CN117494627A - 一种数字电路的标准单元特征库构建方法与系统 - Google Patents
一种数字电路的标准单元特征库构建方法与系统 Download PDFInfo
- Publication number
- CN117494627A CN117494627A CN202311423840.4A CN202311423840A CN117494627A CN 117494627 A CN117494627 A CN 117494627A CN 202311423840 A CN202311423840 A CN 202311423840A CN 117494627 A CN117494627 A CN 117494627A
- Authority
- CN
- China
- Prior art keywords
- feature library
- simulation
- data
- neural network
- standard cell
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 34
- 238000004088 simulation Methods 0.000 claims abstract description 130
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 46
- 235000013599 spices Nutrition 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明公开了一种数字电路的标准单元特征库构建方法与系统,包括获取训练数据,其中,训练数据为提取仿真数据得到,仿真数据为Spice可运行仿真的脚本的运行结果,Spice可运行仿真的脚本为根据所有PVT组合参数作为输入条件编写的Spice可运行仿真脚本,所有PVT组合参数为确定的待创建的标准单元库的PVT参数组合;构建初始标准单元特征库神经网络模型,根据训练数据对初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库,减小了内存占用的同时提高了仿真精度,而且支持用户任意PVT值下的仿真。
Description
技术领域
本发明涉及数字电路的标准单元特征库构建相关技术领域,尤其是涉及一种数字电路的标准单元特征库构建方法与系统。
背景技术
标准单元特征库是一种电路信息库,用于描述数字电路的行为和性能。这个库通常用于芯片设计中,包括时序分析和功耗分析等。由于这些信息会随PVT工作条件(如工艺,温度,电压等)而变化,因此该库中的模型和参数是基于一定的工艺和温度条件下进行测量和测试的。
目前,针对大规模数字集成电路的可靠性仿真EDA工具的流程第一步就是需要一套标准单元特征库,比如redhawk,需要生成标准单元特征库,然后用户根据某一个实际需要的PVT仿真条件(比如:Process corner:tt;电压:1.1V;温度:25摄氏度;激励上升沿时间10ps等),通过查询标准单元特征库,并结合一些算法最终拟合出仿真结果。所以,在构建标准单元库的时候就需要输入各种PVT条件才能支持实际仿真需求。如果特征库包含越多的PVT下采集的数据,实际仿真过程输出的仿真结果就越精确,但是导致的问题就是特征库会非常庞大。比如在一种PVT条件下一个标准库的数据大小解压后可能达到几个G,一般一个工艺会有2000个左右的标准库。另外,因为PVT都是连续数值,用户可以指定一个任意的PVT值,而目前的标准单元特征库不能提前构建好所有PVT值下的标准库,从而使得用户每次仿真前要么需要花费很多时间重新构建指定PVT下标准单元特征库,要么需要牺牲仿真精度去使用已有的标准单元特征库。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此,本发明提出一种数字电路的标准单元特征库构建方法与系统,能够明显减小内存占用的同时提高仿真精度,而且支持用户任意PVT值下的仿真。
本发明的第一方面,提供了一种数字电路的标准单元特征库构建方法,包括如下步骤:
获取训练数据,其中,所述训练数据为提取仿真数据得到,所述仿真数据为Spice可运行仿真的脚本的运行结果,所述Spice可运行仿真的脚本为根据所有PVT组合参数作为输入条件编写的Spice可运行仿真脚本,所述所有PVT组合参数为确定的待创建的标准单元库的PVT参数组合;
构建初始标准单元特征库神经网络模型,根据所述训练数据对所述初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库。
根据本发明实施例的控制方法,至少具有如下有益效果:
