CN117688881A - 基于人工智能的集成电路验证方法、装置及存储介质 - Google Patents

基于人工智能的集成电路验证方法、装置及存储介质 Download PDF

Info

Publication number
CN117688881A
CN117688881A CN202410156454.1A CN202410156454A CN117688881A CN 117688881 A CN117688881 A CN 117688881A CN 202410156454 A CN202410156454 A CN 202410156454A CN 117688881 A CN117688881 A CN 117688881A
Authority
CN
China
Prior art keywords
simulation test
queue
verification
report
test
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.)
Granted
Application number
CN202410156454.1A
Other languages
English (en)
Other versions
CN117688881B (zh
Inventor
陈炳贵
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.)
Shenzhen Loongson Semiconductor Technology Co ltd
Original Assignee
Shenzhen Loongson Semiconductor Technology 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 Shenzhen Loongson Semiconductor Technology Co ltd filed Critical Shenzhen Loongson Semiconductor Technology Co ltd
Priority to CN202410156454.1A priority Critical patent/CN117688881B/zh
Publication of CN117688881A publication Critical patent/CN117688881A/zh
Application granted granted Critical
Publication of CN117688881B publication Critical patent/CN117688881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851—Testing of integrated circuits [IC]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本申请涉及数据处理技术领域，提供一种基于人工智能的集成电路验证方法、装置及存储介质，通过获取和分析集成电路模拟测试报告队列，能有效预测其未来性能和行为，提高了验证效率。同时，利用不同的模拟测试报告组进行推导，可以在各个指定验证周期中得到模拟测试推导结果，为设计和优化决策提供精确信息。通过生成模拟测试推导结果队列，增强了对IC电路实例在目标验证周期内预期表现的预测能力。考虑到不同的模拟测试报告组和验证周期，方案具有高度灵活性，可根据需求选择合适的模拟测试报告组和验证周期进行推导。该方案深入分析并推导已有的模拟测试报告，有效地预测了集成电路的未来性能和行为，为电路设计和优化提供了参考。

Description

基于人工智能的集成电路验证方法、装置及存储介质
技术领域
本申请涉及数据处理技术领域，尤其涉及一种基于人工智能的集成电路验证方法、装置及存储介质。
背景技术
随着集成电路设计复杂度的不断提高，传统的验证方法面临着诸多挑战，如验证周期长、成本高、效率低等。因此，如何有效地进行集成电路验证，已经成为了集成电路设计领域亟待解决的问题。
基于人工智能的集成电路验证技术应运而生。该技术通过运用人工智能算法，自动化地进行集成电路的模拟测试，从而大大提高了验证的效率和准确性。然而，尽管这种技术带来了显著的改进，但仍存在一些问题需要进一步解决。例如，如何提高集成电路验证的效率和精确性是其中一个需要解决的技术问题。
发明内容
为了改善上述问题，本申请提供了一种基于人工智能的集成电路验证方法、装置及存储介质。
第一方面，本申请实施例提供一种基于人工智能的集成电路验证方法，应用于集成电路验证装置，所述方法包括：
获取集成电路模拟测试报告队列，所述集成电路模拟测试报告队列包括若干个前序集成电路验证周期的集成电路模拟测试报告，所述前序集成电路验证周期的集成电路模拟测试报告，是根据设定IC功能标签的最少一个参考IC电路实例在所述前序集成电路验证周期的模拟测试量化结果获得的；
将所述集成电路模拟测试报告队列进行拆解得到若干个模拟测试报告组；
针对每个所述模拟测试报告组，根据所述模拟测试报告组进行模拟测试推导，得到所述设定IC功能标签的IC电路实例在若干个指定集成电路验证周期的模拟测试推导结果；每个所述模拟测试报告组中不同的集成电路模拟测试报告，用于推导不同指定集成电路验证周期的模拟测试推导结果；
依据每个所述模拟测试报告组分别推导生成的若干个指定集成电路验证周期的模拟测试推导结果，生成所述设定IC功能标签的IC电路实例在目标验证周期的模拟测试推导结果队列，所述目标验证周期包括各所述指定集成电路验证周期。
在第一方面的一些设计思路中，所述获取集成电路模拟测试报告队列，包括：
获取设定IC功能标签的若干个参考IC电路实例分别对应的模拟测试量化结果队列；所述参考IC电路实例对应的模拟测试量化结果队列，包括所述参考IC电路实例在若干个前序集成电路验证周期的模拟测试量化结果；
对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行文本生成，得到若干个前序集成电路验证周期的模拟测试输出文本，并基于若干个前序集成电路验证周期的模拟测试输出文本生成模拟测试输出文本队列；
从所述模拟测试输出文本队列中获取集成电路模拟测试报告队列。
在第一方面的一些设计思路中，所述对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行文本生成，得到若干个前序集成电路验证周期的模拟测试输出文本，包括：根据待处理IC电路实例确定每个所述参考IC电路实例的强化系数；所述待处理IC电路实例属于所述设定IC功能标签；按照每个所述参考IC电路实例的强化系数，对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行强化，得到若干个前序集成电路验证周期的模拟测试输出文本；
所述依据每个所述模拟测试报告组分别推导生成的若干个指定集成电路验证周期的模拟测试推导结果，生成所述设定IC功能标签的IC电路实例在目标验证周期的模拟测试推导结果队列，包括：依据每个所述模拟测试报告组分别推导生成的若干个指定集成电路验证周期的模拟测试推导结果，生成所述待处理IC电路实例在目标验证周期的模拟测试推导结果队列。
在第一方面的一些设计思路中，所述模拟测试量化结果包括性能边界模拟测试信息；
所述从所述模拟测试输出文本队列中获取集成电路模拟测试报告队列，包括：
对所述模拟测试输出文本队列的模拟测试输出文本中性能边界验证文本进行复述，生成复述模拟测试输出文本队列；所述模拟测试输出文本中性能边界验证文本，是对所述模拟测试输出文本对应的前序集成电路验证周期的性能边界模拟测试信息进行文本生成得到的；
从所述复述模拟测试输出文本队列中获取集成电路模拟测试报告队列。
在第一方面的一些设计思路中，所述将所述集成电路模拟测试报告队列进行拆解得到若干个模拟测试报告组，包括：将所述集成电路模拟测试报告队列录入IC验证推导算法中，拆解得到与所述IC验证推导算法中若干个IC验证推导分支分别对应的模拟测试报告组；
所述针对每个所述模拟测试报告组，根据所述模拟测试报告组进行模拟测试推导，得到所述设定IC功能标签的IC电路实例在若干个指定集成电路验证周期的模拟测试推导结果，包括：针对每个所述模拟测试报告组，将所述模拟测试报告组录入对应的IC验证推导分支中，得到所述设定IC功能标签的IC电路实例在若干个指定集成电路验证周期的模拟测试推导结果。
在第一方面的一些设计思路中，所述方法还包括IC验证推导算法的调试步骤，所述IC验证推导算法的调试步骤，包括：
获取设定IC功能标签的最少一个参考IC电路实例的模拟测试量化结果队列；所述参考IC电路实例的模拟测试量化结果队列，包括所述参考IC电路实例在若干个前序集成电路验证周期的模拟测试量化结果；
依据所述最少一个参考IC电路实例的模拟测试量化结果队列生成若干个模拟测试训练报告队列，获得模拟测试训练报告队列集合；
所述模拟测试训练报告队列中包括最少两个前序集成电路验证周期分别对应的模拟测试训练报告，所述前序集成电路验证周期对应的模拟测试训练报告，根据最少一个所述模拟测试量化结果队列中所述前序集成电路验证周期的模拟测试量化结果获得；
采用所述模拟测试训练报告队列集合对IC验证推导算法进行调试。
在第一方面的一些设计思路中，所述依据所述最少一个参考IC电路实例的模拟测试量化结果队列生成若干个模拟测试训练报告队列，获得模拟测试训练报告队列集合，包括：
对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行文本生成，得到若干个前序集成电路验证周期的模拟测试输出文本；
依据所述若干个前序集成电路验证周期的模拟测试输出文本生成模拟测试输出文本队列；
从所述模拟测试输出文本队列中获取若干个模拟测试训练报告队列，生成模拟测试训练报告队列集合。
