CN117829083B - 基于神经网络的布线方法、装置、电子设备及存储介质 - Google Patents
基于神经网络的布线方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117829083B CN117829083B CN202410233627.5A CN202410233627A CN117829083B CN 117829083 B CN117829083 B CN 117829083B CN 202410233627 A CN202410233627 A CN 202410233627A CN 117829083 B CN117829083 B CN 117829083B
- Authority
- CN
- China
- Prior art keywords
- module
- neural network
- position information
- line
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 81
- 230000008054 signal transmission Effects 0.000 claims abstract description 73
- 230000006870 function Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本申请公开了一种基于神经网络的布线方法、装置、电子设备及存储介质,该方法包括:确定至少一个预布置线路对应的起点模块的起点位置信息以及终点模块的终点位置信息;基于起点位置信息和终点位置信息,确定神经网络模型的输入数据;基于预先设置的预布置线路的信号传输相位差,利用确定了输入数据的神经网络模型计算得到各个目标线路的转折点位置信息,其中神经网络模型以转折点数量最小化、线路长度接近预设长度和/或不同线路交叉数量最小化为约束条件,并基于约束条件构建有损失函数;基于转折点位置信息,对相应的预布置线路进行布线操作形成对应的目标线路。该方法准确确定出目标线路相关数据。
Description
技术领域
本申请涉及电路设计制造领域,特别涉及一种基于神经网络的布线方法、装置、电子设备及存储介质。
背景技术
在电子设备中需要进行PCB线路排布,对于任意两个IC间的电子通路,理论上来说存在着无限种可能的连线。多个线路之间由于排布方式的不同会造成电信号传输的相位差,相位差是指在电路中两个信号之间的相位差异。相位差可以用来描述两个信号之间的时间偏移量,即一个信号相对于另一个信号的延迟或提前量。
而目前在对PCB等设备进行线路排布时,由于没有统一的规划,排布较为随意。这将造成不同线路之间的相位差较大。不利于对信号进行控制。同时,由于相位差的不同,使得信号的接收模块并不能确定信号的发送模块的身份信息,需要发送模块再将包含有身份信息的报头发送给接收模块,这无疑增加了信号处理复杂度,降低了数据的传输效率。
发明内容
本申请实施例的目的在于提供一种基于神经网络的布线方法、装置、电子设备及存储介质。该方法能够快速准确的确定出目标线路的相关数据。同时还需要确定出的目标线路能够降低信号处理复杂度,提高数据的传输效率。
为了实现上述目标本申请实施例提供了一种基于神经网络的布线方法,包括:
确定至少一个预布置线路对应的起点模块的起点位置信息以及终点模块的终点位置信息;
基于所述起点位置信息和所述终点位置信息,确定神经网络模型的输入数据;
基于预先设置的所述预布置线路的信号传输相位差,利用确定了所述输入数据的所述神经网络模型计算得到各个目标线路的转折点位置信息,其中所述神经网络模型以转折点数量最小化、线路长度接近预设长度和/或不同线路交叉数量最小化为约束条件,并基于所述约束条件构建有损失函数;
基于所述转折点位置信息,对相应的所述预布置线路进行布线操作形成对应的目标线路,其中,所述目标线路的信号传输相位差分别与所述起点模块的身份信息以及所述终点模块的身份信息相关联。
作为可选,所述确定至少一个预布置线路对应的起点模块的起点位置信息以及终点模块的终点位置信息,包括:
基于目标电路板上的参照点,确定相应的位置坐标系;
基于所述位置坐标系,确定所述起点模块的起点坐标以及所述终点模块的终点坐标。
作为可选,所述基于所述起点位置信息和所述终点位置信息,确定神经网络模型的输入数据,包括:
基于所述起点坐标、所述终点坐标以及所述预布置线路的预设长度,构建输入矩阵,其中所述输入矩阵的行向量分别对应了各个所述预布置线路的相关信息。
作为可选,所有的所述预布置线路的信号传输相位差均为同一目标相位差,所述基于预先设置的所述预布置线路的信号传输相位差,利用确定了所述输入数据的所述神经网络模型计算得到各个所述目标线路的转折点位置信息,包括:
以所述目标线路的信号传输相位差为所述目标相位差为条件,所述神经网络模型基于所述损失函数进行回归操作。
作为可选,所述方法还包括对所述神经网络模型进行训练,其中包括:
基于所述转折点数量最小化的约束条件的第一权重、所述线路长度接近预设长度的约束条件的第二权重,以及所述不同线路交叉数量最小化的约束条件的第三权重,确定所述损失函数。
作为可选,其中,所述目标线路的转折点位置信息为输出矩阵,所述输出矩阵的数据形式为不定长向量,所述不定长向量包括依次排列的所述起点模块的起点坐标、所述目标线路的转折点坐标以及所述终点模块的终点坐标。
作为可选,所述方法还包括:
基于所述目标线路的信号传输相位差,确定所述起点模块的身份信息和/或所述终点模块的身份信息。
本申请实施例还提供了一种基于神经网络的布线装置,包括:
位置模块,其配置为确定至少一个预布置线路对应的起点模块的起点位置信息以及终点模块的终点位置信息;
输入模块,其配置为基于所述起点位置信息和所述终点位置信息,确定神经网络模型的输入数据;
处理模块,其配置为基于预先设置的所述预布置线路的信号传输相位差,利用确定了所述输入数据的所述神经网络模型计算得到各个目标线路的转折点位置信息,其中所述神经网络模型以转折点数量最小化、线路长度接近预设长度和/或不同线路交叉数量最小化为约束条件,并基于所述约束条件构建有损失函数;
布线模块,其配置为基于所述转折点位置信息,对相应的所述预布置线路进行布线操作形成对应的目标线路,其中,所述目标线路的信号传输相位差分别与所述起点模块的身份信息以及所述终点模块的身份信息相关联。
本申请实施例还提供了一种电子设备,包括处理器和存储器,所述存储器中存储有可执行程序,所述存储器执行所述可执行程序以进行如上所述的方法的步骤。
本申请实施例还提供了一种存储介质,所述存储介质承载有一个或者多个计算机程序,所述一个或者多个计算机程序被处理器执行时实现如上所述的方法的步骤。
本申请实施例的该基于神经网络的布线方法使用到了神经网络模型,该神经网络模型通过以转折点数量最小化、线路长度接近预设长度和/或不同线路交叉数量最小化为约束条件,来确定神经网络模型的损失函数,对神经网络模型自身实现了智能优化,以快速准确的计算出目标线路的相关数据。并且基于目标线路的信号传输相位差还能够不通过发送报文的方式来确定起点模块和/或终点模块的身份信息,降低了信号处理复杂度,提高了数据的传输效率。
