集成电路制程性能变化建立模型的方法
CN103761138A (zh) * 2014-01-16 2014-04-30 昆明理工大学 一种交通仿真软件的参数校正方法
CN110119570A (zh) * 2019-05-10 2019-08-13 东北电力大学 一种实测数据驱动的风电场模型参数校核方法
CN110135090A (zh) * 2019-05-21 2019-08-16 北京航空航天大学 一种基于响应面法的电路系统容差建模与分析方法
CN110245436A (zh) * 2019-06-19 2019-09-17 山东大学 一种基于遗传算法和机器学习的并行模拟电路优化方法
CN110688810A (zh) * 2019-09-16 2020-01-14 常州工学院 利用神经网络为射频ldmos热效应建模的方法
CN112417803A (zh) * 2020-12-02 2021-02-26 苏州复鹄电子科技有限公司 一种基于人工智能算法的模拟集成电路设计参数自动优化方案
CN115713057A (zh) * 2022-10-27 2023-02-24 复旦大学 基于深度神经网络的模拟集成电路设计参数自动优化方法
CN116227410A (zh) * 2023-02-27 2023-06-06 长鑫存储技术有限公司 电路仿真方法及设备
CN117150821A (zh) * 2023-10-30 2023-12-01 中国科学院长春光学精密机械与物理研究所 基于智能化仿真的装备效能评估数据集的构建方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5790436A (en) * 1995-04-28 1998-08-04 Bta Technology, Inc. Realistic worst-case circuit simulation system and method
CN101154242A (zh) * 2006-09-30 2008-04-02 中芯国际集成电路制造(上海)有限公司 基于集成电路制程性能变化建立模型的方法
CN103761138A (zh) * 2014-01-16 2014-04-30 昆明理工大学 一种交通仿真软件的参数校正方法
CN110119570A (zh) * 2019-05-10 2019-08-13 东北电力大学 一种实测数据驱动的风电场模型参数校核方法
CN110135090A (zh) * 2019-05-21 2019-08-16 北京航空航天大学 一种基于响应面法的电路系统容差建模与分析方法
CN110245436A (zh) * 2019-06-19 2019-09-17 山东大学 一种基于遗传算法和机器学习的并行模拟电路优化方法
CN110688810A (zh) * 2019-09-16 2020-01-14 常州工学院 利用神经网络为射频ldmos热效应建模的方法
CN112417803A (zh) * 2020-12-02 2021-02-26 苏州复鹄电子科技有限公司 一种基于人工智能算法的模拟集成电路设计参数自动优化方案
CN115713057A (zh) * 2022-10-27 2023-02-24 复旦大学 基于深度神经网络的模拟集成电路设计参数自动优化方法
CN116227410A (zh) * 2023-02-27 2023-06-06 长鑫存储技术有限公司 电路仿真方法及设备
CN117150821A (zh) * 2023-10-30 2023-12-01 中国科学院长春光学精密机械与物理研究所 基于智能化仿真的装备效能评估数据集的构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Improved Current Control Strategy Based on Particle Swarm Optimization and Steady-State Error Correction for SAPF;Cao, Wu;Liu, Kangli;;IEEE Transactions on Industry Applications;20191231;第55卷(第4期);第4268-4274页 *
电力系统动态仿真误差评定准则研究;高松;贺仁睦;马进;张进;电力系统自动化;20060228(第04期);第10-14页 *

Also Published As

Publication number Publication date
CN117422005A (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
US11321320B2 (en) System and method for approximating query results using neural networks
WO2021175058A1 (zh) 一种神经网络架构搜索方法、装置、设备及介质
CN112270545A (zh) 基于迁移样本筛选的金融风险预测方法、装置和电子设备
US20220067008A1 (en) Method and apparatus for determining configuration knob of database
WO2023060737A1 (zh) 量子体系下的期望值估计方法、装置、设备及系统
Liu et al. Predicting of job failure in compute cloud based on online extreme learning machine: a comparative study
Zhang et al. Adaptive infinite impulse response system identification using an enhanced golden jackal optimization
US11063841B2 (en) Systems and methods for managing network performance based on defining rewards for a reinforcement learning model
CN113128671B (zh) 一种基于多模态机器学习的服务需求动态预测方法及系统
AU2021245165A1 (en) Method and device for processing quantum data
CN113746696A (zh) 网络流量预测方法、设备、存储介质及装置
CN116257363B (zh) 资源调度方法、装置、设备及存储介质
Abdulmajeed et al. Predict the required cost to develop Software Engineering projects by Using Machine Learning
WO2023146690A2 (en) Quantum computing monitoring system
CN117422005B (zh) 一种模拟电路仿真误差自动控制的方法及应用
Wang et al. A class of order-based genetic algorithm for flow shop scheduling
US20230004870A1 (en) Machine learning model determination system and machine learning model determination method
CN116360921A (zh) 一种面向电力物联网的云平台资源优化调度方法及系统
CN115879824A (zh) 基于集成学习的辅助专家决策方法、装置、设备和介质
CN114611990A (zh) 一种网络信息体系要素体系贡献率评估方法和装置
Morichetta et al. Demystifying deep learning in predictive monitoring for cloud-native SLOs
He et al. An improved method for nonlinear parameter estimation: a case study of the Rössler model
Chen et al. Confadvisor: an automatic configuration tuning framework for NoSQL database benchmarking with a black-box approach
CN109436980A (zh) 电梯部件的状态检测方法和系统
Kulkarni et al. Optimisation of deep neural network model using Reptile meta learning approach

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