本方法通过获取训练数据,其中,训练数据为提取仿真数据得到,仿真数据为Spice可运行仿真的脚本的运行结果,Spice可运行仿真的脚本为根据所有PVT组合参数作为输入条件编写的Spice可运行仿真脚本,所有PVT组合参数为确定的待创建的标准单元库的PVT参数组合;构建初始标准单元特征库神经网络模型,根据训练数据对初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库,减小了内存占用的同时提高了仿真精度,而且支持用户任意PVT值下的仿真。
根据本发明的一些实施例,所述数字电路的标准单元特征库构建方法还包括:
将所述基于神经网络的标准单元特征库加载到内存,得到加载到内存的基于神经网络的标准单元特征库;
获取用户指定的PVT组合参数;
将所述用户指定的PVT组合参数输入所述加载到内存的基于神经网络的标准单元特征库进行算法拟合,得到所述用户指定的PVT组合参数的仿真结果。
根据本发明的一些实施例,在所述获取训练数据之前,还包括:
设置待建立的标准单元特征库的特征数据范围,其中,所述特征数据范围包括工艺、供电电压、温度、负载电容、信号转换时间、信号极性和阈值电压类型;
根据所述特征数据范围确定所有PVT组合参数。
根据本发明的一些实施例,所述提取仿真数据,包括:
运行所述Spice可运行仿真的脚本,得到所述仿真结果,其中,所述仿真结果包括输出电压、输出电流和时间;
对所述仿真结果进行预处理,得到所述训练数据。
根据本发明的一些实施例,所述对所述仿真结果进行预处理,得到所述训练数据,包括:
将所述仿真结果进行数据清洗,得到清洗后仿真结果;
将所述清洗后仿真结果进行数据增强,得到数据增强后仿真结果;
将所述数据增强后仿真结果进行归一化,得到所述训练数据。
根据本发明的一些实施例,所述初始标准单元特征库神经网络模型包括骨干网络和Regression Head,所述根据所述训练数据对所述初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库,包括:
根据所述训练数据通过所述骨干网络进行特征向量提取,得到数据特征向量;
根据所述数据特征向量通过所述Regression Head进行回归处理,得到所述基于神经网络的标准单元特征库。
本发明的第二方面,提供一种数字电路的标准单元特征库构建系统,所述数字电路的标准单元特征库构建系统包括:
数据获取模块,用于获取训练数据,其中,所述训练数据为提取仿真数据得到,所述仿真数据为Spice可运行仿真的脚本的运行结果,所述Spice可运行仿真的脚本为根据所有PVT组合参数作为输入条件编写的Spice可运行仿真脚本,所述所有PVT组合参数为确定的待创建的标准单元库的PVT参数组合;
标准单元特征库构建模块,用于构建初始标准单元特征库神经网络模型,根据所述训练数据对所述初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库。
本系统通过获取训练数据,其中,训练数据为提取仿真数据得到,仿真数据为Spice可运行仿真的脚本的运行结果,Spice可运行仿真的脚本为根据所有PVT组合参数作为输入条件编写的Spice可运行仿真脚本,所有PVT组合参数为确定的待创建的标准单元库的PVT参数组合;构建初始标准单元特征库神经网络模型,根据训练数据对初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库,减小了内存占用的同时提高了仿真精度,而且支持用户任意PVT值下的仿真。
根据本发明的一些实施例,所述数字电路的标准单元特征库构建系统还包括:
数据加载模块,用于将所述基于神经网络的标准单元特征库加载到内存,得到加载到内存的基于神经网络的标准单元特征库;
参数获取模块,用于获取用户指定的PVT组合参数;
算法拟合模块,用于将所述用户指定的PVT组合参数输入所述加载到内存的基于神经网络的标准单元特征库进行算法拟合,得到所述用户指定的PVT组合参数的仿真结果。
本发明的第三方面,提供了一种数字电路的标准单元特征库构建电子设备,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行上述的数字电路的标准单元特征库构建方法。
本发明的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行上述的数字电路的标准单元特征库构建方法。
需要注意的是,本发明的第二方面至第四方面与现有技术之间的有益效果与上述的一种数字电路的标准单元特征库构建系统与现有技术之间的有益效果相同,此处不再细述。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一实施例的一种数字电路的标准单元特征库构建方法的流程图;
图2是本发明实施例提供的一种数字电路的标准单元特征库构建方法的训练标准单元库流程图;
图3是本发明实施例提供的一种数字电路的标准单元特征库构建方法的反相器Spice仿真电路图;