附图说明
图1为本申请实施例的基于神经网络模型的布线方法的流程图;
图2为本申请实施例的图1中步骤S100的一个实施例的流程图;
图3为本申请实施例中的Transformer模型的结构图示意图;
图4为本申请实施例的基于神经网络模型的布线装置的结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请实施例的一种基于神经网络的布线方法,该方法能够针对PCB等电路板进行合理布线,提高布线质量和效率。该方法包括确定在电路板上的至少一个预布置线路,进而确定预布置线路对应的起点模块的起点位置信息以及终点模块的终点位置信息。其中起点模块和终点模块分别为相对独立的电子模块,例如可以分别是芯片,或者是芯片内部的功能模块。预布置线路是预连接起点模块和终点模块的线路。起点位置信息为起点模块的位置信息,终点位置信息为终点模块的位置信息,起点位置信息和终点位置信息是神经网络模型的输入数据。神经网络模型需要经过训练再进行使用。训练后的神经网络模型可以用于计算起点模块和终点模块之间的具体线路布置。如该神经网络模型可以是Transformer模型,或者是基于Transformer构造的模型。Transformer是一种深度学习架构,它通过自注意力机制(self-attention)和位置编码(position encoding)来捕捉输入序列中的长距离依赖关系。Transformer不受序列长度的限制,可以处理任意长度的输入序列。这使得它在处理长序列数据时具有更高的效率和准确性。
此外,布线方法还包括基于预先设置的预布置线路的信号传输相位差,利用确定了输入数据的神经网络模型计算。具体在计算过程中,以预布置线路对应的目标线路的转折点数量最小化、线路长度接近预设长度和/或不同线路交叉数量最小化为约束条件,并基于约束条件构建有损失函数。再基于该损失函数进行计算。得到各个目标线路的转折点位置信息。
转折点位置信息可以是目标线路的转折点的坐标。基于转折点的坐标,对相应的预布置线路进行布线操作能够准确而高效的形成对应的目标线路。由于目标线路的信号传输相位差是预先确定的,因此,当终点模块接收到具有已知的信号传输相位差的信号时,可以基于信号传输相位差确定起点模块的身份信息。从而无需起点模块再向终点模块发送报文来告知自身的身份,从而降低了信号处理复杂度,节省了带宽,提高了数据的传输效率。
下面结合附图对本申请实施例的基于神经网络模型的布线方法进行详细的说明,图1为本申请实施例的基于神经网络模型的布线方法的流程图,如图1所示,方法包括以下步骤:
S100,确定至少一个预布置线路对应的起点模块的起点位置信息以及终点模块的终点位置信息。
示例性的,在对电路板进行设计、制造等过程中需要对电路板进行布线。首先需要确定至少一个预布置线路,预布置线路还并未实际布设,是根据目标电路板的设计需要来确定,随后再根据确定的预布置线路确定需要实际施工的目标线路。
预布置线路具有线路的起点模块以及终点模块,即从起点模块布线连接至终点模块。起点模块和终点模块分别为相对独立的电子模块,例如可以分别是芯片,或者是芯片内部的功能模块。
起点模块具有起点位置信息,该起点位置信息标定了起点模块的相对位置关系,例如起点位置信息可以是起点模块在整个目标电路板中的坐标。类似的,终点模块具有终点位置信息,该终点位置信息标定了终点模块的相对位置关系,例如终点位置信息可以是终点模块在整个目标电路板中的坐标。确定了起点位置信息以及终点位置信息,则可以确定起点模块和终点模块的相对位置关系。
在一个实施例中,起点位置信息和终点位置信息均可以通过数据集、数组等方式表示。
S200,基于所述起点位置信息和所述终点位置信息,确定神经网络的输入数据。
示例性的,神经网络模型用于计算起点模块和终点模块之间的具体线路布置信息。例如该神经网络模型可以是Transformer模型,或者是基于Transformer构造的模型。Transformer可以是一种深度学习架构,它通过自注意力机制(self-attention)和位置编码(position encoding)来捕捉输入序列中的长距离依赖关系。Transformer不受序列长度的限制,可以处理任意长度的输入序列。这使得它在处理长序列数据时具有更高的效率和准确性。神经网络模型需要经过训练后再进行使用,其在工作过程中需要使用相应的损失函数。
下面对本申请中的神经网路进行举例说明。例如,当神经网络模型是Transformer模型时,自注意力机制是Transformer的核心部分,它允许模型在处理序列时,将输入序列中的每个元素与其他元素进行比较,以便在不同上下文中正确地处理每个元素。
为了进一步提高模型的性能,Transformer引入了多头注意力机制(multi-headattention)。多头注意力机制通过将自注意力机制应用于多组不同的查询矩阵Q、键矩阵K和值矩阵V,从而学习到不同的上下文表示。具体来说,将输入序列分别通过不同的线性变换得到多组不同的查询矩阵Q、键矩阵K和值矩阵V,然后将它们输入到多个并行的自注意力机制中进行处理。
在一个实施例中,如图3所示,Transformer模型由编码器(Encoder)和解码器(Decoder)两部分组成。编码器将输入序列转化为一系列上下文表示向量(ContextualizedEmbedding),它由多个相同的层组成。每一层都由两个子层组成,分别是自注意力层(Self-Attention Layer)和前馈全连接层(Feedforward Layer)。具体地,自注意力层将输入序列中的每个位置与所有其他位置进行交互,以计算出每个位置的上下文表示向量。前馈全连接层则将每个位置的上下文表示向量映射到另一个向量空间,以捕捉更高级别的特征。解码器将编码器的输出和目标序列作为输入,生成目标序列中每个位置的概率分布。解码器由多个相同的层组成,每个层由三个子层组成,分别是自注意力层、编码器-解码器注意力层(Encoder-Decoder Attention Layer)和前馈全连接层。其中自注意力层和前馈全连接层的作用与编码器相同,而编码器-解码器注意力层则将解码器当前位置的输入与编码器的所有位置进行交互,以获得与目标序列有关的信息。
基于起点位置信息和终点位置信息确定的输入数据可以输入到编码器(Encoder)中,由编码器进行编码,再由Transformer模型对编码后的输入数据进行计算,得到的计算结果再由解码器进行输出。
S300,基于预先设置的所述预布置线路的信号传输相位差,利用确定了所述输入数据的所述神经网络模型计算得到各个所述目标线路的转折点位置信息,其中所述神经网络模型以转折点数量最小化、线路长度接近预设长度和/或不同线路交叉数量最小化为约束条件,并基于所述约束条件构建有损失函数。
示例性的,信号传输相位差是指在电路中两个信号之间的相位差异。信号传输相位差可以用来描述两个信号之间的时间偏移量,即一个信号相对于另一个信号的延迟或提前量。相位差的单位通常以角度(度或弧度)表示。起点模块与终点模块之间有多种可能的连线方式。从电路角度看,多种连接方式并无区别。然而,由于多种连接的实际线路长度有别,对于终点模块来说,在不同的连接方式下,从起点模块发出的信号传输相位差(电气信号的相位差)会有显著区别。因此,线路的长度和拓扑结构两者与信号传输相位差具有对应关系。
