使用设计和辅助构造的基于监督机器学习的存储器和运行时间预测制造技术

本公开涉及使用设计和辅助构造的基于监督机器学习的存储器和运行时间预测。本文描述了一种机器学习(ML)模型，其基于从IC设计提取的设计特征和与IC设计相关的辅助特征来预测用于评估集成电路(IC)设计(例如，静态验证)的计算资源需求(例如，存储器和/或运行时间度量)。该模型可以被使用以预测用于IC设计的子块的度量。平台选择器可以选择多个平台中的一个平台，在其上基于(多个)经预测的度量和平台的规范来评估IC设计或IC设计的子块。该模型可以被训练以将从训练IC设计提取的设计特征和与训练IC设计相关的辅助特征的组合与在训练IC设计的评估中使用的计算资源的度量相关，诸如利用基于多线性回归的监督学习技术。如利用基于多线性回归的监督学习技术。如利用基于多线性回归的监督学习技术。

【技术实现步骤摘要】
使用设计和辅助构造的基于监督机器学习的存储器和运行时间预测


[0001]本公开涉及使用设计和辅助构造的基于监督机器学习的存储器和运行时间预测。

技术介绍

[0002]电子设计自动化(EDA)是用于设计、验证和模拟基于半导体的集成电路(IC)的操作的一类计算工具。EDA在运行时间、存储器需求、功率消耗和/或其它因素方面可能是计算上昂贵的。
[0003]各种计算平台可以用于EDA任务，诸如在云或分布式计算环境中。基于特定IC设计的复杂性和相应的计算平台的规范，计算平台中的一个计算平台可能比其它计算平台更合适。

