早期阶段电路设计中基于机器学习的度量的预测制造技术

当设计电路以满足某些约束要求时，确定给定的电路设计是否将满足这些约束是有挑战性的。在电路设计的早期阶段(例如，综合或放置)，设计者可能具有有限的信息来依赖，以便确定最终的电路或其一些设计变化是否将满足约束而不需要完整设计电路。本文描述的方法使用机器学习(ML)模型来基于在设计流程的早期阶段的部分电路设计的特征预测整个电路是否可能满足约束。附加地，所公开的方法允许对各种电路设计或设计实施例进行排序以确定进行完整设计的最佳候选者。计的最佳候选者。计的最佳候选者。

【技术实现步骤摘要】
【国外来华专利技术】早期阶段电路设计中基于机器学习的度量的预测
[0001]相关申请的交叉引用
[0002]本申请要求于2020年3月14日提交的题为“Machine Learning
‑
Based Prediction of Achievable QoR Metrics at Post
‑
Route and Post
‑
Route Optimization Stages to Enable Early
‑
Stage Design Exploration”的美国专利申请No.62/989,687的权益，该申请的全部内容通过引用结合于此。


[0003]本专利技术总体上涉及电子设计自动化(EDA)领域，并且更明确地说，涉及机器学习(ML)在部分EDA电路设计的结果质量(QoR)度量的预测中的使用。

技术介绍

[0004]针对诸如芯片上系统(SoC)设计之类的许多现代电路的设计闭合在计算上变得复杂。另外，物理设计者通过探索诸如性能、区域、定时、功率等的多个度量，在诸如综合、初始放置或放置优化的早期阶段处花费大量时间和资源来尝试改进设计质量。
[0005]设计者当前运行实现流程的多次迭代，以观察其每次运行的结果质量(QoR)从而获得反馈。这个过程是耗时的，因为完整的实现流程可以需要几天到几周的时间才能完成。
[0006]因此，所需要的是在早期设计阶段处获得用于设计运行的QoR度量的方法，从而避免从完整运行观察这种QoR度量所需的时间投入。r/>
技术实现思路