本实施例中,在基于预设的预布置线路的信号传输相位差的条件下,使用神经网络模型计算各个目标线路的转折点位置信息,使得获得到的目标线路与信号传输相位差之间具有关联关系,终点模块能够基于信号传输相位差以及该关联关系确定起点模块的身份信息。
目标线路与预布置线路相对应,预布置线路在经过神经网络模型的计算后均可以得到相应的目标线路的相关信息。包括目标线路上的转折点位置信息,如转折点的坐标。在布线时可以依据该转折点的位置来具体布线。
本实施例中,基于涉及到的线路的转折点、线路长度以及不同线路之间的关系来构建神经网络模型的约束条件。具体包括,以训练数据中涉及到的线路的转折点数量最小化、线路长度接近预设长度和/或不同线路交叉数量最小化来构建神经网络模型的约束条件。形成的约束条件能够使得神经网络模型本身更加智能化,优化了计算结果。
确定约束条件后可以基于该约束条件确定神经网络模型的损失函数。损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中,损失函数通常作为学习准则与优化问题相联系,即通过最小化损失函数求解和评估神经网络模型。
S400,基于所述转折点位置信息,对相应的所述预布置线路进行布线操作形成对应的目标线路,其中,所述目标线路的信号传输相位差分别与所述起点模块的身份信息以及所述终点模块的身份信息相关联。
示例性的,转折点位置信息表示了目标线路上的转折点的相对位置,如转折点在目标电路板上的坐标。在预布置线路上可能具有多个转折点,基于转折点位置信息,可以快速而准确的对相应的预布置线路进行布线操作,形成与预布置线路相对应的目标线路。目标线路为实际布线的线路。目标线路的信号传输相位差即为预先设置的预布置线路的信号传输相位差。
由于目标线路的信号传输相位差是预先确定的,而且神经网络模块又是在该信号传输相位差的条件下进行的计算,终点模块可以预先获知到与该信号传输相位差的相关信息,如起点模块的身份信息。当终点模块接收到具有已知的信号传输相位差的信号时,可以基于信号传输相位差确定起点模块的身份信息。从而无需起点模块再向终点模块发送报文来告知自身的身份,从而降低了信号处理复杂度,节省了带宽,提高了数据的传输效率。
本申请实施例的该基于神经网络的布线方法使用到了神经网络模型,该神经网络模型通过以转折点数量最小化、线路长度接近预设长度和/或不同线路交叉数量最小化为约束条件,来确定神经网络模型的损失函数。对神经网络模型自身实现了智能优化,以快速准确的计算出目标线路的相关数据。并且基于目标线路的信号传输相位差还能够不通过发送报文的方式来确定起点模块和/或终点模块的身份信息,降低了信号处理复杂度,提高了数据的传输效率。
在本申请的一个实施例中,所述确定至少一个预布置线路对应的起点模块的起点位置信息以及终点模块的终点位置信息,如图2所示,包括以下步骤:
S110,基于目标电路板上的参照点,确定相应的位置坐标系。
示例性的,目标电路板上设置有至少一个参照点,参照点用于对目标电路板上的其他模块进行位置参照。本实施例中,基于参照点的位置确定相应的位置坐标系。
举例说明,将位置目标电路板的中心位置确定为参照点,基于该中心位置构建位置坐标系。
S120,基于所述位置坐标系,确定所述起点模块的起点坐标以及所述终点模块的终点坐标。
示例性的,基于位置坐标系,目标电路板上所有的位置均具有相应的坐标。这包括基于该位置坐标系可以确定起点模块的位置坐标,以及终点模块的位置坐标。
例如,第一起点模块的位置坐标为(115,46),对应的第一终点模块的位置坐标为(152,162);第二起点模块的位置坐标为(146,46),对应的第一终点模块的位置坐标为(161,170)。
在本申请的一个实施例中,所述基于所述起点位置信息和所述终点位置信息,确定神经网络模型的输入数据,包括:
基于所述起点坐标、所述终点坐标以及所述预布置线路的预设长度,构建输入矩阵,其中所述输入矩阵的行向量分别对应了各个所述预布置线路的相关信息。
示例性的,输入矩阵是神经网络模型的输入数据的一种形式。起点坐标、终点坐标以及预布置线路的预设长度分别以具体数值的方式来构建该输入矩阵。
举例说明,第一起点模块的位置坐标为(115,46),对应的第一终点模块的位置坐标为(152,162),对应的第一预设长度为138.7;第二起点模块的位置坐标为(146,46),对应的第一终点模块的位置坐标为(161,170),对应的第一预设长度为130.2。如图3所示,基于上述的数据构建输入矩阵为:
以上述具有固定尺寸矩阵形式输入矩阵作为神经网络模型的输入数据,其中输入矩阵的每一行代表一条目标线路,起点模块、终点模块的(x,y)坐标和预设长度依次排列。
在本申请的一个实施例中,所有的所述预布置线路的信号传输相位差均为同一目标相位差,所述基于预先设置的所述预布置线路的信号传输相位差,利用确定了所述输入数据的所述神经网络模型计算得到各个所述目标线路的转折点位置信息,包括:
以所述目标线路的信号传输相位差为所述目标相位差为条件,所述神经网络模型基于所述损失函数进行回归操作。
示例性的,所有的预布置线路的信号传输相位差均为同一目标相位差,也即所有的目标线路的信号传输相位差均为同一目标相位差。在同一目标相位差的前提下,神经网络模型基于损失函数进行回归操作。该回归操作是一种用于研究变量之间关系的统计学方法。神经网络模型进行回归操作是用于建立输入数据和输出数据之间的非线性关系,得到准确的输出数据。输出数据可以是转折点的位置坐标,输出数据对应的信号相位差也为目标相位差。
在本申请的一个实施例中,所述方法还包括对所述神经网络模型进行训练,其中包括:
基于所述转折点数量最小化的约束条件的第一权重、所述线路长度接近预设长度的约束条件的第二权重,以及所述不同线路交叉数量最小化的约束条件的第三权重,确定所述损失函数。
示例性的,神经网络模型需要对其进行训练,再进行使用。在训练的过程中可以使用训练数据进行输入等操作来实现对神经网络模型的训练步骤,并逐步确定出神经网络的约束条件以及损失函数。本实施例中,基于以训练数据中涉及到的转折点数量最小化、线路长度接近预设长度和/或不同线路交叉数量最小化为约束条件,来逐步的确定出神经网络模型的损失函数。
转折点数量最小化的约束条件,线路长度接近预设长度的约束条件,以及不同线路交叉数量最小化的约束条件具有各自的权重,基于不同的权重以及各个对应的约束条件可以构建损失函数。
举例说明,transformer模型在训练中需要最小化如下损失函数(lossfunction):
其中,Y是神经网络模型的输出数据;i,j表示线编号;表示向量长度,即转折点数量(线上拐点转折数);/>表示输入矩阵在第i行最后一个数,即第i根线的预设长度;/>表示第i根线的总长度,由线上拐点依次相连后每段长度相加得出;计算第i根线和第j根线的交叉次数;/>计算网络输出和真实值之间的距离;/>表示权重,即loss中的占比,其中/>表示第一权重,/>表示第二权重,/>表示第三权重。
