一种基于迁移学习的版图层级电路图尺寸参数优化方法技术

本发明专利技术公开了一种基于迁移学习的版图层级电路图尺寸参数优化方法，包括以下步骤：获取原理图、版图层级的仿真数据、抽样数据；构建原理图层级和版图层级的神经网络，神经网络的输入包括电路原理图中器件的尺寸参数组；原理图层级的神经网络的输出包括仿真数据；使用NSGAⅡ优化算法对电路版图中器件的尺寸参数组进行优化，通过自定义评价函数，对仿真结果进行评判：若不符合电路的设计指标，则继续迭代，直至循环次数用尽或得到符合要求的尺寸参数组，得到优化后的尺寸参数组。本发明专利技术可以极大减少建立版图模型所需的数据样本，加速了版图建模流程。图建模流程。图建模流程。

【技术实现步骤摘要】
一种基于迁移学习的版图层级电路图尺寸参数优化方法


[0001]本专利技术应用于射频集成电路设计领域，特别是一种基于迁移学习的版图层级电路图尺寸参数优化方法。

技术介绍

[0002]电磁仿真技术作为一种实用的射频集成电路设计验证手段，被广泛应用于版图设计和版图优化中，电磁仿真在一定程度上模拟了射频电路加工后的性能，让射频电路设计工程师从传统的设计加工测试流程中解放出来，用模拟实验代替了传统的加工制造实验。近些年来硬件性能的飞速提升和EDA软件的逐步完善更是让射频电路工程师有了更多的时间专注于设计层面的工作上去。电磁仿真具有以下几个优点：1、几何结构、材料属性、放置位置等关键参数非常易于调整。2、可以针对电路的某些部分进行单独分析。3、可以根据用户需求得到任意结构任意系统的电磁特性。4、相较于测试，电磁仿真可以提供更为全面和完善的电磁信息。电磁仿真已经被广泛地、成功地应用于电磁性能预测、设计的多个方面，在理解待分析的问题、合理设置仿真模型和求解参数的前提下，仿真完全可以替代测试。仿真所具有的高效费比、灵活性可以大幅度提高设计效率，降低设计成本。
[0003]但电磁仿真也存在诸多问题，若要获取更高精度的仿真，一次电磁仿真往往需要几天甚至几周，无疑提高了电路设计的时间成本。其次，在版图设计中，我们对器件的改动大多需要人工介入，验证参数合理性，这也在无形中增加了电路设计工程师的工作量。
[0004]如何将AI引入EDA工具中一直是当前的热门研究方向，人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
[0005]附图1所示是一个双隐层的前馈全连接神经网络，或者叫多层感知机(MLP)。附图2是一个简单的多输入神经元的感知机网络结构示意图。它的每个隐层都是全连接层，它的每一个单元叫神经元。我们以线性回归为例，给定n个属性描述的实例x＝(x1,x2,
…
,x
n
)，线性模型试图学习一个通过n个属性的线性组合来预测的函数，即公式1所示,转化为矩阵形式为公式2所示：
[0006][0007]f(x)＝f(W
T
X+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0008]上述两个式子中，f为激活函数，w
n
为每个输入参数对应的权重大小，x
n
为输入参数，b为偏置参数，W
T
为权重参数矩阵，X为输入参数矩阵。
[0009]神经网络的训练是有监督的学习，也就是输入X有着与之对应的真实值Y，神经网络的输出Y与真实值Y之间的损失Loss就是网络反向传播的东西。整个网络的训练过程就是
不断缩小损失Loss的过程。为此列出了公式3：
[0010][0011]上述式子中，Loss为损失，y
i
为真实值，w为权重参数，b为偏置参数，x
i
为输入参数。
[0012]一般情况下，使用梯度下降法找出最佳的w，b组合使得Loss达到最小。在求解时，w和b每更新一次，就对各个参数求一次偏导，然后根据Loss再次更新参数。更新公式为公式4，5。
[0013][0014][0015]上述式子中，上标i表示第i个权重,下标n表示第n步，α是学习率。不断迭代学习，使Loss逐渐减小，直至得到最优解。至此，全连接神经网络训练完成。
[0016]迁移学习的目的是将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。迁移学习的主要思想是从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果。