技术实现思路

[0004]用于使用设计和辅助构造的基于监督机器学习的存储器和运行时间预测的技术被描述。
[0005]一个示例是包括以下的方法：提取IC设计的训练集的设计特征，基于所提取的设计特征与被用于以评估IC设计的处理资源的度量相关的程度来选择所提取的设计特征中的一个或多个设计特征，以及训练机器学习(ML)模型以将IC设计的所选择的设计特征与IC设计的度量相关。
[0006]在其他示例中，所选择的设计特征可以从新IC设计被提取，并且经训练的模型可以被使用以基于从新IC设计提取的所选择的设计特征来预测用于新IC设计的度量。
[0007]本文所描述的另一示例是包括计算平台的一种系统，该计算平台被配置为：提取IC设计的训练集的设计特征，基于所提取的设计特征与被利用以评估IC设计的处理资源的度量相关的程度来选择所提取的设计特征中的一个或多个设计特征，基于辅助特征与IC设计的度量相关的程度来选择IC设计的一个或多个辅助特征，以及训练人工智能/机器学习(AI/ML)模型以将IC设计的所选择的设计特征和新IC设计的所选择的辅助特征的组合与IC设计的度量相关。
[0008]本文所描述的另一示例是包括计算平台的一种系统，计算平台被配置为：提取IC设计的训练集的设计特征，基于所提取的设计特征与被利用以评估IC设计的处理资源的度量相关的程度来选择所提取的特征中的一个或多个特征，基于辅助特征与IC设计的度量相关的程度来选择IC设计的一个或多个辅助特征，训练人工智能/机器学习(AI/ML)模型以将IC设计的所选择的设计特征和IC设计的所选择的辅助特征的组合与IC设计的度量相关，从新IC设计提取所选择的设计特征，以及基于新IC设计的所选择的设计特征和新IC设计的所选择的辅助特征的组合，使用经训练的模型来预测用于新IC设计的度量。
[0009]在又一示例中，提供了一种非瞬态计算机可读介质，具有指令，指令在由处理设备执行时使得处理设备：提取IC设计的训练集的设计特征，基于所提取的设计特征与被利用
以评估IC设计的处理资源的度量相关的程度来选择所提取的特征中的一个或多个特征，基于辅助特征与IC设计的度量相关的程度来选择IC设计的一个或多个辅助特征，训练机器学习(ML)模型以将IC设计的所选择的设计特征和IC设计的所选择的辅助特征的组合与IC设计的度量相关，从新IC设计提取所选择的设计特征，以及基于新IC设计的所选择的设计特征及新IC设计的所选择的辅助特征的组合使用经训练的模型来预测用于新IC设计的度量。
附图说明
[0010]本公开将从以下给出的详细描述和从本公开的实施例的附图被更全面地理解。附图被使用以提供对本公开的实施例的知识和理解，并且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。
[0011]图1是包括人工智能/机器学习(AI/ML)模型的计算平台的框图，人工智能/机器学习(AI/ML)模型预测评估集成电路(IC)设计所需的计算资源的一个或多个度量。
[0012]图2是计算平台的框图，在计算平台中基于从IC设计的训练集中提取的设计特征和IC设计的资源度量来训练AI/ML模型。
[0013]图3是其中基于设计特征和辅助特征的组合来训练AI/ML模型的计算平台的框图。
[0014]图4是其中AI/ML模型预测用于新IC设计的(多个)度量的计算平台的框图。
[0015]图5是其中AI/ML模型预测用于IC设计的子块的度量的计算平台的框图。
[0016]图6是包括平台选择器的计算平台的框图，该平台选择器选择多个平台中的一个平台，在该平台上基于(多个)经预测的度量来评估IC设计或IC设计的子块。
[0017]图7是训练AI/ML模型以预测评估IC设计所需的计算资源的(多个)度量的方法的流程图。
[0018]图8是训练AI/ML模型以预测评估IC设计所需的计算资源的(多个)度量的另一方法的流程图。
[0019]图9是使用AI/ML模型来预测评估IC设计所需的计算资源的(多个)度量的方法的流程图。
[0020]图10是使用AI/ML模型来预测评估IC设计的子块所需的计算资源的(多个)度量的另一方法的流程图。
[0021]图11是使用AI/ML模型来预测评估IC设计所需的计算资源的(多个)度量，并且选择在其上基于(多个)经预测的度量和相应的平台的规范来评估IC设计的平台的方法的流程图。
[0022]图12描绘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。
[0023]图13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示图。
具体实施方式
[0024]本专利技术的各方面涉及使用设计和辅助构造的基于监督机器学习的存储器和运行时间预测。
[0025]用于说明的目的，本文针对静态设计验证来描述技术。然而，本文所揭示的技术不限于静态设计验证。静态设计验证工具分析IC设计的代码(例如，硬件描述语言(HDL)代码)
以确保该代码满足期望的要求或遵守可接受的编码实践。HDL是用于描述集成电路(IC)的结构和行为的计算机语言。静态设计验证是电子设计自动化(EDA)的多个阶段中的一个阶段。EDA将在以下参考图13被进一步描述。
[0026]静态验证工具在运行时间、存储器需求、功率消耗和/或其它因素方面在计算上是昂贵的。在多个计算平台是可能的用于静态设计验证的情况下，诸如在云和/或分布式计算环境中，计算平台中的一个计算平台可能比其它计算平台更适合于静态验证(例如，考虑到IC设计的计算资源需求、相应的计算平台的规范，以及与相应的计算平台相关的成本)。每个计算平台可以基于计算平台的能力/规范而产生成本。如果任务被分配给过合格的计算平台，则不必要的成本可能被产生。如果任务被分配给不合格的计算平台，则该任务可能无法正确执行，并且使用该平台所产生的时间和成本可能被浪费。因此，预测IC设计的计算资源需求以便选择其上验证IC设计的适当平台将是有用的。由于所包含的复杂性，人类思想实际上不能以有用的精确度预测IC设计的计算资源需求。
[0027]本文公开了一种人工智能/机器学习(AI/ML)模型，其基于从IC设计提取的设计特征和与IC设计相关的辅助特征来预测用于评估IC设计(例如，静态验证)的计算资源需求(例如，存储器和/或运行时间度量)。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：提取集成电路IC设计的训练集的设计特征；基于所提取的所述设计特征与被利用以评估所述IC设计的处理资源的度量相关的程度，来选择所提取的所述设计特征中的一个或多个设计特征；以及训练机器学习ML模型，以将所述IC设计的所选择的所述设计特征与被利用以评估所述IC设计的所述处理资源的所述度量相关。2.根据权利要求1所述的方法，其中所述度量包括存储器度量和/或运行时间度量。3.根据权利要求1所述的方法，其中：所述选择包括：基于辅助特征与所述IC设计的度量相关的程度，来选择所述IC设计的一个或多个所述辅助特征；所述训练包括：训练所述ML模型，以将所述IC设计的所选择的所述设计特征和所述IC设计的所选择的所述辅助特征的组合与所述IC设计的所述度量相关；以及所述使用包括：基于新IC设计的所选择的所述设计特征和所述新IC设计的所选择的所述辅助特征的所述组合，使用经训练的所述模型预测用于所述新IC设计的所述度量。4.根据权利要求3所述的方法，其中所述辅助特征包括：所述IC设计的设计约束；和/或所述IC设计的功率消耗信息。5.根据权利要求1所述的方法，进一步包括：选择多个计算平台中的一个或多个计算平台，在所述一个或多个计算平台上基于经预测的所述度量和所述计算平台的规范来评估所述新IC设计。6.根据权利要求1所述的方法，进一步包括：将所述IC设计分割成子块，其中所述使用包括：使用经训练的所述模型来预测用于所述新IC设计的所述子块的所述度量。7.根据权利要求6所述的方法，进一步包括：选择多个计算平台中的一个计算平台，在所述一个计算平台上基于所述子块的经预测的所述度量和所述计算平台的所述规范来评估所述新IC设计的所述子块中的一个子块。8.根据权利要求1所述的方法，其中所述训练包括：训练所述ML模型，以将所述IC设计的所选择的所述设计特征与被利用以执行所述IC设计的静态验证的处理资源的所述度量相关。9.根据权利要求1所述的方法，其中所述设计特征涉及：多个实例；引脚；端口；网；多个分层结构；多个库；宏单元；焊盘单元；和/或功率管理单元。
10.根据权利要求1所述的方法，其中所述训练包括：基于多元线性回归的监督训练。11.一种系统，包括：存储器；以及与所述存储器耦合的处理设备，所述处理设备被配置为：提取集成电路IC设计的训练集的设计特征；基于所提取的所述设计特征与被利用以评估所述IC设计的处理资源的度量相关的程度，来选择所提取的所述设计特征中的一个或多个设计特征；基于辅助特征与用于评估所述IC设计的处理资源的度量相关的程度，来选择所述IC设计的一个或多个所述辅助特征；以及训练人工智能/机器学习AI/ML模型，以将所述IC设计的所选择的所述设计特征和新IC设计的所选...

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