在本申请的一个实施例中,所述目标线路的转折点位置信息为输出矩阵,所述输出矩阵的数据形式为不定长向量,所述不定长向量包括依次排列的所述起点模块的起点坐标、所述目标线路的转折点坐标以及所述终点模块的终点坐标。
示例性的,结合上述实施例进行说明,如图3所示,神经网络模型的输入矩阵为:
以上述具有固定尺寸矩阵形式输入矩阵作为神经网络模型的输入数据,其中输入矩阵的每一行代表一条目标线路,起点模块、终点模块的(x,y)坐标和预设长度依次排列。计算得到的输出数据为一系列不定长向量,表示连线上包括依次排列的起点模块的坐标、目标线路上的每个转折点坐标以及终点模块的坐标,例如:输出数据为不定长向量。其中起点模块的坐标为(146,46),第一转折点坐标为(146,67),第二转折点坐标为(161,82),终点模块的坐标为(161,170)。
在本申请的一个实施例中,所述方法还包括以下步骤:基于所述目标线路的信号传输相位差,确定所述起点模块的身份信息和/或所述终点模块的身份信息。
示例性的,目标线路的信号传输相位差为预先确定的预布置线路的信号传输相位差。在以该信号传输相位差为前提条件计算得到的转折点坐标,并基于该转折点坐标布设线路过程中,终点模块可以预先获知到与该信号传输相位差的相关信息,如起点模块的身份信息。当每个终点模块收到的信号并确定相位差为信号传输相位差时,则可以确定对应的起点模块的身份信息。从而无需起点模块再向终点模块发送报文来告知自身的身份,从而降低了信号处理复杂度,节省了带宽,提高了数据的传输效率。
在一个实施例中,在终点模块使用电子控制的锁相环通过连续使用不同的设置对本地的信号产生相差直至与输入的信号的相位相吻合。通过这种枚举的方式,可获得对应当前相位的电子信号,进而获得信号传输相位差。
举例说明,当预先确定的目标线路的信号传输相位差为A时,第一终点模块在收到第一信号后,当确定对应的相位差为A,则基于预先获知的相位差A与起点模块之间的关联关系,能够确定与其关联的起点模块为第一起点模块,无需第一起点模块再向第一终点模块发送表明身份的报文;类似的,当预先确定的目标线路的信号传输相位差为B时,第二终点模块在收到第二信号后,当确定对应的相位差为B,则基于预先获知的相位差B与起点模块之间的关联关系,能够确定与其关联的起点模块为第二起点模块,无需第二起点模块再向第二终点模块发送表明身份的报文。
基于同样的发明构思,本申请实施例还提供了一种基于神经网络的布线装置,如图4所示,包括:
位置模块,其配置为确定至少一个预布置线路对应的起点模块的起点位置信息以及终点模块的终点位置信息。
示例性的,在对电路板进行设计、制造等过程中需要对电路板进行布线。首先需要确定至少一个预布置线路,预布置线路还并未实际布设,是根据目标电路板的设计需要来确定,随后再根据确定的预布置线路确定需要实际施工的目标线路。
预布置线路具有线路的起点模块以及终点模块,即从起点模块布线连接至终点模块。起点模块和终点模块分别为相对独立的电子模块,例如可以分别是芯片,或者是芯片内部的功能模块。
起点模块具有起点位置信息,该起点位置信息标定了起点模块的相对位置关系,例如起点位置信息可以是起点模块在整个目标电路板中的坐标。类似的,终点模块具有终点位置信息,该终点位置信息标定了终点模块的相对位置关系,例如终点位置信息可以是终点模块在整个目标电路板中的坐标。位置模块确定了起点位置信息以及终点位置信息,则可以确定起点模块和终点模块的相对位置关系。
在一个实施例中,起点位置信息和终点位置信息均可以通过数据集、数组等方式表示。
输入模块,其配置为基于所述起点位置信息和所述终点位置信息,确定神经网络模型的输入数据。
示例性的,神经网络模型用于计算起点模块和终点模块之间的具体线路布置信息。例如该神经网络模型可以是Transformer模型,或者是基于Transformer构造的模型。Transformer可以是一种深度学习架构,它通过自注意力机制(self-attention)和位置编码(position encoding)来捕捉输入序列中的长距离依赖关系。Transformer不受序列长度的限制,可以处理任意长度的输入序列。这使得它在处理长序列数据时具有更高的效率和准确性。神经网络模型需要经过训练后再进行使用,其在工作过程中需要使用相应的损失函数。
下面对本申请中的神经网路进行举例说明。例如,当神经网络模型是Transformer模型时,自注意力机制是Transformer的核心部分,它允许模型在处理序列时,将输入序列中的每个元素与其他元素进行比较,以便在不同上下文中正确地处理每个元素。
为了进一步提高模型的性能,Transformer引入了多头注意力机制(multi-headattention)。多头注意力机制通过将自注意力机制应用于多组不同的查询矩阵Q、键矩阵K和值矩阵V,从而学习到不同的上下文表示。具体来说,将输入序列分别通过不同的线性变换得到多组不同的查询矩阵Q、键矩阵K和值矩阵V,然后将它们输入到多个并行的自注意力机制中进行处理。
在一个实施例中,Transformer模型由编码器(Encoder)和解码器(Decoder)两部分组成。编码器将输入序列转化为一系列上下文表示向量(Contextualized Embedding),它由多个相同的层组成。每一层都由两个子层组成,分别是自注意力层(Self-AttentionLayer)和前馈全连接层(Feedforward Layer)。具体地,自注意力层将输入序列中的每个位置与所有其他位置进行交互,以计算出每个位置的上下文表示向量。前馈全连接层则将每个位置的上下文表示向量映射到另一个向量空间,以捕捉更高级别的特征。解码器将编码器的输出和目标序列作为输入,生成目标序列中每个位置的概率分布。解码器由多个相同的层组成,每个层由三个子层组成,分别是自注意力层、编码器-解码器注意力层(Encoder-Decoder Attention Layer)和前馈全连接层。其中自注意力层和前馈全连接层的作用与编码器相同,而编码器-解码器注意力层则将解码器当前位置的输入与编码器的所有位置进行交互,以获得与目标序列有关的信息。
输入模块基于起点位置信息和终点位置信息确定的输入数据可以输入到编码器(Encoder)中,由编码器进行编码,再由Transformer模型对编码后的输入数据进行计算,得到的计算结果再由解码器进行输出。
处理模块,其配置为基于预先设置的所述预布置线路的信号传输相位差,利用确定了所述输入数据的所述神经网络模型计算得到各个目标线路的转折点位置信息,其中所述神经网络模型以转折点数量最小化、线路长度接近预设长度和/或不同线路交叉数量最小化为约束条件,并基于所述约束条件构建有损失函数。
示例性的,信号传输相位差是指在电路中两个信号之间的相位差异。信号传输相位差可以用来描述两个信号之间的时间偏移量,即一个信号相对于另一个信号的延迟或提前量。相位差的单位通常以角度(度或弧度)表示。起点模块与终点模块之间有多种可能的连线方式。从电路角度看,多种连接方式并无区别。然而,由于多种连接的实际线路长度有别,对于终点模块来说,在不同的连接方式下,从起点模块发出的信号传输相位差(电气信号的相位差)会有显著区别。因此,线路的长度和拓扑结构两者与信号传输相位差具有对应关系。