在第一方面的一些设计思路中，所述采用所述模拟测试训练报告队列集合对IC验证推导算法进行调试，包括：
对所述IC验证推导算法进行预调试，以确定调试轮次门限；
从所述模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第一模拟测试训练报告集；
在一轮调试中，采用所述第一模拟测试训练报告集对所述IC验证推导算法进行调试，并跳转到从所述模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第一模拟测试训练报告集的步骤，直至调试循环轮次达到所述调试轮次门限时完成调试。
在第一方面的一些设计思路中，所述对所述IC验证推导算法进行预调试，以确定调试轮次门限，包括：
从所述模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第二模拟测试训练报告集；所述第二模拟测试训练报告集中包括的模拟测试训练报告队列的个数，小于所述第一模拟测试训练报告集中包括的模拟测试训练报告队列的个数；
在一轮调试中，采用所述第二模拟测试训练报告集对所述IC验证推导算法进行调试，并确定所述IC验证推导算法的算法质量决策指数；
在所述算法质量决策指数没有达到设定的质量决策门限值时，跳转至从所述模拟测试训练报告队列集合中获取部分模拟测试训练报告队列，得到第二模拟测试训练报告集的步骤，直至所述算法质量决策指数达到所述质量决策门限值时完成预调试，确定已调试的次数得到调试轮次门限。
在第一方面的一些设计思路中，所述采用所述第一模拟测试训练报告集对所述IC验证推导算法进行调试，包括：
针对所述第一模拟测试训练报告集中每个模拟测试训练报告队列，将所述模拟测试训练报告队列分别录入所述IC验证推导算法中，得到所述模拟测试训练报告队列的模拟测试推导训练队列，所述模拟测试训练报告队列的模拟测试推导训练队列包括若干个不同训练周期的模拟测试推导结果；
依据所述模拟测试训练报告队列的模拟测试推导训练队列与所述模拟测试训练报告队列的先验模拟测试推导队列之间的区别，优化所述IC验证推导算法的算法参量。
在第一方面的一些设计思路中，所述将所述模拟测试训练报告队列分别录入所述IC验证推导算法中，得到所述模拟测试训练报告队列的模拟测试推导训练队列包括：
将所述模拟测试训练报告队列录入所述IC验证推导算法中，通过所述IC验证推导算法对所述模拟测试训练报告队列进行拆解，得到与所述IC验证推导算法中每个IC验证推导分支分别对应的模拟测试训练报告块队列；
针对每个所述模拟测试训练报告块队列，将所述模拟测试训练报告块队列录入对应的IC验证推导分支中，得到所述模拟测试训练报告块队列对应的局部模拟测试推导训练队列；局部模拟测试推导训练队列中包括若干个训练周期的模拟测试推导结果；
基于各所述模拟测试训练报告块队列分别对应的局部模拟测试推导训练队列，得到所述模拟测试训练报告队列的模拟测试推导训练队列。
在第一方面的一些设计思路中，所述IC验证推导分支包括语义提取组件和残差组件；所述将所述模拟测试训练报告块队列录入对应的IC验证推导分支中，得到所述模拟测试训练报告块队列对应的局部模拟测试推导训练队列包括：
将所述模拟测试训练报告块队列中每个模拟测试训练报告，依次录入对应的IC验证推导分支中，得到所述模拟测试训练报告块队列中每个模拟测试训练报告的模拟测试语义向量；
将所述模拟测试训练报告块队列中每个模拟测试训练报告的模拟测试语义向量分别输入残差组件进行推导，得到所述模拟测试训练报告块队列中每个模拟测试训练报告对应的模拟测试推导结果；每个所述模拟测试训练报告用于推导不同训练周期的模拟测试推导结果；
依据所述模拟测试训练报告块队列中每个模拟测试训练报告对应的模拟测试推导结果，得到所述模拟测试训练报告块队列对应的局部模拟测试推导训练队列。
第二方面，本申请实施例提供一种集成电路验证装置，包括至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行第一方面所述的方法。
第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现第一方面所述的方法。
在本申请实施例中，通过获取和分析集成电路模拟测试报告队列，能有效预测其未来性能和行为，提高了验证效率。同时，利用不同的模拟测试报告组进行推导，可以在各个指定验证周期中得到模拟测试推导结果，为设计和优化决策提供精确信息。通过生成模拟测试推导结果队列，增强了对IC电路实例在目标验证周期内预期表现的预测能力。此外，考虑到不同的模拟测试报告组和验证周期，方案具有高度灵活性，可根据需求选择合适的模拟测试报告组和验证周期进行推导。总的来说，该方案深入分析并推导已有的模拟测试报告，有效地预测了集成电路的未来性能和行为，为电路设计和优化提供了参考。
附图说明
图1为本申请实施例所提供的一种基于人工智能的集成电路验证方法的流程图。
图2为本申请实施例所提供的一种集成电路验证装置200的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
图1示出一种基于人工智能的集成电路验证方法，应用于集成电路验证装置，所述方法包括以下步骤110-步骤140。
步骤110、获取集成电路模拟测试报告队列，所述集成电路模拟测试报告队列包括若干个前序集成电路验证周期的集成电路模拟测试报告，所述前序集成电路验证周期的集成电路模拟测试报告，是根据设定IC功能标签的最少一个参考IC电路实例在所述前序集成电路验证周期的模拟测试量化结果获得的。
步骤120、将所述集成电路模拟测试报告队列进行拆解得到若干个模拟测试报告组。
步骤130、针对每个所述模拟测试报告组，根据所述模拟测试报告组进行模拟测试推导，得到所述设定IC功能标签的IC电路实例在若干个指定集成电路验证周期的模拟测试推导结果；每个所述模拟测试报告组中不同的集成电路模拟测试报告，用于推导不同指定集成电路验证周期的模拟测试推导结果。
步骤140、依据每个所述模拟测试报告组分别推导生成的若干个指定集成电路验证周期的模拟测试推导结果，生成所述设定IC功能标签的IC电路实例在目标验证周期的模拟测试推导结果队列，所述目标验证周期包括各所述指定集成电路验证周期。
在步骤110中，集成电路模拟测试报告队列是一个包含了多个集成电路模拟测试报告的队列。每个报告都是在特定的验证周期完成的模拟测试结果。前序集成电路验证周期是指在进行当前验证之前的验证周期。换句话说，这是对电路在以前阶段的验证历史记录。设定IC功能标签是对IC电路实例特性或者功能的一种标记，可以帮助系统理解和分类IC电路实例。参考IC电路实例是指被用作参考或比较基准的IC电路实例。模拟测试量化结果是通过模拟测试得到的数值结果，它可以量化地反映电路的性能或行为。
在本申请实施例中，集成电路模拟测试报告是对IC的功能、性能和可靠性进行模拟测试后的结果记录。下面是三个具体的示例：
（1）功能验证报告：在这个报告中，将会详细描述IC是否按照设计要求正常工作的信息。例如，如果在验证一个处理器芯片，报告可能包含了指令集的每一条指令是否都能正确执行的测试结果。如果某些指令不能正常工作，报告会详细记录错误的类型，以及在何种条件下发生的错误。
（2）性能测试报告：这个报告主要关注IC在各种工作条件下的性能。例如，报告可能包含了IC在不同工作频率下的延迟和吞吐量数据，以及在不同温度和电源电压条件下的性能变化。报告还可能包含了IC的功耗数据，例如在空闲、满负荷和待机状态下的功耗。
（3）可靠性测试报告：这个报告主要关注IC在长时间运行或在极端环境条件下的行为。例如，报告可能包含了IC在高温和低温环境下的工作情况，以及在经过长时间运行后性能的退化情况。此外，如果IC有自我修复或容错功能，报告也会记录这些功能在测试中的表现。
每个报告都会根据设定的IC功能标签进行分类，并附上对应的参考IC电路实例和模拟测试量化结果。例如，如果正在验证一个具有“低功耗”功能标签的IC，那么每个报告可能都会详细记录该IC在各种条件下的功耗数据。
关于步骤110的技术方案，举例如下：有一个包含多个集成电路模拟测试报告的队列，这些报告都是在前序的集成电路验证周期中产生的。例如，可能有一个队列，其中包含了过去10个周期的模拟测试报告。每个报告都是基于至少一个具有设定功能标签的参考IC电路实例在对应验证周期的模拟测试量化结果获得的。例如，如果正在验证一个具有“低功耗”功能标签的IC电路实例，那么每个报告可能都包含了该实例在对应验证周期中的功耗测试结果。通过这种方式，步骤110能够帮助收集和组织大量的模拟测试数据，为后续的分析和推导提供了丰富的输入信息。
在步骤120中，模拟测试报告组（或称为模拟测试报告子队列）是从集成电路模拟测试报告队列中拆解出来的一部分，这部分包含了若干个相关的模拟测试报告。这些报告可以是根据特定的标准或规则选择的，例如基于时间顺序、功能标签等。
步骤120涉及的技术方案可以举例说明如下：有一个包含10个周期的模拟测试报告队列，每个周期都有一个对应的模拟测试报告。在步骤120中，可能会将这个队列拆解成若干个小组。具体的拆解方式可能因情况而异。例如，可以根据时间顺序将队列平均分成5个组，每个组包含2个连续的模拟测试报告。也可以根据报告的内容或者测试结果进行分类，例如将所有功耗超过预设阈值的报告分为一组，将所有发现功能错误的报告分为另一组。通过这种方式，可以更好地组织和管理模拟测试数据，为后续的分析和推导提供更清晰、更结构化的输入信息。同时，通过将大的报告队列拆解成小组，也可以更灵活地处理不同类型或者级别的问题，提高验证效率和准确性。
在步骤130中，进行模拟测试推导是一个过程，通过对已有的模拟测试报告组进行分析和计算，预测或推断出IC电路实例在未来验证周期的可能表现。指定集成电路验证周期是指特定的、预先设定的一系列验证周期。它们可能是基于特定需求或标准选择的，例如最近的几个周期，或者是性能表现最差的几个周期。模拟测试推导结果是模拟测试推导过程得到的结果，它反映了IC电路实例在指定验证周期的预期表现。
