一种基于深度学习的芯片配置设计方法、装置及介质制造方法及图纸

本发明专利技术实施例公开了一种基于深度学习的芯片配置设计方法，装置及介质；该方法可以包括：确定实现待设计芯片的功能单元类型；基于各功能单元类型的特性设置各功能单元类型对应的属性信息；从各功能单元类型的候选功能单元中选择各功能单元类型对应的目标功能单元加入到待设计芯片的布局；基于设定的深度学习算法将所有目标功能单元按照设定的约束条件进行布局布线，直至按照所述约束条件对布局布线的评价表征值最大。线的评价表征值最大。线的评价表征值最大。

【技术实现步骤摘要】
一种基于深度学习的芯片配置设计方法、装置及介质


[0001]本专利技术实施例涉及芯片设计
，尤其涉及一种基于深度学习的芯片配置设计方法，装置及介质。

技术介绍

[0002]随着芯片规模越来越大，芯片中的模块数量也逐渐变得庞大，模块之间的连接关系也逐渐变得复杂。由于各个模块的功能和容量规模不同，就会造成数据处理能力各不相同。合理的芯片设计就需要平衡各个模块间数据的吞吐量；此外，再结合芯片能耗最优和芯片尺寸等其他因素，合理配置芯片中所包含的模块就十分关键。
[0003]芯片设计发展至今，通常都是根据经验和实验对芯片模块进行配置，无法摆脱大量的人工参与，需要繁琐的人工实验和验证，无法提高芯片设计的效率。