本实施例中,在基于预设的预布置线路的信号传输相位差的条件下,处理模块使用神经网络模型计算各个目标线路的转折点位置信息,使得获得到的目标线路与信号传输相位差之间具有关联关系,终点模块能够基于信号传输相位差以及该关联关系确定起点模块的身份信息。
目标线路与预布置线路相对应,预布置线路在经过神经网络模型的计算后均可以得到相应的目标线路的相关信息。包括目标线路上的转折点位置信息,如转折点的坐标。在布线时可以依据该转折点的位置来具体布线。
本实施例中,处理模块基于涉及到的线路的转折点、线路长度以及不同线路之间的关系来构建神经网络模型的约束条件。具体包括,以训练数据中涉及到的线路的转折点数量最小化、线路长度接近预设长度和/或不同线路交叉数量最小化来构建神经网络模型的约束条件。形成的约束条件能够使得神经网络模型本身更加智能化,优化了计算结果。
确定约束条件后处理模块可以基于该约束条件确定神经网络模型的损失函数。损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中,损失函数通常作为学习准则与优化问题相联系,即通过最小化损失函数求解和评估神经网络模型。
布线模块,其配置为基于所述转折点位置信息,对相应的所述预布置线路进行布线操作形成对应的目标线路,其中,所述目标线路的信号传输相位差分别与所述起点模块的身份信息以及所述终点模块的身份信息相关联。
示例性的,转折点位置信息表示了目标线路上的转折点的相对位置,如转折点在目标电路板上的坐标。在预布置线路上可能具有多个转折点,布线模块基于转折点位置信息,可以快速而准确的对相应的预布置线路进行布线操作,形成与预布置线路相对应的目标线路。目标线路为实际布线的线路。目标线路的信号传输相位差即为预先设置的预布置线路的信号传输相位差。
由于目标线路的信号传输相位差是预先确定的,而且神经网络模块又是在该信号传输相位差的条件下进行的计算,终点模块可以预先获知到与该信号传输相位差的相关信息,如起点模块的身份信息。当终点模块接收到具有已知的信号传输相位差的信号时,可以基于信号传输相位差确定起点模块的身份信息。从而无需起点模块再向终点模块发送报文来告知自身的身份,从而降低了信号处理复杂度,节省了带宽,提高了数据的传输效率。
在本申请的一个实施例中,位置模块进一步配置为:
基于目标电路板上的参照点,确定相应的位置坐标系;
基于所述位置坐标系,确定所述起点模块的起点坐标以及所述终点模块的终点坐标。
在本申请的一个实施例中,输入模块进一步配置为:
基于所述起点坐标、所述终点坐标以及所述预布置线路的预设长度,构建输入矩阵,其中所述输入矩阵的行向量分别对应了各个所述预布置线路的相关信息。
在本申请的一个实施例中,所有的所述预布置线路的信号传输相位差均为同一目标相位差,处理模块进一步配置为:
以所述目标线路的信号传输相位差为所述目标相位差为条件,所述神经网络模型基于所述损失函数进行回归操作。
在本申请的一个实施例中,布线装置还包括训练模块,训练模块配置为:
基于所述转折点数量最小化的约束条件的第一权重、所述线路长度接近预设长度的约束条件的第二权重,以及所述不同线路交叉数量最小化的约束条件的第三权重,确定所述损失函数。
在本申请的一个实施例中,所述目标线路的转折点位置信息为输出矩阵,所述输出矩阵的数据形式为不定长向量,所述不定长向量包括依次排列的所述起点模块的起点坐标、所述目标线路的转折点坐标以及所述终点模块的终点坐标。
在本申请的一个实施例中,处理模块进一步配置为:
基于所述目标线路的信号传输相位差,确定所述起点模块的身份信息和/或所述终点模块的身份信息。
本申请实施例还提供了一种电子设备,如图所示,包括处理器和存储器,所述存储器中存储有可执行程序,所述存储器执行所述可执行程序以进行如上所述的方法的步骤。
本申请实施例还提供了一种存储介质,所述存储介质承载有一个或者多个计算机程序,所述一个或者多个计算机程序被处理器执行时实现如上所述的方法的步骤。
应理解,在本申请实施例中,处理器可以是中央处理单元(Central ProcessingUnit,简称CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
还应理解,本申请实施例中提及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,简称ROM)、可编程只读存储器(Programmable ROM,简称PROM)、可擦除可编程只读存储器(Erasable PROM,简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccess Memory,简称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,简称SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,简称DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,简称SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,简称DR RAM)。
需要说明的是,当处理器为通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时,存储器(存储模块)集成在处理器中。
应注意,本文描述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。
还应理解,本文中涉及的第一、第二、第三、第四以及各种数字编号仅为描述方便进行的区分,并不用来限制本申请的范围。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在实现过程中,上述方法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。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处理器执行完成,或者用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。为避免重复,这里不再详细描述。
在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各种说明性逻辑块(illustrative logical block,简称ILB)和步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法、装置及电子设备,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于神经网络的布线方法,其特征在于,包括:
确定至少一个预布置线路对应的起点模块的起点位置信息以及终点模块的终点位置信息;
