时钟树综合最优策略预测方法、系统及应用技术方案

为了解决现有技术的不足，本发明专利技术提供一种时钟树综合最优策略预测方法、系统及应用，包括：利用粒子群优化算法对待用芯片的时钟树进行最优化处理，获得最优设计方案；通过采集脚本，记录针对所述待用芯片的普通设计方案以及所述最优设计方案的设计信息数据构成总设计数据集；设置神经网络模型，并利用所述神经网络模型对所述总设计数据集进行学习，训练所述神经网络模型，得到训练后模型；利用所述训练后模型，对所述时钟树综合最优策略进行预测。本发明专利技术通过机器学习算法建立时钟树综合最优策略的预测模型，可以大大缩短芯片的设计周期，同时降低因时钟树综合结果不理想而带来的芯片失效风险。芯片失效风险。芯片失效风险。

【技术实现步骤摘要】
时钟树综合最优策略预测方法、系统及应用


[0001]本专利技术涉及电子
，特别涉及一种时钟树综合最优策略预测方法、系统、电子装置及应用。

技术介绍

[0002]目前常用的时钟树代码生成方法，包括：建立时钟结构信息表，时钟结构信息表包括表示第一级的至少一个时钟信号源，以及与时钟信号源级联的至少一时钟产生单元；获取时钟结构信息表中的时钟结构信息；根据时钟结构信息应用预设的时钟产生单元的描述规则生成时钟树的时钟约束文件或代码，能够直接将时钟树的描述转换成时钟树的时钟约束文件，保证了文档与代码的一致性，提高自动化的程度和可靠性。
[0003]但是，目前的时钟树代码生成方法需要先手动建立时钟结构信息表；而在越来越大的数字芯片设计中，时钟结构越来越复杂，要针对复杂的时钟结构建立一个精细化的信息表显然需要花费非常长的时间，同时人工定义往往不一定是时钟树的最优解，存在继续优化的空间。

