一种基于深度学习的电源分配网络最坏噪声分析方法技术

本发明专利技术公开了一种基于深度学习的电源分配网络最坏噪声分析方法，涉及如何基于卷积神经网络快速计算电源分配网络的各个子区域在给定激励下的最坏噪声。以电源网动态噪声仿真的结果作为标签，提取输入电流信息和电路子区域到电压源的距离信息作为特征，建立数据集；构建由距离特征处理模块和动态噪声预测模块组成的噪声分析网络，距离特征处理模块将输入的距离特征进行降维，再与电流特征拼接后输入动态噪声预测模块，获得各个子区域在该激励下的最坏噪声。该方法能够快速并准确地预测电源分配网络在给定激励下的最坏噪声，有效地提高了电源网动态噪声分析的效率。了电源网动态噪声分析的效率。了电源网动态噪声分析的效率。

【技术实现步骤摘要】
一种基于深度学习的电源分配网络最坏噪声分析方法


[0001]本专利技术涉及设计电路验证、电源完整性分析领域，具体涉及一种基于深度学习的电源分配网络最坏噪声分析方法。

技术介绍

[0002]电流在流经具有电阻的导线时会引起欧姆压降，产生电源噪声，影响供电电源的稳定性。随着超大规模集成电路工艺的发展，芯片的集成度越来越高，电源噪声对电路的影响也更加明显。集成电路的性能高度依赖于供电电源的稳定性，过大的电源噪声相当于降低了电源电压，会导致电路噪声容限降低和逻辑门时延增加，进而使芯片无法完成正常的功能。为了保证芯片的性能，需要对电源分配网络进行噪声分析，找出电路中噪声过大的区域并进行修改和优化。因此，噪声分析是电源网设计中一个重要的环节。
[0003]传统技术主要采用改进节点法对电源分配网络的噪声进行分析，根据基尔霍夫定律列出每个节点的方程，再通过求解线性方程组来获得节点的噪声。随着芯片规模急剧增大，需要求解的线性方程组复杂度也大大增加，于是传统的仿真工具需要耗费大量的时间来完成电源网的噪声分析。由于在设计过程中电路需要经过反复的修改和验证，长时间的仿真会导致电路设计效率低下。为了提高噪声分析的速度，机器学习方法开始应用于电源网的噪声分析。
[0004]非专利文献1(Z.Xie,et.al.“PowerNet:Transferable Dynamic IR Drop Estimation via Maximum Convolutional Neural Network.”ASP
‑
DAC,2020)中提出了一种利用卷积神经网络寻找电源网中噪声过大区域的方法，通过将逻辑门的功耗和翻转信息输入训练的网络来获取电路在给定激励下的最坏噪声，与传统仿真软件相比取得了速度的提升。但是其网络每次只能预测一个子区域的噪声，因此在面对规模较大的电路时仍需要花费较长的时间，不能十分有效地提高噪声分析的效率。
[0005]为了实现快速的电源网噪声分析，提高电路设计的效率，申请人提出一种基于深度学习的电源分配网络最坏噪声分析方法。