基于所述起点位置信息和所述终点位置信息,确定神经网络模型的输入数据,其中包括:基于所述起点模块的起点坐标、所述终点模块的终点坐标以及所述预布置线路的预设长度,构建输入矩阵,其中所述输入矩阵的行向量分别对应了各个所述预布置线路的相关信息;
基于预先设置的所述预布置线路的信号传输相位差,利用确定了所述输入数据的所述神经网络模型计算得到各个目标线路的转折点位置信息,其中所述神经网络模型以转折点数量最小化、线路长度接近预设长度和不同线路交叉数量最小化为约束条件,并基于所述约束条件构建有损失函数;
基于所述转折点位置信息,对相应的所述预布置线路进行布线操作形成对应的目标线路,其中,所述目标线路的信号传输相位差分别与所述起点模块的身份信息以及所述终点模块的身份信息相关联。
2.根据权利要求1所述的基于神经网络的布线方法,其特征在于,所述确定至少一个预布置线路对应的起点模块的起点位置信息以及终点模块的终点位置信息,包括:
基于目标电路板上的参照点,确定相应的位置坐标系;
基于所述位置坐标系,确定所述起点模块的起点坐标以及所述终点模块的终点坐标。
3.根据权利要求1所述的基于神经网络的布线方法,其特征在于,所有的所述预布置线路的信号传输相位差均为同一目标相位差,所述基于预先设置的所述预布置线路的信号传输相位差,利用确定了所述输入数据的所述神经网络模型计算得到各个所述目标线路的转折点位置信息,包括:
在所述目标线路的信号传输相位差为所述目标相位差的前提条件下,所述神经网络模型基于所述损失函数进行回归操作。
4.根据权利要求1所述的基于神经网络的布线方法,其特征在于,所述方法还包括对所述神经网络模型进行训练,其中包括:
基于所述转折点数量最小化的约束条件的第一权重、所述线路长度接近预设长度的约束条件的第二权重,以及所述不同线路交叉数量最小化的约束条件的第三权重,确定所述损失函数。
5.根据权利要求1所述的基于神经网络的布线方法,其特征在于,其中,所述目标线路的转折点位置信息为输出矩阵,所述输出矩阵的数据形式为不定长向量,所述不定长向量包括依次排列的所述起点模块的起点坐标、所述目标线路的转折点坐标以及所述终点模块的终点坐标。
6.根据权利要求1所述的基于神经网络的布线方法,其特征在于,所述方法还包括:
基于所述目标线路的信号传输相位差,确定所述起点模块的身份信息和/或所述终点模块的身份信息。
7.一种基于神经网络的布线装置,其特征在于,包括:
位置模块,其配置为确定至少一个预布置线路对应的起点模块的起点位置信息以及终点模块的终点位置信息;
输入模块,其配置为基于所述起点位置信息和所述终点位置信息,确定神经网络模型的输入数据,其中包括:基于所述起点模块的起点坐标、所述终点模块的终点坐标以及所述预布置线路的预设长度,构建输入矩阵,其中所述输入矩阵的行向量分别对应了各个所述预布置线路的相关信息;
处理模块,其配置为基于预先设置的所述预布置线路的信号传输相位差,利用确定了所述输入数据的所述神经网络模型计算得到各个目标线路的转折点位置信息,其中所述神经网络模型以转折点数量最小化、线路长度接近预设长度和不同线路交叉数量最小化为约束条件,并基于所述约束条件构建有损失函数;
布线模块,其配置为基于所述转折点位置信息,对相应的所述预布置线路进行布线操作形成对应的目标线路,其中,所述目标线路的信号传输相位差分别与所述起点模块的身份信息以及所述终点模块的身份信息相关联。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有可执行程序,所述存储器执行所述可执行程序以进行如权利要求1至6任意一项所述的方法的步骤。
9.一种存储介质,其特征在于,所述存储介质承载有一个或者多个计算机程序,所述一个或者多个计算机程序被处理器执行时实现如权利要求1至6任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410233627.5A CN117829083B (zh) | 2024-03-01 | 2024-03-01 | 基于神经网络的布线方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410233627.5A CN117829083B (zh) | 2024-03-01 | 2024-03-01 | 基于神经网络的布线方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117829083A CN117829083A (zh) | 2024-04-05 |
CN117829083B true CN117829083B (zh) | 2024-05-28 |
Family
ID=90510057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410233627.5A Active CN117829083B (zh) | 2024-03-01 | 2024-03-01 | 基于神经网络的布线方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829083B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7735048B1 (en) * | 2003-11-24 | 2010-06-08 | Cadence Design Systems, Inc. | Achieving fast parasitic closure in a radio frequency integrated circuit synthesis flow |
KR102131414B1 (ko) * | 2019-12-31 | 2020-07-08 | 한국산업기술시험원 | 사용자 위치정보와 거주 기후 조건하에서 심층 강화 학습 알고리즘을 적용한 공기조화기 예비 냉난방 에너지절약 학습 시스템 및 그 방법 |
EP3772028A1 (en) * | 2019-07-30 | 2021-02-03 | Bayerische Motoren Werke Aktiengesellschaft | Method and system for routing a plurality of vehicles using a neural network |
CN112528591A (zh) * | 2020-12-11 | 2021-03-19 | 电子科技大学 | 一种基于联合蒙特卡洛树搜索的pcb板自动布线方法 |
DE102019217733A1 (de) * | 2019-11-18 | 2021-05-20 | Volkswagen Aktiengesellschaft | Verfahren zum Betreiben eines Bediensystems in einem Fahrzeug und Bediensystem für ein Fahrzeug |