图4是本发明实施例提供的一种数字电路的标准单元特征库构建方法的数据压缩结果图;
图5是本发明实施例提供的一种数字电路的标准单元特征库构建方法的神经网络模型的网络架构图;
图6是本发明实施例提供的一种数字电路的标准单元特征库构建方法的预测结果对比图;
图7是本发明一实施例的一种数字电路的标准单元特征库构建系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,如果有描述到第一、第二等只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
标准单元特征库是一种电路信息库,用于描述数字电路的行为和性能。这个库通常用于芯片设计中,包括时序分析和功耗分析等。由于这些信息会随PVT工作条件(如工艺,温度,电压等)而变化,因此该库中的模型和参数是基于一定的工艺和温度条件下进行测量和测试的。
目前,针对大规模数字集成电路的可靠性仿真EDA工具的流程第一步就是需要一套标准单元特征库,比如redhawk,需要生成标准单元特征库,然后用户根据某一个实际需要的PVT仿真条件(比如:Process corner:tt;电压:1.1V;温度:25摄氏度;激励上升沿时间10ps等),通过查询标准单元特征库,并结合一些算法最终拟合出仿真结果。所以,在构建标准单元库的时候就需要输入各种PVT条件才能支持实际仿真需求。如果特征库包含越多的PVT下采集的数据,实际仿真过程输出的仿真结果就越精确,但是导致的问题就是特征库会非常庞大。比如在一种PVT条件下一个标准库的数据大小解压后可能达到几个G,一般一个工艺会有2000个左右的标准库。另外,因为PVT都是连续数值,用户可以指定一个任意的PVT值,而目前的标准单元特征库不能提前构建好所有PVT值下的标准库,从而使得用户每次仿真前要么需要花费很多时间重新构建指定PVT下标准单元特征库,要么需要牺牲仿真精度去使用已有的标准单元特征库。
为了解决上述技术缺陷,参照图1和图2,本发明提供了一种数字电路的标准单元特征库构建方法,包括:
步骤S101、获取训练数据,其中,训练数据为提取仿真数据得到,仿真数据为Spice可运行仿真的脚本的运行结果,Spice可运行仿真的脚本为根据所有PVT组合参数作为输入条件编写的Spice可运行仿真脚本,所有PVT组合参数为确定的待创建的标准单元库的PVT参数组合;
步骤S102、构建初始标准单元特征库神经网络模型,根据训练数据对初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库。
本方法通过获取训练数据,其中,训练数据为提取仿真数据得到,仿真数据为Spice可运行仿真的脚本的运行结果,Spice可运行仿真的脚本为根据所有PVT组合参数作为输入条件编写的Spice可运行仿真脚本,所有PVT组合参数为确定的待创建的标准单元库的PVT参数组合;构建初始标准单元特征库神经网络模型,根据训练数据对初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库,减小了内存占用的同时提高了仿真精度,而且支持用户任意PVT值下的仿真。
在一些实施例中,数字电路的标准单元特征库构建方法还包括:
将基于神经网络的标准单元特征库加载到内存,得到加载到内存的基于神经网络的标准单元特征库;
获取用户指定的PVT组合参数;
将用户指定的PVT组合参数输入加载到内存的基于神经网络的标准单元特征库进行算法拟合,得到用户指定的PVT组合参数的仿真结果。
在一些实施例中,在获取训练数据之前,还包括:
设置待建立的标准单元特征库的特征数据范围,其中,特征数据范围包括工艺、供电电压、温度、负载电容、信号转换时间、信号极性和阈值电压类型;
根据特征数据范围确定所有PVT组合参数。
在一些实施例中,提取仿真数据,包括:
运行Spice可运行仿真的脚本,得到仿真结果,其中,仿真结果包括输出电压、输出电流和时间;
对仿真结果进行预处理,得到训练数据。
具体的,参照图3,仿真电路可以为反相器。
在一些实施例中,对仿真结果进行预处理,得到训练数据,包括:
将仿真结果进行数据清洗,得到清洗后仿真结果;
将清洗后仿真结果进行数据增强,得到数据增强后仿真结果;
将数据增强后仿真结果进行归一化,得到训练数据。
具体的,参照图4,数据预处理详细步骤描述如下:
第一步,将数据生成板块第三步生成的仿真结果文件解析,获取各个波形仿真时间、电压和电流数据点,并将该波形仿真特征条件数据加入,即数据生成板块第一步所述的特征数据,包括负载电容、信号转换时间、信号极性等,
第二步,将波形数据中关键数据点提取,包括峰值电流及对应时间和电压、仿真起始时间及对应的电压电流、仿真结束时间及对应的电压电流、积分面积与原波形积分面积误差大于1%的电流及对应的时间和电压等,用于实现数据的压缩,减少训练时间。
第三步,重复第一步和第二步,直到将所有波形文件数据压缩。