技术实现思路

[0004]有鉴于此，本专利技术实施例期望提供一种基于深度学习的芯片配置设计方法，装置及介质；能够降低芯片设计过程中人工参与的工作量，提高芯片设计效率。
[0005]本专利技术实施例的技术方案是这样实现的：第一方面，本专利技术实施例提供了一种基于深度学习的芯片配置设计方法，所述方法包括：确定实现待设计芯片的功能单元类型；基于各功能单元类型的特性设置各功能单元类型对应的属性信息；从各功能单元类型的候选功能单元中选择各功能单元类型对应的目标功能单元加入到待设计芯片的布局；基于设定的深度学习算法将所有目标功能单元按照设定的约束条件进行布局布线，直至按照所述约束条件对布局布线的评价表征值最大。
[0006]第二方面，本专利技术实施例提供了一种基于深度学习的芯片配置设计装置，所述装置包括：确定部分、设置部分、选择部分和布局部分；其中，所述确定部分，经配置为确定实现待设计芯片的功能单元类型；所述设置部分，经配置为基于各功能单元类型的特性设置各功能单元类型对应的属性信息；所述选择部分，经配置为从各功能单元类型的候选功能单元中选择各功能单元类型对应的目标功能单元加入到待设计芯片的布局；所述布局部分，经配置为基于设定的深度学习算法将所有目标功能单元按照设定的约束条件进行布局布线，直至按照所述约束条件对布局布线的评价表征值最大。
[0007]第三方面，本专利技术实施例提供了一种计算设备，所述计算设备包括：通信接口，存储器和处理器；各个组件通过总线系统耦合在一起；其中，所述通信接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和
发送；所述存储器，用于存储能够在所述处理器上运行的计算机程序；所述处理器，用于在运行所述计算机程序时，执行第一方面所述基于深度学习的芯片配置设计方法的步骤。
[0008]第四方面，本专利技术实施例提供了一种计算机存储介质，所述计算机存储介质存储有基于深度学习的芯片配置设计程序，所述基于深度学习的芯片配置设计程序被至少一个处理器执行时实现第一方面所述基于深度学习的芯片配置设计方法的步骤。
[0009]本专利技术实施例提供了一种基于深度学习的芯片配置设计方法，装置及介质；为待设计芯片选择完成功能单元之后，按照深度学习的方法对功能单元的布局和配置进行分析，获得符合设定约束条件的最佳的芯片布局布线；降低了芯片设计过程中，特别是在芯片布局布线过程中人工参与的工作量，提高芯片设计效率。
附图说明
[0010]图1为本专利技术实施例提供的一种基于深度学习的芯片配置设计方法流程示意图；图2为本专利技术实施例提供的基于深度学习的芯片配置设计装置组成示意图；图3为本专利技术实施例提供的一种计算设备的硬件结构示意图。
具体实施方式
[0011]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。
[0012]为了降低芯片设计过程中人工参与的工作量，提高芯片设计效率，本专利技术实施例期望能够将深度学习方案应用于芯片设计过程中，基于此，参见图1，其示出了本专利技术实施例提供的一种基于深度学习的芯片配置设计方法，该方法可以包括：S101：确定实现待设计芯片的功能单元类型；S102：基于各功能单元类型的特性设置各功能单元类型对应的属性信息；S103：从各功能单元类型的候选功能单元中选择各功能单元类型对应的目标功能单元加入到待设计芯片的布局；S104：基于设定的深度学习算法将所有目标功能单元按照设定的约束条件进行布局布线，直至按照所述约束条件对布局布线的评价表征值最大。
[0013]通过图1所示的技术方案，为待设计芯片选择完成功能单元之后，按照深度学习的方法对功能单元的布局和配置进行分析，获得符合设定约束条件的最佳的芯片布局布线；降低了芯片设计过程中，特别是在芯片布局布线过程中人工参与的工作量，提高芯片设计效率。
[0014]对于图1所示的技术方案，在一些可能的实现方式中，所述确定实现待设计芯片的功能单元类型，包括：基于所述待设计芯片需执行的目标任务确定所述待设计芯片所需的功能组件；针对每个所述功能组件确定对应的功能单元类型。
[0015]对于上述实现方式，需要说明的是，在进行芯片布局布线方面内容的设计之前，需要根据待设计芯片的需求确定芯片的规格，比如待设计芯片所包含的功能单元。在实现方
式中，以设计图像处理器（GPU，Graphics Processing Unit）为例，常规的GPU所涉及的图像渲染管线可以包括以下功能单元：任务拆分单元，任务调度单元、执行核单元、图元装配单元、像素测试单元、像素后处理单元、内存管理单元、缓存单元、数据路由单元、显存单元等；基于此，当待设计芯片为GPU时，基于其所需执行的图像处理的目标任务，能够确定所需的功能组件包括以上所述的常规GPU所包括的这些类型的功能单元。对于这些功能组件来说，每个功能组件对应一功能单元类型，而经过长期的芯片设计经验的积累，每个功能单元类型均可以包括多个可供选择的候选功能单元。可以理解地，对于每个功能单元类型来说，其所包括的候选功能单元之间，并不会存在实现功能上的区别，其间的区别仅在于各候选功能单元之间的参数或特性等属性。
[0016]对于图1所示的技术方案，在一些可能的实现方式中，所述基于各功能单元类型的特性设置各功能单元类型对应的属性信息，包括：根据每个功能单元类型在执行所述目标任务时所需的对应特性确定每个功能单元类型对应的属性信息；其中，所述属性信息包括：数据输入的前驱节点、数据输出的后继节点、数据吞吐率、所占芯片的面积以及与其他功能单元之间的连接关系。
[0017]基于上述实现方式，在一些示例中，所述从各功能单元类型的候选功能单元中选择各功能单元类型对应的目标功能单元加入到待设计芯片的布局，包括：根据期望的芯片布局从各功能单元类型的候选功能单元中为实际芯片布局选取对应的目标功能单元，并更新所述实际芯片布局状态。
[0018]对于上述实现方式及其示例，需要说明的是，面对每个功能单元类型中所包括的多个候选功能单元，优选基于实际待设计芯片所期望的布局选择获得目标功能单元，从而更新实际芯片布局状态，可以理解地，此时由于并没有将功能单元放入芯片布局中，此时芯片布局状态为不包括任何单元，此时，随着功能单元不断地放入芯片布局，实际芯片布局状态也随之不断进行更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的芯片配置设计方法，其特征在于，所述方法包括：确定实现待设计芯片的功能单元类型；基于各功能单元类型的特性设置各功能单元类型对应的属性信息；从各功能单元类型的候选功能单元中选择各功能单元类型对应的目标功能单元加入到待设计芯片的布局；基于设定的深度学习算法将所有目标功能单元按照设定的约束条件进行布局布线，直至按照所述约束条件对布局布线的评价表征值最大。2.根据权利要求1所述的方法，其特征在于，所述确定实现待设计芯片的功能单元类型，包括：基于所述待设计芯片需执行的目标任务确定所述待设计芯片所需的功能组件；针对每个所述功能组件确定对应的功能单元类型。3.根据权利要求1所述的方法，其特征在于，所述基于各功能单元类型的特性设置各功能单元类型对应的属性信息，包括：根据每个功能单元类型在执行所述目标任务时所需的对应特性确定每个功能单元类型对应的属性信息；其中，所述属性信息包括：数据输入的前驱节点、数据输出的后继节点、数据吞吐率、所占芯片的面积以及与其他功能单元之间的连接关系。4.根据权利要求3所述的方法，其特征在于，所述从各功能单元类型的候选功能单元中选择各功能单元类型对应的目标功能单元加入到待设计芯片的布局，包括：根据期望的芯片布局从各功能单元类型的候选功能单元中为实际芯片布局选取对应的目标功能单元，并更新所述实际芯片布局状态。5.根据权利要求4所述的方法，其特征在于，所述根据期望的芯片布局从各功能单元类型的候选功能单元中为实际芯片布局选取对应的目标功能单元，包括：当所述实际芯片布局状态不完全时，按照执行所述目标任务过程的数据流走向，基于由所述数据输入的前驱节点、数据输出的后继节点以及功能单元之间的连接关系所形成的前驱后继关系图在所述实际芯片布局中配置功能单元类型；当所述实际芯片布局中完成配置功能单元类型后，根据所述数据吞吐率以及所占芯片的面积从各功能单元类型的候选功能单元中选取对应的目标功能单元加入至所述实际芯片布局中。6.根据权利要求1所述的方法，其特征在于，所述设定的约束条件包括：所述待设计芯片的性能、能耗、布局密度和面积；相应地，所述基于设定的深度学习算法将所有目标功能单元按照设...

【专利技术属性】
技术研发人员：樊良辉，孙建康，陈成，张竞丹，
申请(专利权)人：西安芯瞳半导体技术有限公司，
类型：发明
国别省市：