CN113673196A (zh) * | 2021-08-15 | 2021-11-19 | 上海立芯软件科技有限公司 | 一种基于可布线性预测的全局布线优化方法 |
CN114462594A (zh) * | 2022-01-11 | 2022-05-10 | 广东轩辕网络科技股份有限公司 | 神经网络训练方法、装置、电子设备及存储介质 |
CN115221833A (zh) * | 2022-07-27 | 2022-10-21 | 苏州浪潮智能科技有限公司 | 一种pcb板布线排序方法、系统、装置及可读存储介质 |
CN115329705A (zh) * | 2022-07-29 | 2022-11-11 | 全智芯(上海)技术有限公司 | 半导体器件的布局方法、装置、可读存储介质、终端 |
KR102513647B1 (ko) * | 2022-06-29 | 2023-03-24 | 디지털파워넷 주식회사 | 위상차 없는 센서유닛을 이용한 사물인터넷 기반의 전기안전 원격 점검 및 제어장치 |
CN116070575A (zh) * | 2023-01-12 | 2023-05-05 | 广东工业大学 | 一种芯片布线优化方法及软件系统 |
CN116151324A (zh) * | 2023-02-28 | 2023-05-23 | 东南大学 | 基于图神经网络的rc互连延时预测方法 |
US11803760B1 (en) * | 2019-10-29 | 2023-10-31 | Cadence Design Systems, Inc. | Method and systems for combining neural networks with genetic optimization in the context of electronic component placement |
WO2024011876A1 (zh) * | 2022-07-14 | 2024-01-18 | 东南大学 | 一种数字集成电路布线后路径延时预测方法 |
CN117473384A (zh) * | 2023-10-30 | 2024-01-30 | 南方电网数字电网研究院有限公司 | 一种电网线路安全约束辨识方法、装置、设备及存储介质 |
WO2024040941A1 (zh) * | 2022-08-25 | 2024-02-29 | 华为云计算技术有限公司 | 神经网络结构搜索方法、装置及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7668700B2 (en) * | 2001-09-29 | 2010-02-23 | The Boeing Company | Adaptive distance field constraint for designing a route for a transport element |
US7792662B2 (en) * | 2006-04-28 | 2010-09-07 | Caterpillar Inc | Automatic hose and harness routing method and system |
US11391819B2 (en) * | 2018-07-18 | 2022-07-19 | Qualcomm Incorporate | Object verification using radar images |
KR20200097369A (ko) * | 2019-02-07 | 2020-08-19 | 삼성전자주식회사 | 광학 장치 및 이를 포함하는 광신경망 장치 |
US11625580B2 (en) * | 2019-05-31 | 2023-04-11 | Apple Inc. | Neural network wiring discovery |
DE112020006410T5 (de) * | 2019-12-31 | 2022-10-27 | Nvidia Corporation | Dreidimensionale kreuzungsstrukturvorhersage für anwendungen zum autonomen fahren |
CN112561146B (zh) * | 2020-12-08 | 2023-04-18 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
-
2024
- 2024-03-01 CN CN202410233627.5A patent/CN117829083B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7735048B1 (en) * | 2003-11-24 | 2010-06-08 | Cadence Design Systems, Inc. | Achieving fast parasitic closure in a radio frequency integrated circuit synthesis flow |
EP3772028A1 (en) * | 2019-07-30 | 2021-02-03 | Bayerische Motoren Werke Aktiengesellschaft | Method and system for routing a plurality of vehicles using a neural network |
US11803760B1 (en) * | 2019-10-29 | 2023-10-31 | Cadence Design Systems, Inc. | Method and systems for combining neural networks with genetic optimization in the context of electronic component placement |
DE102019217733A1 (de) * | 2019-11-18 | 2021-05-20 | Volkswagen Aktiengesellschaft | Verfahren zum Betreiben eines Bediensystems in einem Fahrzeug und Bediensystem für ein Fahrzeug |
KR102131414B1 (ko) * | 2019-12-31 | 2020-07-08 | 한국산업기술시험원 | 사용자 위치정보와 거주 기후 조건하에서 심층 강화 학습 알고리즘을 적용한 공기조화기 예비 냉난방 에너지절약 학습 시스템 및 그 방법 |
CN112528591A (zh) * | 2020-12-11 | 2021-03-19 | 电子科技大学 | 一种基于联合蒙特卡洛树搜索的pcb板自动布线方法 |
CN113673196A (zh) * | 2021-08-15 | 2021-11-19 | 上海立芯软件科技有限公司 | 一种基于可布线性预测的全局布线优化方法 |