在集成电路的设计和验证过程中，模拟测试推导和预测是通过对已有的模拟测试数据进行分析和计算，来预测或推断IC电路实例在未来验证周期的可能表现的关键步骤。这一过程涉及到数据的分析、模型的选择与构建、推导算法的应用以及结果的评估与反馈等多个环节。
1、数据分析
首先，需要对已有的模拟测试报告组进行深入的数据分析。这包括但不限于：
性能指标提取：从报告中提取关键的性能指标，如运行速度、功耗、延迟等。
趋势分析：分析性能指标随时间或不同验证周期的变化趋势。
相关性分析：探究不同性能指标之间的相关性，以及它们与验证周期之间的关系。
2、模型选择与构建
接下来，根据数据分析的结果选择合适的模型或构建新的模型来进行推导和预测。这可能包括：
统计模型：基于历史数据的统计规律来预测未来表现，如回归分析、时间序列分析等。
机器学习模型：利用机器学习算法，如支持向量机（SVM）、神经网络等，来训练预测模型。
物理模型：基于集成电路的物理特性和工作原理构建模型，如电路仿真模型。
3、推导算法应用
在确定模型后，需要应用具体的推导算法来执行预测任务。这可能涉及：
参数调优：调整模型的参数以优化预测性能。
交叉验证：使用交叉验证技术来评估模型的泛化能力。
集成学习：结合多个模型的预测结果来提高预测的准确性和稳定性。
4、结果评估与反馈
推导和预测过程完成后，需要对结果进行评估，并将评估结果反馈给设计团队。这包括：
准确性评估：比较预测结果与实际测试结果的差异，计算误差指标如均方误差（MSE）等。
结果可视化：将预测结果以图表、报告等形式可视化，便于团队成员理解和分析。
设计优化建议：基于预测结果提出设计优化建议，如调整电路结构、优化参数配置等。
5、迭代与持续优化
最后，模拟测试推导和预测是一个迭代和持续优化的过程。随着新的模拟测试数据的不断产生，需要定期更新模型和数据集，以提高预测的准确性。同时，根据设计团队的反馈和实际需求，不断优化推导算法和预测模型，以适应不断变化的设计和验证要求。
在本申请实施例中，模拟测试推导结果是基于已有的模拟测试报告，预测或推断出集成电路在未来可能的性能和行为。以下是三个具体的示例：
（1）功能性推导结果：如果正在对一个处理器芯片进行验证，模拟测试推导可能会预测在下一验证周期中，该处理器是否能正确执行所有指令。例如，如果在前几个周期中，发现某些指令在特定条件下无法正确执行，那么可能会推导出在下一个周期中，这些问题仍然存在。
（2）性能推导结果：模拟测试推导可能会预测IC在未来的性能表现，如运行速度、功耗等。例如，如果发现在过去的几个周期中，IC的功耗随着温度的升高而增加，那么可能会推导出，在下一个周期中，如果温度继续升高，IC的功耗可能会进一步增加。
（3）可靠性推导结果：模拟测试推导也可能预测IC在极端条件下的行为，或者在长时间运行后的性能退化情况。例如，如果发现IC在高温环境下工作时，性能明显下降，那么可能会推导出，在下一个周期中，如果温度继续升高，IC的性能可能会进一步下降。
以上推导结果都是基于已有的模拟测试报告和对电路和测试方法的理解得出的。虽然它们可能并不完全准确，但可以为提供有价值的信息，帮助更好地理解电路的行为，以及在设计和优化过程中需要注意的问题。
针对步骤130的技术方案，可以举例如下：在步骤120中，得到了5个模拟测试报告组。在步骤130中，会对每个报告组进行模拟测试推导。例如，对于第一个报告组，可能会通过分析这个组中报告的内容，以及根据对电路和测试方法的理解，推断出该IC电路实例在下一个验证周期的可能表现。这可能包括预计的功耗、延迟、错误率等各种性能指标。然后，会将这个推导结果记录下来，作为该IC电路实例在指定验证周期的模拟测试推导结果。这个过程会对每个报告组重复进行，每个报告组可能会得到不同的推导结果。例如，第二个报告组中的数据可能会推导出该IC在另一个验证周期的不同表现。通过这种方式，可以从已有的模拟测试数据中获得更多的信息，预测或推断出IC电路实例在未来的可能表现，为进一步的设计优化和决策提供依据。
在步骤140中，目标验证周期是指希望进行预测或推导的那个或那几个特定验证周期。这些周期可能是未来的周期，也可能是对过去某些周期的重新验证。模拟测试推导结果队列是一个包含了多个模拟测试推导结果的队列。每个结果都反映了IC电路实例在特定验证周期的预期表现。
对于步骤140的技术方案，可以举例如下：假设在步骤130中，得到了每个模拟测试报告组的模拟测试推导结果，这些结果分别对应了不同的指定验证周期。在步骤140中，将这些推导结果汇总起来，生成一个模拟测试推导结果队列。具体来说，可能会按照时间顺序，将每个报告组的推导结果依次放入队列。例如，如果第一个报告组的推导结果对应了第1个指定验证周期，那么就将这个结果放在队列的第一位。如果第二个报告组的推导结果对应了第3个指定验证周期，那么就将这个结果放在队列的第三位，以此类推。这样，就得到了一个完整的模拟测试推导结果队列，它反映了IC电路实例在目标验证周期的预期表现。这个队列为提供了有价值的信息，帮助更好地理解电路的行为，以及在设计和优化过程中需要注意的问题。
为便于更好理解上述技术方案，下面继续对模拟测试量化结果进行介绍。模拟测试量化结果是通过对集成电路进行模拟测试后得到的一组具体数值，这些数值可以精确地描述和衡量集成电路在各种工作条件下的性能。以下是一些具体的示例：
（1）功能验证的量化结果：例如，正在测试一个处理器芯片，可能会有一个指令集测试，其中每一条指令都有一个相关的执行时间。这个执行时间可能以纳秒（ns）为单位，如加法指令的执行时间为2ns，乘法指令的执行时间为3ns。
（2）性能测试的量化结果：比如，可能会度量一个集成电路在不同频率下的功耗。这可能会产生一组数据，如在1GHz时功耗为100毫瓦，而在2GHz时功耗增加到200毫瓦。
（3）可靠性测试的量化结果：例如，可能会测量集成电路在长时间运行或在极端环境条件下的性能退化。这可能会得到一些数据，如在100小时持续运行后，处理速度降低了5%，或者在85度的高温环境下工作时，错误率增加了2%。
这些量化结果都是基于设定的IC功能标签和参考IC电路实例得到的。它们为提供了详细且准确的信息，帮助理解和评估集成电路的性能，并为后续的设计优化和决策提供依据。
进一步地，以下是模拟测试推导结果一些具体的示例：
（1）功能验证的推导结果：例如，正在测试一个处理器芯片，发现在前5个周期中，加法指令的执行时间平均为2ns，乘法指令的执行时间平均为3ns。那么，在下一个周期中，可能会推导出加法指令的执行时间将接近2ns，乘法指令的执行时间将接近3ns。
（2）性能测试的推导结果：比如，度量了一个集成电路在不同频率下的功耗，发现在1GHz时功耗为100毫瓦，而在2GHz时功耗为200毫瓦。如果知道在下一个周期中，工作频率将提高到2.5GHz，那么可能会推导出其功耗将超过250毫瓦。
（3）可靠性测试的推导结果：例如，测量了集成电路在长时间运行或在极端环境条件下的性能退化，发现在100小时持续运行后，处理速度降低了5%，在85度的高温环境下工作时，错误率增加了2%。如果在下一个周期中，工作环境的温度将提高到90度，那么可能会推导出其错误率将超过2%。
这些推导结果都是基于已有的模拟测试量化结果和对电路和测试方法的理解得出的。虽然它们可能并不完全准确，但可以为提供有价值的信息，帮助更好地理解电路的行为，以及在设计和优化过程中需要注意的问题。
结合上述内容，下面给出一个完整具体的示例进行介绍。
在一个应用场景下，正在验证一个处理器芯片，其功能标签为“高性能”和“低功耗”。已经进行了5个验证周期的模拟测试，并得到了一系列模拟测试报告。这些报告记录了每个周期中处理器的各项性能数据，如处理速度、功耗等。
在步骤110中，获取集成电路模拟测试报告队列。这个队列包含了5个前序集成电路验证周期的模拟测试报告，例如：
报告1（周期1）：处理速度为3.2GHz，功耗为100毫瓦；
报告2（周期2）：处理速度为3.3GHz，功耗为105毫瓦；
报告3（周期3）：处理速度为3.4GHz，功耗为110毫瓦；
报告4（周期4）：处理速度为3.5GHz，功耗为115毫瓦；
报告5（周期5）：处理速度为3.6GHz，功耗为120毫瓦。
在步骤120中，将模拟测试报告队列拆解得到若干个模拟测试报告组。在这个例子中，可以将报告按照处理速度分为两组：
组A：包含报告1和报告2，处理速度较低；
组B：包含报告3、报告4和报告5，处理速度较高。
在步骤130中，对每个模拟测试报告组进行模拟测试推导。在这个例子中，可以分别预测下一个周期中的处理速度和功耗：
对于组A，发现处理速度和功耗都相对较低，所以可能会推导出在下一个验证周期中，如果继续保持低功耗，处理速度可能会保持在3.2-3.3GHz左右；
对于组B，发现处理速度逐渐提高，但是功耗也随之增加，所以可能会推导出在下一个验证周期中，如果要进一步提高处理速度，可能需要接受更高的功耗。
在步骤140中，根据每个模拟测试报告组的推导结果，生成模拟测试推导结果队列。在这个例子中，可能会得到如下的队列：
队列A：包含了组A的推导结果，预测在下一个周期中，处理速度将保持在3.2-3.3GHz，功耗将保持在100-105毫瓦；
队列B：包含了组B的推导结果，预测在下一个周期中，如果要进一步提高处理速度至3.7GHz，可能需要接受120-125毫瓦的功耗。
这样，便可以根据已有的模拟测试报告，预测了处理器在未来可能的性能表现，为进一步的设计优化和决策提供了依据。
上述技术方案有以下几个主要的有益效果：
（1）提高验证效率：通过获取并分析已有的模拟测试报告队列，可以有效地预测集成电路在未来可能的性能和行为，这样可以帮助更快地了解电路的特性，从而提高验证的效率；
（2）优化设计决策：通过对不同的模拟测试报告组进行推导，可以得到在各个指定验证周期中的模拟测试推导结果。这些推导结果可以为提供详细且准确的信息，帮助在设计和优化过程中做出更好的决策；
（3）增强预测能力：通过生成模拟测试推导结果队列，可以得到IC电路实例在目标验证周期的预期表现。这个队列不仅包含了每个指定验证周期的推导结果，还以时间顺序排列了这些结果，从而增强了对未来性能的预测能力；