第四步,对于数值型特征数据,如时间,电流和电压等,统计所有波形数据中数值型数据的最大值(max)与最小值(min),应用公式将所有波形数据的数据范围归一化到区间[-1,1]中,用于去除不同维度数据的量纲以及量纲单位。
对于字符型特征数据,如信号极性、工艺类型和阈值电压类型等,使用独热编码(One-hot)方法转化为数值型数据,例如信号极性有上升沿(RISE)和下降沿(FALL),将RISE用(1,0)表示,将FALL用(0,1)表示。
在一些实施例中,初始标准单元特征库神经网络模型包括骨干网络和RegressionHead,根据训练数据对初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库,包括:
根据训练数据通过骨干网络进行特征向量提取,得到数据特征向量;
根据数据特征向量通过Regression Head进行回归处理,得到基于神经网络的标准单元特征库。
具体的,参照图5,整个神经网络模型的网络架构主要由骨干网络和RegressionHead组成。
骨干网络的主要作用在于提取数据特征向量。将各波形数据按顺序输入到1维卷积层中,1D卷积核设置为2,卷积步长设置为1,激活函数采用Gelu激活函数,经过两层卷积后使用平均池化来减少特征图的维度,平均池化的pool size设置为2,再次经过两层1D卷积层及一层平均池化层后,经过Flatten层将特征图展开,
Regression Head的主要作用在于对骨干网络提取的特征向量图进行回归处理。Regression Head应用了两个全连接层,为了防止过拟合,在两个全连接之间增加了一个Dropout层,并设置为0.4。第一个全连接层采用的激活函数为Rule,最后一个全连接层采用默认的Linear激活函数,最后将预测波形结果输出。
参照图6,最终预测波形结果如图6所示,与Spice结果向比具有很好的拟合性。
本申请通过采用神经网络模型实时推理获取数据的方法,带来可以只需要构建一次标准单元特征库,就能支持用户任意PVT条件下仿真的优点。
本申请通过采用神经网络模型实时推理获取数据的方法,带来不存在特征库大小和仿真精度不可兼得的优点,而且只需要保存网络模型,不用保存数据,带来标准单元特征库占用内存和磁盘都很小的优点。
基于神经网络构建数字集成电路标准单元特征库;只需要创建一次标准单元特征库,就可以在几乎不损失精度的情况下,支持任意PVT条件下的仿真。
另外,参照图7,本发明的一个实施例,提供一种数字电路的标准单元特征库构建系统,包括数据获取模块1100以及标准单元特征库构建模块1200,其中:
数据获取模块1100用于获取训练数据,其中,训练数据为提取仿真数据得到,仿真数据为Spice可运行仿真的脚本的运行结果,Spice可运行仿真的脚本为根据所有PVT组合参数作为输入条件编写的Spice可运行仿真脚本,所有PVT组合参数为确定的待创建的标准单元库的PVT参数组合;
标准单元特征库构建模块1200用于构建初始标准单元特征库神经网络模型,根据训练数据对初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库。
本系统通过获取训练数据,其中,训练数据为提取仿真数据得到,仿真数据为Spice可运行仿真的脚本的运行结果,Spice可运行仿真的脚本为根据所有PVT组合参数作为输入条件编写的Spice可运行仿真脚本,所有PVT组合参数为确定的待创建的标准单元库的PVT参数组合;构建初始标准单元特征库神经网络模型,根据训练数据对初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库,减小了内存占用的同时提高了仿真精度,而且支持用户任意PVT值下的仿真。
在一些实施例,数字电路的标准单元特征库构建系统还包括:
数据加载模块,用于将基于神经网络的标准单元特征库加载到内存,得到加载到内存的基于神经网络的标准单元特征库;
参数获取模块,用于获取用户指定的PVT组合参数;
算法拟合模块,用于将用户指定的PVT组合参数输入加载到内存的基于神经网络的标准单元特征库进行算法拟合,得到用户指定的PVT组合参数的仿真结果。
需要注意的是,本系统实施例与上述的系统实施例是基于相同的发明构思,因此上述方法实施例的相关内容同样适用于本系统实施例,这里不再赘述。
本申请还提供一种数字电路的标准单元特征库构建电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现:如上述的数字电路的标准单元特征库构建方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的数字电路的标准单元特征库构建方法所需的非暂态软件程序以及指令存储在存储器中,当被处理器执行时,执行上述实施例中的数字电路的标准单元特征库构建方法,例如,执行以上描述的图1中的方法步骤S101至步骤S102。