CN114462594A (zh) * | 2022-01-11 | 2022-05-10 | 广东轩辕网络科技股份有限公司 | 神经网络训练方法、装置、电子设备及存储介质 |
KR102513647B1 (ko) * | 2022-06-29 | 2023-03-24 | 디지털파워넷 주식회사 | 위상차 없는 센서유닛을 이용한 사물인터넷 기반의 전기안전 원격 점검 및 제어장치 |
WO2024011876A1 (zh) * | 2022-07-14 | 2024-01-18 | 东南大学 | 一种数字集成电路布线后路径延时预测方法 |
CN115221833A (zh) * | 2022-07-27 | 2022-10-21 | 苏州浪潮智能科技有限公司 | 一种pcb板布线排序方法、系统、装置及可读存储介质 |
CN115329705A (zh) * | 2022-07-29 | 2022-11-11 | 全智芯(上海)技术有限公司 | 半导体器件的布局方法、装置、可读存储介质、终端 |
WO2024040941A1 (zh) * | 2022-08-25 | 2024-02-29 | 华为云计算技术有限公司 | 神经网络结构搜索方法、装置及存储介质 |
CN116070575A (zh) * | 2023-01-12 | 2023-05-05 | 广东工业大学 | 一种芯片布线优化方法及软件系统 |
CN116151324A (zh) * | 2023-02-28 | 2023-05-23 | 东南大学 | 基于图神经网络的rc互连延时预测方法 |
CN117473384A (zh) * | 2023-10-30 | 2024-01-30 | 南方电网数字电网研究院有限公司 | 一种电网线路安全约束辨识方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Micro drill defect detection with hybrid BP networks,clusters selection and crossover;Dong yuan Ge等;Springer Link;20240202;全文 * |
Neural nerwork fitness function for optimization-based approaches to PCB design automation;Murphy等;MIT Libraries;20201231;全文 * |
基于Σ-Δ调制的比特流Sigmoid函数的实现及其在3-D空间判别网络中的应用;郭晓丹;孟桥;梁勇;;电子学报;20150515(第05期);全文 * |
输电线路故障定位新技术应用综述;李强, 石新生, 龚庆武;高压电器;20050225(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117829083A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410017B2 (en) | Synaptic, dendritic, somatic, and axonal plasticity in a network of neural cores using a plastic multi-stage crossbar switching | |
US9275330B2 (en) | Multi-compartment neurons with neural cores | |
US11176446B2 (en) | Compositional prototypes for scalable neurosynaptic networks | |
CN110309847B (zh) | 一种模型压缩方法及装置 | |
CN111950225A (zh) | 一种芯片布局方法、装置、存储介质和电子设备 | |
CN109597816A (zh) | 参数校验方法、装置、计算机存储介质及嵌入式设备 | |
CN113222143B (zh) | 图神经网络训练方法、系统、计算机设备及存储介质 | |
CN113467487B (zh) | 路径规划模型的训练、路径规划方法、装置及电子设备 | |
CN113673688A (zh) | 权重生成方法、数据处理方法及装置、电子设备、介质 | |
CN115017178A (zh) | 数据到文本生成模型的训练方法和装置 | |
CN117829083B (zh) | 基于神经网络的布线方法、装置、电子设备及存储介质 | |
Wei et al. | Quasi-consensus control for stochastic multiagent systems: When energy harvesting constraints meet multimodal FDI attacks | |
KR20210127084A (ko) | 언페어링 데이터로 다수의 랜덤 변수 간의 확률적 추론 모델을 학습하기 위한 방법 및 장치 | |
CN113839830A (zh) | 数据包多发参数的预测方法、装置与存储介质 | |
CN115690449A (zh) | 一种基于局部特征增强和并行解码器的图像标注方法 | |
CN115129642A (zh) | 芯片总线延时调整方法、电子设备和介质 | |
CN114781630A (zh) | 权重数据存储方法及装置、芯片、电子设备、可读介质 | |
CN117349033B (zh) | 脑仿真处理方法及装置、电子设备、计算机可读存储介质 | |
CN116931619B (zh) | 一种激光器的温度控制方法及系统 | |
CN116011563B (zh) | 一种面向脉冲中继的高性能脉冲发送仿真方法和装置 | |
GB2618079A (en) | System and apparatus suitable for Utilization of neural network based approach in association with integer programming,and a processing method in association | |
WO2024046460A1 (zh) | 端口模型、构建方法、系统及神经网络构建平台 | |
CN110135557B (zh) | 一种图像处理系统的神经网络拓扑架构 | |
Serpen et al. | Reduced Complexity Simulation of Wireless Sensor Networks for Application Development | |
CN117787196A (zh) | 基于深度强化学习的绕障X结构Steiner最小树方法 |
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 |