（4）灵活应对变化：该方案考虑了不同的模拟测试报告组和不同的验证周期，具有很高的灵活性。无论在何种工作条件下，或者面临怎样的设计需求，都能够根据需要选择合适的模拟测试报告组和验证周期，进行有效的模拟测试推导。
综上，这个技术方案通过对已有的模拟测试报告进行深入分析和推导，可以有效地预测集成电路在未来的性能和行为，为电路设计和优化提供有价值的参考信息。
在一些可选的实施例中，步骤110所描述的获取集成电路模拟测试报告队列，包括步骤111-步骤113。
步骤111、获取设定IC功能标签的若干个参考IC电路实例分别对应的模拟测试量化结果队列。所述参考IC电路实例对应的模拟测试量化结果队列，包括所述参考IC电路实例在若干个前序集成电路验证周期的模拟测试量化结果。
步骤112、对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行文本生成，得到若干个前序集成电路验证周期的模拟测试输出文本，并基于若干个前序集成电路验证周期的模拟测试输出文本生成模拟测试输出文本队列。
步骤113、从所述模拟测试输出文本队列中获取集成电路模拟测试报告队列。
例如，正在验证一个处理器芯片，其功能标签为“高性能”和“低功耗”。已经得到了三个参考IC电路实例在五个前序集成电路验证周期的模拟测试量化结果。
在步骤111中，获取设定IC功能标签的若干个参考IC电路实例分别对应的模拟测试量化结果队列。比如，可能会得到以下三个模拟测试量化结果队列：
队列1：参考IC电路实例1在五个验证周期的模拟测试量化结果；
队列2：参考IC电路实例2在五个验证周期的模拟测试量化结果；
队列3：参考IC电路实例3在五个验证周期的模拟测试量化结果。
在步骤112中，对各模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行文本生成。文本生成是一种将数据转化为人类可读文本的技术，常用于数据报告、自动新闻生成等领域。例如，可能会将第一个验证周期的模拟测试量化结果转化为如下的模拟测试输出文本：“在第一个验证周期中，参考IC电路实例1的处理速度为3.2GHz，功耗为100毫瓦；参考IC电路实例2的处理速度为3.1GHz，功耗为95毫瓦；参考IC电路实例3的处理速度为3.3GHz，功耗为105毫瓦。”然后，将这些模拟测试输出文本生成模拟测试输出文本队列。
在步骤113中，从模拟测试输出文本队列中获取集成电路模拟测试报告队列。这个队列就是最初需要的集成电路模拟测试报告队列，它以易于理解的文本形式记录了各个参考IC电路实例在各个验证周期的性能表现。
如此设计，能够提高可读性，通过将模拟测试量化结果转化为模拟测试输出文本，使得非专业人士也能够理解和使用模拟测试结果；加强对比分析，由于所有的模拟测试结果都被统一地转化为文本，可以更方便地进行横向和纵向的对比分析，从而更好地理解各个参考IC电路实例的性能差异；改进决策支持，上述过程提供了详尽且直观的信息，有助于设计师在决策时全面考虑各种因素，从而做出更好的决策。
在一种优选的实施例中，步骤112中的对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行文本生成，得到若干个前序集成电路验证周期的模拟测试输出文本，包括步骤1121-步骤1122。
步骤1121、根据待处理IC电路实例确定每个所述参考IC电路实例的强化系数；所述待处理IC电路实例属于所述设定IC功能标签。
步骤1122、按照每个所述参考IC电路实例的强化系数，对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行强化，得到若干个前序集成电路验证周期的模拟测试输出文本。
则步骤140所描述的所述依据每个所述模拟测试报告组分别推导生成的若干个指定集成电路验证周期的模拟测试推导结果，生成所述设定IC功能标签的IC电路实例在目标验证周期的模拟测试推导结果队列，包括：依据每个所述模拟测试报告组分别推导生成的若干个指定集成电路验证周期的模拟测试推导结果，生成所述待处理IC电路实例在目标验证周期的模拟测试推导结果队列。
继续以处理器芯片为例来介绍上述技术方案。
在步骤1121中，根据待处理IC电路实例确定每个参考IC电路实例的强化系数。强化系数是一个衡量参考IC电路实例与待处理IC电路实例相似性的指标，其值越大，说明两者的相似性越高。比如，如果待处理IC电路实例与参考IC电路实例1的功能和设计最为接近，那么参考IC电路实例1的强化系数可能会被设定为0.7；而对于与待处理IC电路实例差异较大的参考IC电路实例2和3，他们的强化系数可能分别被设定为0.2和0.1。
在步骤1122中，按照每个参考IC电路实例的强化系数，对各模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行强化，得到若干个前序集成电路验证周期的模拟测试输出文本。具体来说，可以将每个模拟测试量化结果乘以对应的强化系数，然后再进行文本生成。这样，得到的模拟测试输出文本就更加反映了待处理IC电路实例的特性。
然后，依据每个模拟测试报告组分别推导生成的若干个指定集成电路验证周期的模拟测试推导结果，生成待处理IC电路实例在目标验证周期的模拟测试推导结果队列。
如此设计，能够提高模拟测试结果的准确性，通过引入强化系数，可以根据待处理IC电路实例与参考IC电路实例的相似度，对模拟测试量化结果进行权重调整，使得最后的模拟测试输出文本更加反映了待处理IC电路实例的真实特性；增强预测模型的泛化能力，由于考虑了各种不同的参考IC电路实例，并且对他们的贡献进行了合理的权重分配，因此，无论待处理IC电路实例的具体特性如何，都可以得到较为准确的模拟测试推导结果；提供更有针对性的决策支持，由于生成的模拟测试推导结果队列更加反映了待处理IC电路实例的特性，因此，它可以为设计师提供更有针对性的信息，从而帮助他们做出更好的设计和优化决策。
在另一些实施例中，所述模拟测试量化结果包括性能边界模拟测试信息。则步骤113所描述的从所述模拟测试输出文本队列中获取集成电路模拟测试报告队列，包括步骤1131-步骤1132。
步骤1131、对所述模拟测试输出文本队列的模拟测试输出文本中性能边界验证文本进行复述，生成复述模拟测试输出文本队列；所述模拟测试输出文本中性能边界验证文本，是对所述模拟测试输出文本对应的前序集成电路验证周期的性能边界模拟测试信息进行文本生成得到的。
步骤1132、从所述复述模拟测试输出文本队列中获取集成电路模拟测试报告队列。
首先，性能边界模拟测试信息是指在进行模拟测试时，记录的IC电路实例在不同工作条件下（如最高频率、最大功耗等）的性能表现。这些信息有助于理解和预测IC电路实例在极限情况下的行为。
在步骤1131中，对模拟测试输出文本队列的模拟测试输出文本中性能边界验证文本进行复述，生成复述模拟测试输出文本队列。复述是一种自然语言处理技术，其目标是改变文本的表达方式，但保持原始信息内容不变。例如，原始的性能边界验证文本可能是：“在第一个验证周期中，参考IC电路实例1的最高处理速度为3.2GHz，最大功耗为100毫瓦。”经过复述后，可能变为：“在第一个验证周期，参考IC电路实例1的处理速度能够达到最高的3.2GHz，而功耗最多为100毫瓦。”
在步骤1132中，从复述模拟测试输出文本队列中获取集成电路模拟测试报告队列。这个队列就是最初需要的集成电路模拟测试报告队列，它以易于理解且多样化的文本形式记录了各个参考IC电路实例在各个验证周期的性能表现。
可见，通过复述技术，可以以多种不同的方式描述同一条模拟测试信息，从而使得模拟测试报告更容易被理解。由于模拟测试报告的内容更为直观和多样化，设计师可以更快地获取和理解所需的信息，从而提高决策的效率。复述后的模拟测试输出文本不仅包含了原始的模拟测试信息，还可能揭示出一些隐含的、对预测有帮助的信息。这有助于更准确地预测待处理IC电路实例在目标验证周期的性能表现。
在一些可替换的实施例中，步骤120中的将所述集成电路模拟测试报告队列进行拆解得到若干个模拟测试报告组，包括：将所述集成电路模拟测试报告队列录入IC验证推导算法中，拆解得到与所述IC验证推导算法中若干个IC验证推导分支分别对应的模拟测试报告组。则步骤130中的针对每个所述模拟测试报告组，根据所述模拟测试报告组进行模拟测试推导，得到所述设定IC功能标签的IC电路实例在若干个指定集成电路验证周期的模拟测试推导结果，包括：针对每个所述模拟测试报告组，将所述模拟测试报告组录入对应的IC验证推导分支中，得到所述设定IC功能标签的IC电路实例在若干个指定集成电路验证周期的模拟测试推导结果。
首先，IC验证推导算法是一种用于预测IC电路实例性能的算法，它通常包含多个分支，每个分支都对应一个特定的验证情景。
在步骤120中，将集成电路模拟测试报告队列录入IC验证推导算法中，拆解得到与IC验证推导算法中若干个IC验证推导分支分别对应的模拟测试报告组。例如，如果IC验证推导算法有三个分支，分别对应“高频率”、“低功耗”和“平衡”三种验证情景，那么就可以将模拟测试报告队列拆解为三个模拟测试报告组，每个报告组都包含了对应验证情景下的模拟测试报告。
在步骤130中，针对每个模拟测试报告组，将模拟测试报告组录入对应的IC验证推导分支中，得到设定IC功能标签的IC电路实例在若干个指定集成电路验证周期的模拟测试推导结果。例如，可以将“高频率”模拟测试报告组录入“高频率”验证分支，通过IC验证推导算法计算出设定为“高性能”的IC电路实例在未来几个验证周期的预期表现。
如此设计，通过将模拟测试报告队列拆解为多个与IC验证推导分支相对应的模拟测试报告组，可以根据不同的验证情景进行独立的模拟测试推导，这有助于得到更具针对性的预测结果。由于IC验证推导算法包含多个分支，因此它可以处理更复杂的验证情景，并且可以根据实际需求灵活地选择合适的验证分支。由于每个模拟测试报告组都可以生成一组针对特定验证情景的模拟测试推导结果，因此设计师可以根据不同的验证需求选择最适合的模拟测试推导结果，从而做出更好的决策。