本申请还提供一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行:如上述的数字电路的标准单元特征库构建方法。
该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个处理器或控制器执行,例如,被上述电子设备实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的数字电路的标准单元特征库构建方法,例如,执行以上描述的图1中的方法步骤S101至步骤S102。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序单元或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序单元或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明,但本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种数字电路的标准单元特征库构建方法,其特征在于,所述数字电路的标准单元特征库构建方法包括:
获取训练数据,其中,所述训练数据为提取仿真数据得到,所述仿真数据为Spice可运行仿真的脚本的运行结果,所述Spice可运行仿真的脚本为根据所有PVT组合参数作为输入条件编写的Spice可运行仿真脚本,所述所有PVT组合参数为确定的待创建的标准单元库的PVT参数组合;
构建初始标准单元特征库神经网络模型,根据所述训练数据对所述初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库。
2.根据权利要求1所述的一种数字电路的标准单元特征库构建方法,其特征在于,所述数字电路的标准单元特征库构建方法还包括:
将所述基于神经网络的标准单元特征库加载到内存,得到加载到内存的基于神经网络的标准单元特征库;
获取用户指定的PVT组合参数;
将所述用户指定的PVT组合参数输入所述加载到内存的基于神经网络的标准单元特征库进行算法拟合,得到所述用户指定的PVT组合参数的仿真结果。
3.根据权利要求2所述的一种数字电路的标准单元特征库构建方法,其特征在于,在所述获取训练数据之前,还包括:
设置待建立的标准单元特征库的特征数据范围,其中,所述特征数据范围包括工艺、供电电压、温度、负载电容、信号转换时间、信号极性和阈值电压类型;
根据所述特征数据范围确定所有PVT组合参数。
4.根据权利要求3所述的一种数字电路的标准单元特征库构建方法,其特征在于,所述提取仿真数据,包括:
运行所述Spice可运行仿真的脚本,得到所述仿真结果,其中,所述仿真结果包括输出电压、输出电流和时间;
对所述仿真结果进行预处理,得到所述训练数据。
5.根据权利要求4所述的一种数字电路的标准单元特征库构建方法,其特征在于,所述对所述仿真结果进行预处理,得到所述训练数据,包括:
将所述仿真结果进行数据清洗,得到清洗后仿真结果;
将所述清洗后仿真结果进行数据增强,得到数据增强后仿真结果;
将所述数据增强后仿真结果进行归一化,得到所述训练数据。
6.根据权利要求5所述的一种数字电路的标准单元特征库构建方法,其特征在于,所述初始标准单元特征库神经网络模型包括骨干网络和Regression Head,所述根据所述训练数据对所述初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库,包括:
根据所述训练数据通过所述骨干网络进行特征向量提取,得到数据特征向量;
根据所述数据特征向量通过所述Regression Head进行回归处理,得到所述基于神经网络的标准单元特征库。
7.一种数字电路的标准单元特征库构建系统,其特征在于,所述数字电路的标准单元特征库构建系统包括:
数据获取模块,用于获取训练数据,其中,所述训练数据为提取仿真数据得到,所述仿真数据为Spice可运行仿真的脚本的运行结果,所述Spice可运行仿真的脚本为根据所有PVT组合参数作为输入条件编写的Spice可运行仿真脚本,所述所有PVT组合参数为确定的待创建的标准单元库的PVT参数组合;
标准单元特征库构建模块,用于构建初始标准单元特征库神经网络模型,根据所述训练数据对所述初始标准单元特征库神经网络模型进行训练,得到基于神经网络的标准单元特征库。
8.根据权利要求7所述的一种数字电路的标准单元特征库构建系统,其特征在于,所述数字电路的标准单元特征库构建系统还包括:
数据加载模块,用于将所述基于神经网络的标准单元特征库加载到内存,得到加载到内存的基于神经网络的标准单元特征库;
参数获取模块,用于获取用户指定的PVT组合参数;
算法拟合模块,用于将所述用户指定的PVT组合参数输入所述加载到内存的基于神经网络的标准单元特征库进行算法拟合,得到所述用户指定的PVT组合参数的仿真结果。