技术实现思路

[0004]为了解决现有技术的不足，本专利技术提供一种时钟树综合最优策略预测方法、系统及应用，用于至少解决
技术介绍
中的一个技术问题。
[0005]本专利技术所采用的技术方案是：
[0006]一种时钟树综合最优策略预测方法，包括：
[0007]利用粒子群优化算法对待用芯片的时钟树进行最优化处理，获得最优设计方案；
[0008]通过采集脚本，记录针对所述待用芯片的普通设计方案以及所述最优设计方案的设计信息数据构成总设计数据集；
[0009]设置神经网络模型，并利用所述神经网络模型对所述总设计数据集进行学习，训练所述神经网络模型，得到训练后模型；
[0010]利用所述训练后模型，对所述时钟树综合最优策略进行预测。
[0011]所述“利用所述神经网络模型对所述总设计数据集进行学习”，包括：
[0012]利用所述总设计数据集的数据作为机器学习预测模型的数据集；
[0013]将所述普通设计方案的设计信息数据作为特征向量；将所述最优设计方案的脚本作为标签信息，训练所述神经网络模型。
[0014]所述“设计信息数据”，包括：
[0015]设计方案中的时序、时钟树、物理设计信息中的一种或几种。
[0016]所述“利用粒子群优化算法对待用芯片的时钟树进行最优化处理”，包括：
[0017]根据使用者的需求，定义粒子为时钟树中某一个约束对象或者全部约束的组合；
[0018]设置适应度函数、确定粒子数量、确定学习因子、惯性权重的值以及所述粒子的速度和位置更新函数；
[0019]通过设置迭代次数或者优化退出条件，得到最优约束解。
[0020]所述“设置神经网络模型，并利用所述神经网络模型对所述总设计数据集进行学习，训练所述神经网络模型，得到训练后模型”，包括：
[0021]将所述粒子群优化算法对待用芯片的时钟树进行最优化处理时，获得的优化约束解作为机器学习的标签信息；
[0022]利用数据抽取脚本，在时钟树综合优化之前抽取的数据特征，作为机器学习的特征向量；
[0023]将所述优化约束解和所述数据特征，合成机器学习的数据集，划分为训练集、测试集以及验证集；
[0024]利用所述数据集，通过设置训练算法和模型结构，利用监督式机器学习方法，训练输出一个带最优约束预测输出的模型；
[0025]输出一个最优的机器学习预测模型。
[0026]所述“输出一个最优的机器学习预测模型”，包括：
[0027]根据预测的精度，调整训练算法，直至得到一个理想的预测精度，最后输出一个最优的机器学习预测模型。
[0028]所述“利用所述训练后模型，对所述时钟树综合最优策略进行预测”，包括：
[0029]在进行预测之前，将所述总设计数据集存储在指定位置；
[0030]将所述总设计数据集输入到所述神经网络模型中，获得预测的约束值，并将所述预测的约束值的内容与设定的约束值内容进行对应；
[0031]将所述预测的约束值与设定的时钟树综合脚本命令进行合并，得到专用的时钟树综合脚本；
[0032]在进行所述时钟树综合最优策略预测之前读取该脚本，进行约束设置；
[0033]进行所述时钟树综合最优策略预测，得到一个最优的时钟树综合结果。
[0034]一种时钟树综合最优策略预测系统，包括：
[0035]粒子群优化模块，用于利用粒子群优化算法对待用芯片的时钟树进行最优化处理，获得最优设计方案；
[0036]预测模型模块，与所述粒子群优化模块进行数据交换，用于通过采集脚本，记录针对所述待用芯片的普通设计方案以及所述最优设计方案的设计信息数据构成总设计数据集并设置神经网络模型，训练所述神经网络模型，得到训练后模型；
[0037]最优策略预测模块，与所述预测模型模块进行数据交换，用于利用所述训练后模型，对所述时钟树综合最优策略进行预测。
[0038]一种时钟树综合最优策略预测电子装置，包括：存储介质和处理单元；存储介质，用于存储计算机程序；
[0039]所述处理单元与所述存储介质进行数据交换，用于在进行时钟树综合最优策略预测时，通过所述处理单元执行所述计算机程序，进行如上所述的时钟树综合最优策略预测方法的步骤。
[0040]一种如上所述的方法在数字芯片设计中的应用。
[0041]本专利技术的有益效果是：
[0042]本专利技术首先利用粒子群优化算法对各种芯片的时钟树设计进行最优化探索，在取
得最优设计的基础之上，利用tcl编写设计信息采集脚本，将各种设计的时序、时钟树、物理设计信息记录下来，同时把最优化脚本也记录下来。然后利用上述记录的数据制作机器学习预测模型的数据集，分别把各种设计的时序、时钟树、物理设计信息作为特征向量，最优化脚本作为标签信息，训练神经网络模型。最后利用该模型，可以在各种时钟树综合场景中利用设计本身的物理信息，快速预测时钟树综合最优策略脚本，极大提高设计效率和芯片的性能。
[0043]本专利技术通过机器学习算法建立时钟树综合最优策略的预测模型，可以大大缩短芯片的设计周期，同时降低因时钟树综合结果不理想而带来的芯片失效风险；同时，可以根据使用者的需要，灵活设置优化对象和预测脚本，可以作为芯片设计的辅助工具，也可以作为时钟树综合脚本生成的参考工具。
附图说明
[0044]图1为本专利技术的整体流程。
[0045]图2为本专利技术所述方法中的粒子群优化流程图。
[0046]图3为机器学习预测模型搭建流程图。
[0047]图4为预测最优策略约束脚本流程图。
具体实施方式
[0048]下面结合附图对本申请进行进一步的说明。
[0049]本专利技术提供一种实施例：
[0050]为解决现有技术中的问题，本专利技术所述的时钟树综合最优策略预测方法分为以下三部分，分别时粒子群算法优化时钟树、搭建机器学习预测模型和进行预测输出，如图1所示，具体包括：
[0051]1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时钟树综合最优策略预测方法，其特征在于，包括：利用粒子群优化算法对待用芯片的时钟树进行最优化处理，获得最优设计方案；通过采集脚本，记录针对所述待用芯片的普通设计方案以及所述最优设计方案的设计信息数据构成总设计数据集；设置神经网络模型，并利用所述神经网络模型对所述总设计数据集进行学习，训练所述神经网络模型，得到训练后模型；利用所述训练后模型，对所述时钟树综合最优策略进行预测。2.根据权利要求1所述的一种时钟树综合最优策略预测方法，其特征在于，所述“利用所述神经网络模型对所述总设计数据集进行学习”，包括：利用所述总设计数据集的数据作为机器学习预测模型的数据集；将所述普通设计方案的设计信息数据作为特征向量；将所述最优设计方案的脚本作为标签信息，训练所述神经网络模型。3.根据权利要求1所述的一种时钟树综合最优策略预测方法，其特征在于，所述“设计信息数据”，包括：设计方案中的时序、时钟树、物理设计信息中的一种或几种。4.根据权利要求1所述的一种时钟树综合最优策略预测方法，其特征在于，所述“利用粒子群优化算法对待用芯片的时钟树进行最优化处理”，包括：根据使用者的需求，定义粒子为时钟树中某一个约束对象或者全部约束的组合；设置适应度函数、确定粒子数量、确定学习因子、惯性权重的值以及所述粒子的速度和位置更新函数；通过设置迭代次数或者优化退出条件，得到最优约束解。5.根据权利要求1所述的一种时钟树综合最优策略预测方法，其特征在于，所述“设置神经网络模型，并利用所述神经网络模型对所述总设计数据集进行学习，训练所述神经网络模型，得到训练后模型”，包括：将所述粒子群优化算法对待用芯片的时钟树进行最优化处理时，获得的优化约束解作为机器学习的标签信息；利用数据抽取脚本，在时钟树综合优化之前抽取的数据特征，作为机器学习的特征向量；将所述优化约束解和所述数据特征，合成机器学习的数据集，划分为训练集、测试集以及验证集；利用所述数据集，通过设置训练算法和模...

【专利技术属性】
技术研发人员：黄泽武，詹瑞典，熊晓明，蔡述庭，何柏声，梁润华，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：