在一些可能的实施例中，所述方法还包括IC验证推导算法的调试步骤，所述IC验证推导算法的调试步骤包括步骤210-步骤230。
步骤210、获取设定IC功能标签的最少一个参考IC电路实例的模拟测试量化结果队列；所述参考IC电路实例的模拟测试量化结果队列，包括所述参考IC电路实例在若干个前序集成电路验证周期的模拟测试量化结果。
步骤220、依据所述最少一个参考IC电路实例的模拟测试量化结果队列生成若干个模拟测试训练报告队列，获得模拟测试训练报告队列集合；所述模拟测试训练报告队列中包括最少两个前序集成电路验证周期分别对应的模拟测试训练报告，所述前序集成电路验证周期对应的模拟测试训练报告，根据最少一个所述模拟测试量化结果队列中所述前序集成电路验证周期的模拟测试量化结果获得。
步骤230、采用所述模拟测试训练报告队列集合对IC验证推导算法进行调试。
首先，IC验证推导算法的调试是一个让模型学习和优化的过程。它通常涉及到利用已知数据（训练数据）对模型进行训练，然后通过比较模型预测结果与实际结果的差异来调整模型参数。
在步骤210中，获取设定IC功能标签的最少一个参考IC电路实例的模拟测试量化结果队列。例如，可以获取一种被标记为“高性能”的处理器芯片在五个前序集成电路验证周期的模拟测试量化结果。
在步骤220中，依据至少一个参考IC电路实例的模拟测试量化结果队列生成若干个模拟测试训练报告队列，获得模拟测试训练报告队列集合。模拟测试训练报告队列是用于训练模型的数据集合，它包含了各个验证周期的模拟测试训练报告。例如，可以根据步骤210获取的模拟测试量化结果，生成五个分别对应五个验证周期的模拟测试训练报告，然后将这五个报告组成一个模拟测试训练报告队列。
在步骤230中，采用模拟测试训练报告队列集合对IC验证推导算法进行调试。在这个步骤中，将模拟测试训练报告队列输入到IC验证推导算法中，然后通过比较算法的预测结果与实际结果的差异来调整算法参数，以提高其预测性能。
如此设计，通过系统地对IC验证推导算法进行调试，可以优化模型参数，从而提高模型的预测精度和泛化能力。由于调试过程是基于具体的模拟测试训练报告进行的，因此，经过调试的模型会更好地适应相应的IC电路实例和验证情景。通过使用经过调试的模型，可以获得更准确的模拟测试推导结果，从而为设计师提供更有价值的决策支持信息。
在另一些优选的实施例中，步骤220中的依据所述最少一个参考IC电路实例的模拟测试量化结果队列生成若干个模拟测试训练报告队列，获得模拟测试训练报告队列集合，包括步骤221-步骤223。
步骤221、对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行文本生成，得到若干个前序集成电路验证周期的模拟测试输出文本。
步骤222、依据所述若干个前序集成电路验证周期的模拟测试输出文本生成模拟测试输出文本队列。
步骤223、从所述模拟测试输出文本队列中获取若干个模拟测试训练报告队列，生成模拟测试训练报告队列集合。
在步骤221中，对各模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行文本生成，得到若干个前序集成电路验证周期的模拟测试输出文本。例如，如果在一个验证周期中，参考IC电路实例1的处理速度为3.2GHz，功耗为100毫瓦，那么可以生成一段如下的模拟测试输出文本：“在这个验证周期中，参考IC电路实例1的处理速度为3.2GHz，功耗为100毫瓦。”
在步骤222中，依据若干个前序集成电路验证周期的模拟测试输出文本生成模拟测试输出文本队列。具体来说，可以将所有的模拟测试输出文本按照他们所对应的验证周期顺序排列，形成一个模拟测试输出文本队列。
在步骤223中，从模拟测试输出文本队列中获取若干个模拟测试训练报告队列，生成模拟测试训练报告队列集合。比如，可以将模拟测试输出文本队列中每五个连续的模拟测试输出文本组合为一个模拟测试训练报告队列，然后将所有的模拟测试训练报告队列组合成一个模拟测试训练报告队列集合。
如此设计，通过将模拟测试量化结果转换为文本形式，可以更好地利用现有的自然语言处理技术来分析和理解模拟测试数据。由于模拟测试训练报告队列是按照验证周期顺序排列的，因此可以利用这种时间关系来进行更有效的模型训练。通过使用模拟测试训练报告队列集合进行模型训练，可以提高模型对未知数据的预测能力。
在一些可替换的实施例中，步骤230所描述的采用所述模拟测试训练报告队列集合对IC验证推导算法进行调试，包括步骤231-步骤233。
步骤231、对所述IC验证推导算法进行预调试，以确定调试轮次门限。
步骤232、从所述模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第一模拟测试训练报告集。
步骤233、在一轮调试中，采用所述第一模拟测试训练报告集对所述IC验证推导算法进行调试，并跳转到从所述模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第一模拟测试训练报告集的步骤，直至调试循环轮次达到所述调试轮次门限时完成调试。
在步骤231中，对IC验证推导算法进行预调试，以确定调试轮次门限。这里的“预调试”指的是在开始正式调试之前，先进行一次或几次初步的调试，以了解模型的大致表现并设定一个合适的调试轮次门限。调试轮次门限是指允许模型进行调试的最大轮次，它用于防止模型过度拟合训练数据。
在步骤232中，从模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第一模拟测试训练报告集。例如，可以将模拟测试训练报告队列集合中的前五个模拟测试训练报告队列作为第一模拟测试训练报告集。
在步骤233中，在一轮调试中，采用第一模拟测试训练报告集对IC验证推导算法进行调试，并跳转到从模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第一模拟测试训练报告集的步骤，直至调试循环轮次达到所述调试轮次门限时完成调试。这个步骤实质上是一个迭代过程，不断地用新的模拟测试训练报告集对模型进行调试，直到模型的表现达到满意的程度或者调试轮次达到设定的门限。
这样一来，通过系统地对IC验证推导算法进行多轮调试，可以优化模型参数，从而提高模型的预测精度和泛化能力。设置调试轮次门限可以防止模型在训练数据上过度拟合，保证模型在未知数据上也能有良好的表现。通过在每轮调试中使用新的模拟测试训练报告集，可以使模型在各种不同情况下都能得到有效的训练，从而提高其鲁棒性。
在一些优选的实施例中，步骤231中的对所述IC验证推导算法进行预调试，以确定调试轮次门限，包括：从所述模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第二模拟测试训练报告集；所述第二模拟测试训练报告集中包括的模拟测试训练报告队列的个数，小于所述第一模拟测试训练报告集中包括的模拟测试训练报告队列的个数；在一轮调试中，采用所述第二模拟测试训练报告集对所述IC验证推导算法进行调试，并确定所述IC验证推导算法的算法质量决策指数；在所述算法质量决策指数没有达到设定的质量决策门限值时，返回从所述模拟测试训练报告队列集合中获取部分模拟测试训练报告队列，得到第二模拟测试训练报告集的步骤，直至所述算法质量决策指数达到所述质量决策门限值时完成预调试，确定已调试的次数得到调试轮次门限。
在这个过程中，算法质量决策指数是一个度量IC验证推导算法性能的指标。它可以基于模型在训练数据上的误差、复杂度等多种因素进行计算。
首先，从模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第二模拟测试训练报告集。这个集合中包含的模拟测试训练报告队列的个数应该小于第一模拟测试训练报告集中的个数。例如，可以选择前三个模拟测试训练报告队列作为第二模拟测试训练报告集。
接着，在一轮调试中，采用第二模拟测试训练报告集对IC验证推导算法进行调试，并确定算法质量决策指数。如果算法质量决策指数还没有达到设定的质量决策门限值，那么就返回获取第二模拟测试训练报告集的步骤，然后再进行一轮调试。这个过程将不断重复，直到算法质量决策指数达到质量决策门限值，完成预调试。最后，根据已经进行的调试次数确定调试轮次门限。
如此，通过设定算法质量决策指数的门限值，可以保证模型在训练过程中达到一定的性能水平。通过设置调试轮次门限，可以避免模型在训练数据上过度拟合，保证模型在未知数据上也能有良好的表现。通过在预调试阶段就确定调试轮次门限，可以避免在正式调试过程中进行无效的调试，从而提高整个调试过程的效率。
在一些优选的实施例中，步骤233中的采用所述第一模拟测试训练报告集对所述IC验证推导算法进行调试，包括：针对所述第一模拟测试训练报告集中每个模拟测试训练报告队列，将所述模拟测试训练报告队列分别录入所述IC验证推导算法中，得到所述模拟测试训练报告队列的模拟测试推导训练队列，所述模拟测试训练报告队列的模拟测试推导训练队列包括若干个不同训练周期的模拟测试推导结果；依据所述模拟测试训练报告队列的模拟测试推导训练队列与所述模拟测试训练报告队列的先验模拟测试推导队列之间的区别，优化所述IC验证推导算法的算法参量。
在这个过程中，模拟测试推导训练队列是一个包含了若干个不同训练周期的模拟测试推导结果的队列，而先验模拟测试推导队列则是一个基于历史数据生成的预期推导结果队列。
首先，针对第一模拟测试训练报告集中的每个模拟测试训练报告队列，将其分别录入IC验证推导算法中，得到模拟测试推导训练队列。例如，可以将模拟测试训练报告队列中的每个模拟测试训练报告作为输入数据，经过IC验证推导算法处理后，得到相应的模拟测试推导结果，然后将这些结果按照训练周期的顺序组合成模拟测试推导训练队列。
接着，依据模拟测试训练报告队列的模拟测试推导训练队列与先验模拟测试推导队列之间的区别，优化IC验证推导算法的算法参数。具体来说，可以比较模拟测试推导训练队列和先验模拟测试推导队列之间的差异，然后根据这个差异来调整IC验证推导算法的参数，以使得模型在未来的预测中能够更接近实际结果。
