一种利用机器学习预测电路性能的方法技术

本发明专利技术将集成电路、复杂网络理论与机器学习相结合，提供一种利用机器学习预测电路性能的方法。包括数据集的生成、获得优化机器学习模型和利用机器学习模型预测电路性能三部分。数据集生成部分包括：首先利用EDA工具对初始电路进行布局与布线，得到布线后电路性能与布线版图，然后将布线版图进行复杂网络建模，最后通过复杂网络分析工具提取对应的复杂网络特征参数。获得优化的机器学习模型部分包括：把数据集划分成训练集和测试集，利用训练集训练机器学习模型，再用测试集评估所得到的机器学习模型，并进行模型优化。利用机器学习模型预测电路性能部分包括：将待测电路进行复杂网络特征参数提取，输入到优化后机器学习模型中，进行电路性能预测。进行电路性能预测。进行电路性能预测。

【技术实现步骤摘要】
一种利用机器学习预测电路性能的方法


[0001]本专利技术属于将机器学习结合复杂网络理论应用到集成电路的
，是一种利用机器学习预测集成电路性能的方法。

技术介绍

[0002]近年来，半导体由于技术的进步得到飞速发展。随着集成电路的规模不断扩大和严苛的设计规则，使超大规模集成电路(VLSI)的设计变得越来越困难。电子设计自动化(EDA)是解决VLSI设计问题的重要工具，然而，目前的EDA工具需要大量的计算，且很难达到最优的结果。
[0003]近年来，复杂网络已经成为研究各个领域的热点，在集成电路设计当中得到了一定的应用，证明了集成电路性能与其复杂网络特征参数的关联性。结合机器学习的EDA方法在超大规模集成电路的性能预测、优化指导等研究领域得到广泛应用。
[0004]本专利技术专利在超大规模集成电路的物理设计中，得到电路版图，并将其转换为复杂网络，提取复杂网络特征参数，提供了一种利用复杂网络特征参数作为机器学习的输入特征来预测集成电路性能的方法。