9.一种数字电路的标准单元特征库构建设备,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至6任一项所述的一种数字电路的标准单元特征库构建方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的一种数字电路的标准单元特征库构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423840.4A CN117494627A (zh) | 2023-10-30 | 2023-10-30 | 一种数字电路的标准单元特征库构建方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423840.4A CN117494627A (zh) | 2023-10-30 | 2023-10-30 | 一种数字电路的标准单元特征库构建方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117494627A true CN117494627A (zh) | 2024-02-02 |
Family
ID=89666919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311423840.4A Pending CN117494627A (zh) | 2023-10-30 | 2023-10-30 | 一种数字电路的标准单元特征库构建方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117494627A (zh) |
-
2023
- 2023-10-30 CN CN202311423840.4A patent/CN117494627A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944610B (zh) | 预测事件流行度方法、服务器及计算机可读存储介质 | |
CN112508118B (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN110245980B (zh) | 基于神经网络模型确定目标用户激励形式的方法和设备 | |
CN109901881B (zh) | 应用程序的插件加载方法、装置、计算机设备及存储介质 | |
CN115270003B (zh) | 一种基于物联网平台行为数据挖掘的信息推荐方法及系统 | |
CN113657661A (zh) | 一种企业碳排放预测方法、装置、计算机设备和存储介质 | |
CN112101543A (zh) | 神经网络模型确定方法、装置、电子设备及可读存储介质 | |
CN109597482B (zh) | 电子书的自动翻页方法和装置、介质及电子设备 | |
CN104580109A (zh) | 生成点选验证码的方法及装置 | |
CN115794570A (zh) | 压力测试方法、装置、设备及计算机可读存储介质 | |
CN113408804A (zh) | 窃电行为检测方法、系统、终端设备及存储介质 | |
CN111798263A (zh) | 一种交易趋势的预测方法和装置 | |
CN117494627A (zh) | 一种数字电路的标准单元特征库构建方法与系统 | |
CN116168403A (zh) | 医疗数据分类模型训练方法、分类方法、装置及相关介质 | |
CN113408702B (zh) | 音乐神经网络模型预训练方法及电子设备和存储介质 | |
CN109948050A (zh) | 信息处理方法和装置,存储介质和电子设备 | |
CN116050332A (zh) | 可感知动态电源噪声的静态时序分析方法及装置 | |
CN115239007A (zh) | 一种电网净负荷的预测方法、装置、电子设备和存储介质 | |
CN114239639A (zh) | 特征选择方法、装置、计算机设备和存储介质 | |
CN112348284A (zh) | 一种电力负荷预测方法、装置、可读介质及电子设备 | |
CN117175664B (zh) | 基于使用场景的储能充电设备输出功率自适应调节系统 | |
CN115630527B (zh) | 出清异常模型检测方法、装置、计算机设备和存储介质 | |
CN115409647A (zh) | 一种基于人工智能的能量路由器寿命预测方法和装置 | |
CN105748044A (zh) | 智能手表的睡眠检测方法及系统 | |
CN113676377A (zh) | 基于大数据的在线用户数评估方法、装置、设备及介质 |
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 |