如此设计，通过根据模拟测试推导训练队列和先验模拟测试推导队列之间的差异优化算法参数，可以提高模型的预测精度和泛化能力。这种基于数据反馈进行参数优化的方法可以使模型在不断学习和改进，从而更好地适应各种不同的验证情景。通过使用经过优化的模型，可以获得更准确的模拟测试推导结果，从而为设计师提供更有价值的决策支持信息。
在另一些示例中，将步骤233的过程用公式来进行描述：有一个模拟测试训练报告队列，表示为R={r1，r2，...，rn}，其中ri是第i个模拟测试训练报告。这个队列被录入到IC验证推导算法（记为A）中，得到模拟测试推导训练队列T={t1，t2，...，tn}，其中ti是基于ri通过算法A得到的模拟测试推导结果。
也有一个先验模拟测试推导队列P={p1，p2，...，pn}，其中pi是基于历史数据生成的预期推导结果。
接下来，需要计算模拟测试推导训练队列T和先验模拟测试推导队列P之间的差异。这个差异可以用均方误差（MSE）来衡量，计算公式如下：MSE=1/n*Σ（i=1ton）（ti-pi）^2。
最后，通过优化算法（例如梯度下降法）来调整算法A的参数，使得MSE最小。这个过程可以表示为：A*=argmin（MSE（A））；其中A*表示优化后的算法，argmin是求使MSE最小的A的操作。
可见，本技术方案的核心是通过比较模拟测试推导训练队列和先验模拟测试推导队列之间的差异，来优化IC验证推导算法的参数，以提高其预测精度。
在一些优选的实施例中，所述将所述模拟测试训练报告队列分别录入所述IC验证推导算法中，得到所述模拟测试训练报告队列的模拟测试推导训练队列包括：将所述模拟测试训练报告队列录入所述IC验证推导算法中，通过所述IC验证推导算法对所述模拟测试训练报告队列进行拆解，得到与所述IC验证推导算法中每个IC验证推导分支分别对应的模拟测试训练报告块队列；针对每个所述模拟测试训练报告块队列，将所述模拟测试训练报告块队列录入对应的IC验证推导分支中，得到所述模拟测试训练报告块队列对应的局部模拟测试推导训练队列；局部模拟测试推导训练队列中包括若干个训练周期的模拟测试推导结果；基于各所述模拟测试训练报告块队列分别对应的局部模拟测试推导训练队列，得到所述模拟测试训练报告队列的模拟测试推导训练队列。
在这个过程中，模拟测试训练报告块队列是经过IC验证推导算法对模拟测试训练报告队列进行拆解后得到的结果，它与IC验证推导算法中的每个IC验证推导分支一一对应；局部模拟测试推导训练队列则是将模拟测试训练报告块队列录入对应的IC验证推导分支后得到的结果，它包含了若干个训练周期的模拟测试推导结果。
首先，将模拟测试训练报告队列录入IC验证推导算法中，通过IC验证推导算法对模拟测试训练报告队列进行拆解，得到与IC验证推导算法中每个IC验证推导分支分别对应的模拟测试训练报告块队列。
接着，针对每个模拟测试训练报告块队列，将其录入对应的IC验证推导分支中，得到所述模拟测试训练报告块队列对应的局部模拟测试推导训练队列。
最后，基于各模拟测试训练报告块队列分别对应的局部模拟测试推导训练队列，得到模拟测试训练报告队列的模拟测试推导训练队列。
这样一来，通过将模拟测试训练报告队列拆解成多个模拟测试训练报告块队列，并针对每个模拟测试训练报告块队列进行局部的模拟测试推导，可以提高模型的预测精度和处理效率。这种方法允许对每个IC验证推导分支的表现进行单独评估和优化，从而更好地理解模型的工作原理和性能瓶颈。通过使用经过优化的模型，可以获得更准确的模拟测试推导结果，从而为设计师提供更有价值的决策支持信息。
在另一些示例中，所述IC验证推导分支包括语义提取组件和残差组件。基于此，所述将所述模拟测试训练报告块队列录入对应的IC验证推导分支中，得到所述模拟测试训练报告块队列对应的局部模拟测试推导训练队列包括步骤310-步骤330。
步骤310、将所述模拟测试训练报告块队列中每个模拟测试训练报告，依次录入对应的IC验证推导分支中，得到所述模拟测试训练报告块队列中每个模拟测试训练报告的模拟测试语义向量。
步骤320、将所述模拟测试训练报告块队列中每个模拟测试训练报告的模拟测试语义向量分别输入残差组件进行推导，得到所述模拟测试训练报告块队列中每个模拟测试训练报告对应的模拟测试推导结果；每个所述模拟测试训练报告用于推导不同训练周期的模拟测试推导结果。
步骤330、依据所述模拟测试训练报告块队列中每个模拟测试训练报告对应的模拟测试推导结果，得到所述模拟测试训练报告块队列对应的局部模拟测试推导训练队列。
在这个过程中，模拟测试语义向量是通过语义提取组件将模拟测试训练报告转换成的高维度向量，它可以有效地表示原始报告的内容和结构。
首先，将模拟测试训练报告块队列中的每个模拟测试训练报告依次录入对应的IC验证推导分支中，得到模拟测试训练报告块队列中每个模拟测试训练报告的模拟测试语义向量。例如，可以通过深度学习模型，如卷积神经网络（CNN）或长短期记忆网络（LSTM），将每个模拟测试训练报告转换为一个模拟测试语义向量。
接着，将模拟测试训练报告块队列中每个模拟测试训练报告的模拟测试语义向量分别输入残差组件进行推导，得到模拟测试训练报告块队列中每个模拟测试训练报告对应的模拟测试推导结果。这个过程可以通过使用如残差网络（ResNet）等深度学习模型来实现。
最后，依据模拟测试训练报告块队列中每个模拟测试训练报告对应的模拟测试推导结果，得到模拟测试训练报告块队列对应的局部模拟测试推导训练队列。
例如，可以将上述过程用公式来进行描述：有一个模拟测试训练报告块队列，表示为B={b1，b2，...，bn}，其中bi是第i个模拟测试训练报告块。在步骤310中，每个模拟测试训练报告块都通过语义提取组件（记为S）转换成模拟测试语义向量，表示为V={v1，v2，...，vn}，其中vi是基于bi通过语义提取组件S得到的模拟测试语义向量。
接着，每个模拟测试语义向量都通过残差组件（记为R）进行推导，得到相应的模拟测试推导结果，表示为D={d1，d2，...，dn}，其中di是基于vi通过残差组件R得到的模拟测试推导结果。
最后，根据模拟测试训练报告块队列中每个模拟测试训练报告对应的模拟测试推导结果，得到模拟测试训练报告块队列对应的局部模拟测试推导训练队列，表示为T={t1，t2，...，tn}，其中ti是基于di得到的模拟测试推导训练结果。
因此，整个过程可以表示为以下几个步骤的公式：
V=S（B）（步骤310）；
D=R（V）（步骤320）；
T=D（步骤330）。
其中，S（）表示语义提取组件，R（）表示残差组件。整个过程的目标就是通过调整S和R的参数来最小化模拟测试推导训练队列T和实际结果之间的差异。
如此，通过使用语义提取组件和残差组件，可以有效地处理复杂的模拟测试训练报告，并得到精确的模拟测试推导结果。这种方法允许在各个模拟测试训练报告块上独立进行推导，从而使模型在不同的验证情况下都能有良好的表现。通过使用经过优化的模型，可以获得更准确的模拟测试推导结果，从而为设计师提供更有价值的决策支持信息。
在另一些示例中，IC验证推导算法是一种用于在集成电路（Integrated Circuit，IC）设计和测试过程中，通过对模拟测试训练报告进行分析和学习，预测未来可能的测试结果的算法。它通常包含两个主要部分：语义提取组件和残差组件。
语义提取组件：这一部分的主要功能是将输入的模拟测试训练报告转换为一个高维度向量，即模拟测试语义向量。这个向量可以有效地表示原始报告的内容和结构，为后续的推导工作提供基础。语义提取通常可以通过深度学习模型实现，如卷积神经网络（CNN）、长短期记忆网络（LSTM）或者变压器（Transformer）等。
残差组件：这一部分的主要功能是根据输入的模拟测试语义向量进行推导，得到模拟测试推导结果。这个过程可以通过使用如残差网络（ResNet）等深度学习模型来实现。残差组件的目标是最小化预测结果与实际结果之间的差异，从而不断优化模型的性能。
整体上，IC验证推导算法通过以上两个组件，能够从模拟测试训练报告中学习和抽取有用的信息，然后根据这些信息预测未来可能的测试结果。通过不断地训练和优化，该算法能够逐渐提高其预测的准确性，从而帮助IC设计师更好地进行决策支持，提升集成电路的设计和制造效率。
图2为本申请实施例提供的一种集成电路验证装置200的结构示意图。如图2所示的集成电路验证装置200包括处理器210，处理器210可以从存储器中调用并运行计算机程序，以实现本申请实施例中的方法。
可选地，如图2所示，集成电路验证装置200还可以包括存储器230。其中，处理器210可以从存储器230中调用并运行计算机程序，以实现本申请实施例中的方法。
其中，存储器230可以是独立于处理器210的一个单独的器件，也可以集成在处理器210中。
可选地，如图2所示，集成电路验证装置200还可以包括收发器220，处理器210可以控制该收发器220与其他设备进行交互，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。
可选地，该集成电路验证装置200可以实现本申请实施例的各个方法中存储引擎或存储引擎中的部件（如处理模块）或者部署有存储引擎的设备对应的相应流程，为了简洁，在此不再赘述。
应理解，本申请实施例的处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