[0007]本文公开了用于早期阶段电路设计中基于机器学习(ML)的度量的预测的系统、方法和计算机程序产品。在示例性方法中，用于电路的部分电路设计运行被生成。通过在部分电路设计运行上执行ML模型，预测的结果质量(QoR)度量被产生以用于部分电路设计运行。使用在开发阶段从训练电路中提取的特征和来自训练电路的完整设计运行的实际QoR度量来训练ML模型。基于预测的QoR度量，确定部分电路设计运行满足对预测的QoR度量的约束。并且，基于该确定，从部分电路设计运行来执行用于电路的完整电路设计运行。
[0008]此概述并不试图提供任何特定创新、实施例或示例的完整意义，因为其可用于商业中。另外，本概述不旨在表示创新，实施例或示例的关键或重要元素或限制本公开的主题的范围。在本公开中发现的创新，实施例和/或示例不是全部包含的，而是描述了主题的基本意义。因此，本概述的一个用途是作为以下呈现的详细描述的序言。
附图说明
[0009]从以下给出的详细描述和从本公开的实施例的附图将更全面地理解本公开。附图被使用以提供对本公开的实施例的知识和理解，而不将本公开的范围限制于这些特定实施例。此外，附图不必按比例绘制。
[0010]图1示出了根据实施例的具有从综合到布线选择/签发的各个阶段的后端物理实
现流程。
[0011]图2示出了根据实施例的ML－QoR建模和预测流程的预测元素。
[0012]图3是示出了根据实施例的ML－QoR建模和预测流程所利用的示例性预测器的流程图。
[0013]图4是示出了根据实施例的实现流程结束QoR度量的预测的表格，该度量使得能够使用顺序统计对设计运行进行排序。
[0014]图5描绘了根据本专利技术的一些实施例在集成电路的设计和制造期间使用的各种过程的流程图。
[0015]图6描绘了根据本公开的一些实施例的示例仿真系统的抽象图。
[0016]图7描绘了本公开的实施例可以在其中操作的示例计算机系统的抽象图。
[0017]图8示出了根据实施例的ML－QoR与ICCII/FC的集成。
[0018]图9示出了根据实施例的具有ML定时模型的定时预测流程。
[0019]图10示出了根据实施例的示例定时预测流程结果。
[0020]图11描绘了根据实施例的示例性设计中的一组排序运行的示例性结果。
[0021]图12示出了根据实施例的定时预测的示例性结果。
[0022]图13示出了根据实施例的示例性布线评分流程。
[0023]图14示出了根据实施例的可布线性评分的示例性结果。
具体实施方式
[0024]本专利技术的各方面涉及早期阶段电路设计中基于机器学习(ML)的度量的预测。在早期设计阶段处(例如，综合、放置、放置优化等)工作的电路设计者通常必须在多个可能的设计解决方案中决定以完全模拟。完全模拟电路的过程可能是耗时的，特别是针对更复杂的电路，诸如芯片上系统(SoC)设计。本文所公开的方法允许设计者使用ML模型来分析早期阶段电路设计以预测最终电路设计是否将满足设计约束。
[0025]目前，不存在能够在设计和流程的早期阶段中提供所需的结果质量(QoR)度量的准确和可靠估计的工具。特别地，需要工具来提供关于给定电路设计运行是否具有满足QoR目标的潜力，或者其是否应当被丢弃以节省资源的预测。现有的启发式模型缺乏公开的ML模型方法的准确性，以及简单地集成到本文所公开的早期阶段设计流程中。典型QoR度量被优化用于包括用于每个全流量运行的定时、可布线性、区域、功率、运行时间和存储器。设计者已经开始依赖于许多启发式方法来在早期设计阶段估计这些QoR度量，但是诸如先进节点技术之类的许多复杂因素可以加剧预测QoR度量和实际度量之间的差异，其只能通过全流量运行来被确定。并且由于全流量运行通常需要数天来完成，因此需要更好的预测模型。
[0026]除了提供针对QoR目标约束的预测之外，本文公开的ML模型可以通过提供快速和准确的方法来帮助早期阶段电路设计者预测流程结束QoR和瓶颈。度量可以作为反馈被实时提供给设计者以帮助改进寄存器传送级(RTL)综合、约束和早期阶段(诸如综合和放置)中的布局。
[0027]另外，当设计者具有可以满足QoR目标约束的多个可能可用设计时，本文所公开的ML模型可以向设计者提供基于使用次序统计的经估计的流程结束QoR度量在早期设计阶段对多个运行进行排序的准确方法。这允许设计者仅针对期望最好地满足给定一组QoR目标
的最高排序的早期阶段设计进行完整设计。当前，基于QoR度量对多个设计排序再次需要全流量运行以用于准确性。
[0028]QoR“前瞻”预测和排序方法在与一个或多个完整电路设计相关联的开发流程期间的各个设计阶段使用ML技术来建模以下方面中的每个方面如何影响最终电路设计的QoR度量：(1)优化期间放置变化；(2)网表由于时钟树综合(CTS)和多轮优化而发生变化；(3)在定时窗口上的布线的影响；(4)定时器和提取变化；以及(5)用户流设置。
[0029]然后ML－QoR模型在新电路设计的开发期间被使用以(a)识别哪些设计运行具有满足已建立的QoR目标的潜力，并且哪些运行可以被丢弃以节省资源，(b)快速并且准确地预测流程结束QoR和瓶颈，其被提供作为反馈以在电路设计开发的综合和放置阶段期间改进RTL/约束/布局，以及(c)使用顺序统计方法基本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：由一个或多个处理器生成用于电路的部分电路设计运行；由所述一个或多个处理器通过对所述部分电路设计运行执行机器学习(ML)模型，来产生用于所述部分电路设计运行的预测结果质量(QoR)度量，其中所述ML模型使用在开发阶段从训练电路提取的特征和来自所述训练电路的完整设计运行的实际QoR度量而被训练；由所述一个或多个处理器并且基于所述预测QoR度量，来确定所述部分电路设计运行满足对所述预测QoR度量的约束；以及基于所述部分电路设计运行满足所述约束的所述确定，由所述一个或多个处理器从所述部分电路设计运行来执行用于所述电路的完整电路设计运行。2.根据权利要求1所述的方法，进一步包括：由所述一个或多个处理器生成用于所述电路的附加部分电路设计运行；由所述一个或多个处理器通过对所述附加部分电路设计运行执行所述ML模型，来产生用于所述附加部分电路设计运行的附加预测QoR度量；基于所述预测QoR度量和所述附加预测QoR度量，由所述一个或多个处理器对所述部分电路设计运行相对于所述附加部分电路设计运行进行排序；以及基于所述部分电路设计运行的排序高于基于所述预测QoR度量和所述附加预测QoR度量的所述附加部分电路设计运行，由所述一个或多个处理器选择所述部分电路设计运行用于所述完整电路设计运行的所述执行。3.根据权利要求1所述的方法，其中对所述部分电路设计运行执行所述ML模型包括：由所述一个或多个计算设备从所述部分电路设计运行中提取一个或多个特征；以及由所述一个或多个计算设备将来自所述部分电路设计运行的所述一个或多个特征作为输入提供给所述ML模型，其中所述一个或多个特征包括：所述部分电路设计运行的网表特征、定时约束、电特征或物理特征中的至少一项。4.根据权利要求1所述的方法，其中用于所述部分电路设计运行的所述QoR度量包括：所述电路中每个定时端点的延迟和裕量。5.根据权利要求1所述的方法，其中用于所述部分电路设计运行的所述QoR度量包括：所述电路中的设计规则检查(DRC)严重性。6.根据权利要求5所述的方法，其中所述DRC严重性被表示为热图，并且从所述训练电路提取的所述特征包括：训练DRC严重性热图模式，产生所述预测QoR度量进一步包括：由所述一个或多个计算设备对所述热图和所述训练DRC严重性热图模式进行卷积，以产生可布线性分数。7.根据权利要求1所述的方法，其中用于所述部分电路设计运行的所述QoR度量包括：所述电路中的每网功率和每单元功率。8.一种系统，包括：存储器，所述存储器被配置为存储操作；以及一个或多个处理器，所述一个或多个处理器被配置为执行所述操作，所述操作包括：生成用于电路的部分电路设计运行，通过对所述部分电路设计运行执行机器学习(ML)模型，来产生用于所述部分电路设计
运行的预测结果质量(QoR)度量，其中所述ML模型使用在开发阶段从训练电路提取的特征和来自所述训练电路的完整设计运行的实际QoR度量而被训练，基于所述预测QoR度量来确定所述部分电路设计运行满足对所述预测QoR度量的约束，以及基于所述部分电路设计运行满足所述约束的所述确定，从所述部分电路设计运行执行用于所述电路的完整电路设计运行。9.根据权利要求8所述的系统，所述操作进一步包括：生成用于所述电路的附加部分电路设计运行，通过对所述附加部分电路设计运行执行所述ML模型，来产生用于所述附加部分电路设计运行的附加预测QoR度量，基于所述预测QoR度量和所述附加预测QoR度量，对所述部分电路设计运行相对于所述附加部分电路设计运行进行排序，以及基于所述部分电路...

【专利技术属性】
技术研发人员：R，
申请(专利权)人：美商新思科技有限公司，
类型：发明
国别省市：