技术实现思路

[0005]本专利技术的目的是提供一种利用复杂网络特征参数作为机器学习的输入特征来预测集成电路性能的方法。
[0006]本专利技术的利用机器学习预测电路性能的方法在集成电路后端设计层面。首先，在超大规模集成电路的物理设计阶段中，对基准电路进行布局和布线，得到布线后的电路性能，然后，将布线产生的布线图转换为复杂网络表示，利用复杂网络分析工具提取布线图所对应的复杂网络的特征参数。最后，将复杂网络特征参数作为机器学习的输入特征，电路性能作为机器学习的输出标签，训练和测试机器学习模型，并进行机器学习模型的优化。最终得到的机器学习模型可以对待测电路进行性能预测。
[0007]本专利技术所述的一种利用机器学习预测集成电路性能的方法包括以下步骤：
[0008]数据集生成，具体包括以下步骤：
[0009](1)利用EDA布局工具对初始电路进行布局；
[0010](2)利用EDA布线工具对布局后的电路进行布线，获得版图的电路性能；
[0011](3)对电路版图进行复杂网络建模；
[0012](4)利用复杂网络分析工具提取复杂网络特征参数；
[0013](5)将复杂网络特征参数作为机器学习的特征输入，电路性能作为机器学习的标签输出；
[0014](6)对若干个不同的电路重复执行(1)～(5)，产生足够的数据。
[0015]获得优化的机器学习模型，具体包括以下步骤：
[0016](1)将数据集按一定的比例划分成训练集和测试集；
[0017](2)在训练集上训练获得机器学习模型；
[0018](3)利用测试集测试机器学习模型的准确性，计算出评价模型的评估指标，优化机器学习模型。
[0019]利用机器学习模型预测电路性能，具体包括以下步骤：
[0020](1)利用EDA布局工具对待测电路进行布局；
[0021](2)利用EDA布线工具对布局后的电路进行布线；
[0022](3)对布线得到的版图进行复杂网络建模；
[0023](4)利用复杂网络分析工具计算提取相应的复杂网络特征参数；
[0024](5)将复杂网络特征参数作为模型的输入，预测该电路的性能。
[0025]与接近的
技术介绍
相比较，本专利技术所述的利用机器学习预测电路性能的方法具有以下优点：
[0026](1)本专利技术可以对任意格式的集成电路进行电路性能预测，具有普遍性。
[0027](2)本专利技术利用机器学习预测电路性能，大大提高了预测的运行速度。
[0028](3)本专利技术经过训练和测试优化机器学习模型，提高了预测结果的准确性。
附图说明
[0029]本说明书中的附图仅为图示的目的而提供，并不对本专利技术的内容产生任何限制，其中：
[0030]图1是本专利技术中利用机器学习预测电路性能方法的运作机制示意图。
[0031]图2是本专利技术中数据集生成示意图。
[0032]图3是本专利技术中机器学习模型训练与测试示意图。
[0033]图4是本专利技术机器学习模型电路性能预测示意图。
具体实施方式
[0034]本专利技术的目的是提供一种利用复杂网络特征参数作为机器学习的输入特征来预测电路性能的方法。在超大规模集成电路的物理设计阶段，利用EDA工具对初始电路进行布局和布线，得到布线后的电路性能。然后，将布线产生的布线版图转换为复杂网络表示，利用复杂网络分析工具提取所对应的复杂网络的特征参数，如平均强度、平均介数、平均距离、平均集聚系数等。将上述数据合成得到训练优化机器学习模型的数据集，将数据集划分成训练集和测试集，利用训练集训练机器学习模型，利用测试集评估优化得到机器学习模型。利用获得的机器学习模型对任意待测电路进行电路性能预测。
[0035]本专利技术可以对任意格式的集成电路进行电路性能预测，具有运行速度快、准确性高等特点。
[0036]下面根据附图对本专利技术的具体实施方式具体说明。
[0037]图1给出了本专利技术所述的利用机器学习预测电路性能方法的运作机制。
[0038](1)本专利技术测试所使用的初始电路可为任意格式的集成电路表示方式，可在集成电路的任意设计阶段开始，达到物理设计阶段，利用EDA工具和复杂网络分析工具后得到本方法需要的数据集。图2示出了本专利技术中数据集生成示意图。
[0039]①
利用EDA布局工具对初始电路进行布局，将初始电路输入到布局工具，得到电路
布局。
[0040]②
利用EDA布线工具对电路布局进行布线，得到电路版图，并记录版图的电路性能。
[0041]③
利用复杂网络建模工具将电路版图转换为复杂网络的表现形式，得到无权重的复杂网络，再利用复杂网络分析工具生成无向有权的复杂网络。
[0042]④
将产生的复杂网络表示输入到复杂网络分析工具，提取复杂网络特征参数，如平均强度、平均介数、平均距离、平均集聚系数等。
[0043]⑤
将每个电路的复杂网络特征参数作为机器学习的特征输入，电路性能作为机器学习的标签输出，得到一条数据记录。
[0044]⑥
对若干个不同的电路重复执行上述步骤，得到若干条数据记录，生成足够大的数据集。
[0045](2)根据得到的数据集获得优化的机器学习模型。图3示出了本专利技术中机器学习模型训练与测试示意图。
[0046]①
将数据集以一定的比例划分为训练集和测试集。
[0047]②
用户自主选择或建立机器学习模型，利用训练集训练机器学习模型。
[0048]③
利用测试集评估测试机器学习模型，计算出评价模型的评估指标，
[0049]使用均方误差(MSE)，Kendall系数(τ)等评估指标(但不限于此)衡量预测值与实际值之间的差异度和二者之间的相关性，根据评估指标值，优化得到机器学习模型。
[0050]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用机器学习预测电路性能的方法，其特征在于包括以下步骤：数据集生成，具体包括以下步骤：(1)利用EDA布局工具对初始电路进行布局；(2)利用EDA布线工具对布局后的电路进行布线，获得版图的电路性能；(3)对电路版图进行复杂网络建模；(4)利用复杂网络分析工具计算提取相应的复杂网络特征参数；(5)将复杂网络特征参数作为机器学习的特征输入，电路性能作为机器学习的标签输出；(6)对若干个不同的电路重复执行(1)～(5)，产生足够的数据；获得优化的机器学习模型，具体包括以下步骤：(1)将数据集按一定的比例划分成训练集和测试集；(2)在训练集上训练获得机器学习模型；(3)利用测试集测试机器学习模型的准确性，计算出评价模型的评估指标，优化机器学习模型；利用机器学习模...

【专利技术属性】
技术研发人员：聂廷远，朱祖元，孔琪，徐坤鹏，王振昊，周立俭，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：