技术实现思路

[0006]本专利技术针对现有技术的不足，提出一种基于深度学习的电源分配网络最坏噪声分析方法，能够快速地计算电源分配网络在给定激励下的最坏噪声。
[0007]本专利技术的目的是通过以下技术方案来实现的：
[0008]一种基于深度学习的电源分配网络最坏噪声分析方法，该方法包括以下步骤：
[0009]S1对于给定的电源分配网络，将其划分成M
×
N个子区域，向每个子区域输入随机的三角波电流作为激励，将整个电源分配网络的电流特征矩阵以及每个子区域的中心点到电源分配网络中的各个VCC电压源的距离特征共同作为该激励下的特征，用仿真软件得到每个子区域的最坏噪声，作为该激励下的噪声标签；每改变一次三角波电流激励，获得一组特征和标签，通过随机赋予不同的输入电流，构建用于电源分配网络噪声分析的数据集；
[0010]S2构建基于深度学习的噪声分析网络，包括距离特征处理模块和动态噪声预测模块两个部分：
[0011]S2.1距离特征处理模块：将距离特征构建成的矩阵输入由若干卷积层、若干反卷积层和若干激活层构成的距离处理网络，对距离特征矩阵进行降维处理，输出处理后的距离特征；
[0012]S2.2动态噪声预测模块：将电流特征与处理后的距离特征共同构成的特征矩阵输入由若干卷积层、若干反卷积层和若干激活层构成的噪声预测网络，得到噪声分析网络预测的在仿真时间内每个子区域的最坏噪声；
[0013]S3对于给定的待分析的电源分配网络和输入电流信息，提取其电流特征和距离特征并输入噪声分析网络，获得目标时间内的最坏噪声。
[0014]进一步地，所述S1中，建立数据集的过程中使用的电源分配网络有多层布线，且电路中包含去耦电容，通过改变输入的三角波电流，共生成多组数据。
[0015]3.根据权利要求1所述的一种基于深度学习的电源分配网络最坏噪声分析方法，其特征在于，所述S1中建立电源分配网络数据集方法具体包括：
[0016]S1.1电路仿真：对于给定的电源分配网络，将其划分成M
×
N个子区域，向每个子区域输入随机的三角波电流作为激励，用仿真软件得到仿真时间T内每个子区域的最坏噪声，即大小为1
×
M
×
N的噪声矩阵，作为该激励下的噪声标签；
[0017]S1.2特征提取：动态噪声仿真时间步长为t，提取每个仿真时间步的起始点电流作为电流特征，那么整个电源分配网络的电流特征矩阵大小为T/t
×
M
×
N；电源网中VCC电压源的个数为k个，子区域i的中心点到各个VCC电压源的距离表示为矢量(d
i1
，d
i2
，...，d
ik
)，将其作为距离特征，于是整个电源分配网络的距离特征矩阵大小为k
×
M
×
N；将电流特征和距离特征共同作为步骤S1.1中三角波电流激励下的特征，即特征矩阵大小为(T/t+k)
×
M
×
N。
[0018]进一步地，所述S1.1中，用RedHawk软件对给定的电源分配网络进行vectorless动态噪声仿真，用.pwl文件描述不同状态的输入电流信息，以BPA的形式将电流赋给各个子区域。
[0019]进一步地，所述S1.2中，子区域i中心点到VCC电压源j的距离d
ij
为欧式距离，其计算过程为：
[0020][0021]其中x
i
和y
i
分别为子区域i中心点的坐标，x
j
和y
j
分别为VCC电压源j的坐标。
[0022]进一步地，所述S2.1中，距离处理网络由8个卷积层、2个反卷积层和8个激活层构成，其中有2个卷积层的卷积步长为2，起到下采样的作用，反卷积层的步长为2，起到上采样的作用，除了第一个卷积层和最后一个卷积层后面没有激活层，其他的卷积层和反卷积层后面均有一个使用ReLU函数的激活层。
[0023]进一步地，所述S2.2中，噪声预测网络由11个卷积层、3个反卷积层和13个激活层构成，其中有3个卷积层的卷积步长为2，起到下采样的作用，反卷积层的步长为2，起到上采样的作用，除了最后一个卷积层后面没有激活层，其他的卷积层和反卷积层后面均有一个使用ReLU函数的激活层。
[0024]进一步地，所述S2还包括S2.3：基于深度学习的噪声分析网络的训练是端到端的过程，将距离处理网络和噪声预测网络看成一个整体进行训练，使用预测的最坏噪声和实际的噪声标签之差的L1范数作为损失函数，即损失函数为：
[0025][0026]其中，表示基于深度学习的噪声分析网络预测的子区域i在仿真时间内的最坏噪声，V
i
表示由仿真软件分析的子区域i在仿真时间内的最坏噪声。
[0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电源分配网络最坏噪声分析方法，其特征在于，该方法包括以下步骤：S1对于给定的电源分配网络，将其划分成M
×
N个子区域，向每个子区域输入随机的三角波电流作为激励，将整个电源分配网络的电流特征矩阵以及每个子区域的中心点到电源分配网络中的各个VCC电压源的距离特征共同作为该激励下的特征，用仿真软件得到每个子区域的最坏噪声，作为该激励下的噪声标签；每改变一次三角波电流激励，获得一组特征和标签，通过随机赋予不同的输入电流，构建用于电源分配网络噪声分析的数据集；S2构建基于深度学习的噪声分析网络，包括距离特征处理模块和动态噪声预测模块两个部分：S2.1距离特征处理模块：将距离特征构建成的矩阵输入由若干卷积层、若干反卷积层和若干激活层构成的距离处理网络，对距离特征矩阵进行降维处理，输出处理后的距离特征；S2.2动态噪声预测模块：将电流特征与处理后的距离特征共同构成的特征矩阵输入由若干卷积层、若干反卷积层和若干激活层构成的噪声预测网络，得到噪声分析网络预测的在仿真时间内每个子区域的最坏噪声；S3对于给定的待分析的电源分配网络和输入电流信息，提取其电流特征和距离特征并输入噪声分析网络，获得目标时间内的最坏噪声。2.根据权利要求1所述的一种基于深度学习的电源分配网络最坏噪声分析方法，其特征在于，所述S1中，建立数据集的过程中使用的电源分配网络有多层布线，且电路中包含去耦电容，通过改变输入的三角波电流，共生成多组数据。3.根据权利要求1所述的一种基于深度学习的电源分配网络最坏噪声分析方法，其特征在于，所述S1中建立电源分配网络数据集方法具体包括：S1.1电路仿真：对于给定的电源分配网络，将其划分成M
×
N个子区域，向每个子区域输入随机的三角波电流作为激励，用仿真软件得到仿真时间T内每个子区域的最坏噪声，即大小为1
×
M
×
N的噪声矩阵，作为该激励下的噪声标签；S1.2特征提取：动态噪声仿真时间步长为t，提取每个仿真时间步的起始点电流作为电流特征，那么整个电源分配网络的电流特征矩阵大小为T/t
×
M
×
N；电源网中VCC电压源的个数为k个，子区域i的中心点到各个VCC电压源的距离表示为矢量(d
i1
,d
i2
,
…
,d
ik
)，将其作为距离特征，于是整个电源分配网络的距离...

【专利技术属性】
技术研发人员：卓成，董晓，陈宇飞，
申请(专利权)人：浙江大学，
类型：发明
国别省市：