可以理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable ROM，PROM）、可擦除可编程只读存储器（Erasable PROM，EPROM）、电可擦除可编程只读存储器（Electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（Random Access Memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（Static RAM，SRAM）、动态随机存取存储器（Dynamic RAM，DRAM）、同步动态随机存取存储器（Synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（Double Data RateSDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（Enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（Synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（DirectRambus RAM，DR RAM）。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解，上述存储器为示例性但不是限制性说明，例如，本申请实施例中的存储器还可以是静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（dynamic RAM，DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（doubledata rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synch link DRAM，SLDRAM）以及直接内存总线随机存取存储器（Direct Rambus RAM，DR RAM）等等。也就是说，本申请实施例中的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述基础上，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。

Claims (10)

1.一种基于人工智能的集成电路验证方法，其特征在于，应用于集成电路验证装置，所述方法包括：
获取集成电路模拟测试报告队列，所述集成电路模拟测试报告队列包括若干个前序集成电路验证周期的集成电路模拟测试报告，所述前序集成电路验证周期的集成电路模拟测试报告，是根据设定IC功能标签的最少一个参考IC电路实例在所述前序集成电路验证周期的模拟测试量化结果获得的；
将所述集成电路模拟测试报告队列进行拆解得到若干个模拟测试报告组；
针对每个所述模拟测试报告组，根据所述模拟测试报告组进行模拟测试推导，得到所述设定IC功能标签的IC电路实例在若干个指定集成电路验证周期的模拟测试推导结果；每个所述模拟测试报告组中不同的集成电路模拟测试报告，用于推导不同指定集成电路验证周期的模拟测试推导结果；
依据每个所述模拟测试报告组分别推导生成的若干个指定集成电路验证周期的模拟测试推导结果，生成所述设定IC功能标签的IC电路实例在目标验证周期的模拟测试推导结果队列，所述目标验证周期包括各所述指定集成电路验证周期。
2.根据权利要求1所述的方法，其特征在于，所述获取集成电路模拟测试报告队列，包括：
获取设定IC功能标签的若干个参考IC电路实例分别对应的模拟测试量化结果队列；所述参考IC电路实例对应的模拟测试量化结果队列，包括所述参考IC电路实例在若干个前序集成电路验证周期的模拟测试量化结果；
对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行文本生成，得到若干个前序集成电路验证周期的模拟测试输出文本，并基于若干个前序集成电路验证周期的模拟测试输出文本生成模拟测试输出文本队列；
从所述模拟测试输出文本队列中获取集成电路模拟测试报告队列；
其中，所述对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行文本生成，得到若干个前序集成电路验证周期的模拟测试输出文本，包括：根据待处理IC电路实例确定每个所述参考IC电路实例的强化系数；所述待处理IC电路实例属于所述设定IC功能标签；按照每个所述参考IC电路实例的强化系数，对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行强化，得到若干个前序集成电路验证周期的模拟测试输出文本；所述依据每个所述模拟测试报告组分别推导生成的若干个指定集成电路验证周期的模拟测试推导结果，生成所述设定IC功能标签的IC电路实例在目标验证周期的模拟测试推导结果队列，包括：依据每个所述模拟测试报告组分别推导生成的若干个指定集成电路验证周期的模拟测试推导结果，生成所述待处理IC电路实例在目标验证周期的模拟测试推导结果队列；
其中，所述模拟测试量化结果包括性能边界模拟测试信息；所述从所述模拟测试输出文本队列中获取集成电路模拟测试报告队列，包括：对所述模拟测试输出文本队列的模拟测试输出文本中性能边界验证文本进行复述，生成复述模拟测试输出文本队列；所述模拟测试输出文本中性能边界验证文本，是对所述模拟测试输出文本对应的前序集成电路验证周期的性能边界模拟测试信息进行文本生成得到的；从所述复述模拟测试输出文本队列中获取集成电路模拟测试报告队列。
3.根据权利要求1所述的方法，其特征在于，所述将所述集成电路模拟测试报告队列进行拆解得到若干个模拟测试报告组，包括：将所述集成电路模拟测试报告队列录入IC验证推导算法中，拆解得到与所述IC验证推导算法中若干个IC验证推导分支分别对应的模拟测试报告组；
所述针对每个所述模拟测试报告组，根据所述模拟测试报告组进行模拟测试推导，得到所述设定IC功能标签的IC电路实例在若干个指定集成电路验证周期的模拟测试推导结果，包括：针对每个所述模拟测试报告组，将所述模拟测试报告组录入对应的IC验证推导分支中，得到所述设定IC功能标签的IC电路实例在若干个指定集成电路验证周期的模拟测试推导结果。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括IC验证推导算法的调试步骤，所述IC验证推导算法的调试步骤，包括：
获取设定IC功能标签的最少一个参考IC电路实例的模拟测试量化结果队列；所述参考IC电路实例的模拟测试量化结果队列，包括所述参考IC电路实例在若干个前序集成电路验证周期的模拟测试量化结果；
依据所述最少一个参考IC电路实例的模拟测试量化结果队列生成若干个模拟测试训练报告队列，获得模拟测试训练报告队列集合；
所述模拟测试训练报告队列中包括最少两个前序集成电路验证周期分别对应的模拟测试训练报告，所述前序集成电路验证周期对应的模拟测试训练报告，根据最少一个所述模拟测试量化结果队列中所述前序集成电路验证周期的模拟测试量化结果获得；
采用所述模拟测试训练报告队列集合对IC验证推导算法进行调试。
5.根据权利要求4所述的方法，其特征在于，所述依据所述最少一个参考IC电路实例的模拟测试量化结果队列生成若干个模拟测试训练报告队列，获得模拟测试训练报告队列集合，包括：
对各所述模拟测试量化结果队列中相同前序集成电路验证周期的模拟测试量化结果进行文本生成，得到若干个前序集成电路验证周期的模拟测试输出文本；
依据所述若干个前序集成电路验证周期的模拟测试输出文本生成模拟测试输出文本队列；
从所述模拟测试输出文本队列中获取若干个模拟测试训练报告队列，生成模拟测试训练报告队列集合。
6.根据权利要求4所述的方法，其特征在于，所述采用所述模拟测试训练报告队列集合对IC验证推导算法进行调试，包括：
对所述IC验证推导算法进行预调试，以确定调试轮次门限；
从所述模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第一模拟测试训练报告集；
在一轮调试中，采用所述第一模拟测试训练报告集对所述IC验证推导算法进行调试，并跳转到从所述模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第一模拟测试训练报告集的步骤，直至调试循环轮次达到所述调试轮次门限时完成调试。
7.根据权利要求6所述的方法，其特征在于，所述对所述IC验证推导算法进行预调试，以确定调试轮次门限，包括：
从所述模拟测试训练报告队列集合中获取若干个模拟测试训练报告队列，得到第二模拟测试训练报告集；所述第二模拟测试训练报告集中包括的模拟测试训练报告队列的个数，小于所述第一模拟测试训练报告集中包括的模拟测试训练报告队列的个数；
在一轮调试中，采用所述第二模拟测试训练报告集对所述IC验证推导算法进行调试，并确定所述IC验证推导算法的算法质量决策指数；
在所述算法质量决策指数没有达到设定的质量决策门限值时，跳转至从所述模拟测试训练报告队列集合中获取部分模拟测试训练报告队列，得到第二模拟测试训练报告集的步骤，直至所述算法质量决策指数达到所述质量决策门限值时完成预调试，确定已调试的次数得到调试轮次门限。
8.根据权利要求6所述的方法，其特征在于，所述采用所述第一模拟测试训练报告集对所述IC验证推导算法进行调试，包括：
针对所述第一模拟测试训练报告集中每个模拟测试训练报告队列，将所述模拟测试训练报告队列分别录入所述IC验证推导算法中，得到所述模拟测试训练报告队列的模拟测试推导训练队列，所述模拟测试训练报告队列的模拟测试推导训练队列包括若干个不同训练周期的模拟测试推导结果；
依据所述模拟测试训练报告队列的模拟测试推导训练队列与所述模拟测试训练报告队列的先验模拟测试推导队列之间的区别，优化所述IC验证推导算法的算法参量；
其中，所述将所述模拟测试训练报告队列分别录入所述IC验证推导算法中，得到所述模拟测试训练报告队列的模拟测试推导训练队列包括：
将所述模拟测试训练报告队列录入所述IC验证推导算法中，通过所述IC验证推导算法对所述模拟测试训练报告队列进行拆解，得到与所述IC验证推导算法中每个IC验证推导分支分别对应的模拟测试训练报告块队列；
针对每个所述模拟测试训练报告块队列，将所述模拟测试训练报告块队列录入对应的IC验证推导分支中，得到所述模拟测试训练报告块队列对应的局部模拟测试推导训练队列；局部模拟测试推导训练队列中包括若干个训练周期的模拟测试推导结果；
基于各所述模拟测试训练报告块队列分别对应的局部模拟测试推导训练队列，得到所述模拟测试训练报告队列的模拟测试推导训练队列；
其中，所述IC验证推导分支包括语义提取组件和残差组件；所述将所述模拟测试训练报告块队列录入对应的IC验证推导分支中，得到所述模拟测试训练报告块队列对应的局部模拟测试推导训练队列包括：
将所述模拟测试训练报告块队列中每个模拟测试训练报告，依次录入对应的IC验证推导分支中，得到所述模拟测试训练报告块队列中每个模拟测试训练报告的模拟测试语义向量；
将所述模拟测试训练报告块队列中每个模拟测试训练报告的模拟测试语义向量分别输入残差组件进行推导，得到所述模拟测试训练报告块队列中每个模拟测试训练报告对应的模拟测试推导结果；每个所述模拟测试训练报告用于推导不同训练周期的模拟测试推导结果；
依据所述模拟测试训练报告块队列中每个模拟测试训练报告对应的模拟测试推导结果，得到所述模拟测试训练报告块队列对应的局部模拟测试推导训练队列。
9.一种集成电路验证装置，其特征在于，包括至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时执行权利要求1-8任一项所述的方法。
CN202410156454.1A 2024-02-04 2024-02-04 基于人工智能的集成电路验证方法、装置及存储介质 Active CN117688881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410156454.1A CN117688881B (zh) 2024-02-04 2024-02-04 基于人工智能的集成电路验证方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410156454.1A CN117688881B (zh) 2024-02-04 2024-02-04 基于人工智能的集成电路验证方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN117688881A true CN117688881A (zh) 2024-03-12
CN117688881B CN117688881B (zh) 2024-05-17

Family

ID=90130508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410156454.1A Active CN117688881B (zh) 2024-02-04 2024-02-04 基于人工智能的集成电路验证方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117688881B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118400184A (zh) * 2024-06-25 2024-07-26 国网辽宁省电力有限公司信息通信分公司 一种工控网络安全预警方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113687209A (zh) * 2021-07-15 2021-11-23 上海华岭集成电路技术股份有限公司 基于深度学习的集成电路测试异常分析系统及其方法
CN115237802A (zh) * 2022-08-09 2022-10-25 平安科技（深圳）有限公司 基于人工智能的模拟测试方法及相关设备
CN117407313A (zh) * 2023-11-08 2024-01-16 浙江数新网络有限公司 一种基于机器学习分析自动化测试质量的方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113687209A (zh) * 2021-07-15 2021-11-23 上海华岭集成电路技术股份有限公司 基于深度学习的集成电路测试异常分析系统及其方法
WO2022142426A1 (zh) * 2021-07-15 2022-07-07 上海华岭集成电路技术股份有限公司 基于深度学习的集成电路测试异常分析系统及其方法
CN115237802A (zh) * 2022-08-09 2022-10-25 平安科技（深圳）有限公司 基于人工智能的模拟测试方法及相关设备
CN117407313A (zh) * 2023-11-08 2024-01-16 浙江数新网络有限公司 一种基于机器学习分析自动化测试质量的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡锷: "集成电路测试工艺优化方法", 信息技术, no. 08, 25 August 2009 (2009-08-25), pages 170 - 172 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118400184A (zh) * 2024-06-25 2024-07-26 国网辽宁省电力有限公司信息通信分公司 一种工控网络安全预警方法及系统

Also Published As

Publication number Publication date
CN117688881B (zh) 2024-05-17

Similar Documents

Publication Publication Date Title
Cai et al. Neuralpower: Predict and deploy energy-efficient convolutional neural networks
US10366330B2 (en) Formal verification result prediction
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
Daolio et al. Problem features versus algorithm performance on rugged multiobjective combinatorial fitness landscapes
CN117688881B (zh) 基于人工智能的集成电路验证方法、装置及存储介质
CN113065703A (zh) 一种结合多种模型的时间序列预测方法
US20200334557A1 (en) Chained influence scores for improving synthetic data generation
Chen et al. Optimal variability sensitive condition-based maintenance with a Cox PH model
CN110956309A (zh) 基于crf和lstm的流程活动预测方法
Zhou et al. Aero-engine prognosis strategy based on multi-scale feature fusion and multi-task parallel learning
Jindal et al. Comparative Analysis of Software Reliability Prediction Using Machine Learning and Deep Learning
US10803218B1 (en) Processor-implemented systems using neural networks for simulating high quantile behaviors in physical systems
VandenHeuvel et al. Robust regression for electricity demand forecasting against cyberattacks
Roy et al. Deep predictive coverage collection
Zou et al. Reliability analysis of Digital Instrumentation and Control software system
Ozawa et al. How do software metrics affect test case prioritization?
Wu et al. Deep learning based test compression analyzer
CN117574835A (zh) Nand Falsh LLR分布的模拟方法、设备及存储介质
Ji et al. Multi-indicators prediction in microservice using Granger causality test and Attention LSTM
CN117473440A (zh) 一种电力时序数据预测算法集成管理系统及方法
CN116956991A (zh) 多层感知机模型生成方法、装置、计算机设备和存储介质
US11562110B1 (en) System and method for device mismatch contribution computation for non-continuous circuit outputs
Guo et al. On-the-fly reduction of stimuli for functional verification
Veira et al. Searching for Bugs Using Probabilistic Suspect Implications
Kaur et al. Entropy based bug prediction using neural network based regression

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