技术实现思路

[0017]本专利技术旨在加速射频集成电路版图环节优化设计，集版图生成，版图自动建库，迁移学习建立版图模型，版图优化为一体。
[0018]本专利技术提供一种基于迁移学习的版图层级电路图尺寸参数优化方法，包括以下步骤：
[0019]步骤A：获取原理图层级的仿真数据、原理图层级的抽样数据、版图层级的仿真数据、版图层级的抽样数据，作为训练数据；所述仿真数据包括散射参数，仿真频段，噪声中的任意一项；
[0020]步骤B：构建原理图层级的神经网络，使用原理图层级的仿真数据和原理图层级的抽样数据训练所述原理图层级的神经网络，得到原理图网络，所述原理图层级的神经网络的输入包括电路原理图中器件的尺寸参数组；所述原理图层级的神经网络的输出包括仿真数据；
[0021]构建版图层级的神经网络；使用迁移学习法，用所述版图层级的仿真数据和版图层级的抽样数据作为训练集训练版图层级的神经网络，得到版图网络，所述版图层级的神经网络的输入包括电路版图中器件的尺寸参数组，输出包括仿真数据；
[0022]步骤C：使用NSGAⅡ优化算法对电路版图中器件的尺寸参数组进行优化：
[0023]向NSGAⅡ优化算法中输入电路版图中器件的尺寸参数区间，使用所述NSGAⅡ优化算法在区间内选择合适的参数组，将所述合适的参数组输入版图网络，得到仿真数据作为仿真结果；
[0024]根据对以下设计指标的要求，所述设计指标包括回波损耗、插入损耗、插入损耗平坦度，自定义评价函数，对仿真结果进行评判：若不符合电路的设计指标，则继续迭代，直至
循环次数用尽或得到符合要求的尺寸参数组，得到优化后的尺寸参数组。
[0025]作为优选，所述步骤A具体包括以下步骤：
[0026]A 1：通过脚本，在电路原理图中的器件的尺寸参数区间内，抽取若干尺寸参数组并生成网表；将所述尺寸参数组作为原理图层级的抽样数据，将生成的所述网表送入仿真器进行原理图仿真，得到仿真数据；所述仿真数据为散射参数；基于所述原理图层级的抽样数据和所述散射参数得到原理图层级的训练数据；
[0027]A 2：通过脚本，在电路版图中的器件的尺寸参数区间内，抽取若干尺寸参数组并生成仿真文件，将所述尺寸参数组作为版图层级的抽样数据，将仿真文件送入电磁仿真器中仿真，将仿真数据中的散射参数进行提取后转换为SNP文件；再利用所述SNP文件进行联合仿真得到联合仿真数据，所述联合仿真数据包括散射参数，基于所述散射参数和版图层级的抽样数据版图层级的训练数据。
[0028]作为优选，所述步骤A1中的所述电路为低噪声放大器电路。
[0029]作为优选，所述原理图层级的神经网络为多层感知机；所述多层感知机最底层是输入层，中间是隐藏层，最后是输出层。
[0030]作为优选，所述隐藏层的节点数大于输入层和输出层的节点数；所述隐藏层层数为3层，节点数为400。
[0031]作为优选，所述步骤B中，所述迁移学习法包括：使用原理图网络作为预训练网络进行迁移。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的版图层级电路图尺寸参数优化方法，其特征在于，包括以下步骤：步骤A：获取原理图层级的仿真数据、原理图层级的抽样数据、版图层级的仿真数据、版图层级的抽样数据，作为训练数据；所述仿真数据包括散射参数，仿真频段，噪声中的任意一项；步骤B：构建原理图层级的神经网络，使用原理图层级的仿真数据和原理图层级的抽样数据训练所述原理图层级的神经网络，得到原理图网络，所述原理图层级的神经网络的输入包括电路原理图中器件的尺寸参数组；所述原理图层级的神经网络的输出包括仿真数据；构建版图层级的神经网络；使用迁移学习法，用所述版图层级的仿真数据和版图层级的抽样数据作为训练集训练版图层级的神经网络，得到版图网络，所述版图层级的神经网络的输入包括电路版图中器件的尺寸参数组，输出包括仿真数据；步骤C：使用NSGAⅡ优化算法对电路版图中器件的尺寸参数组进行优化：向NSGAⅡ优化算法中输入电路版图中器件的尺寸参数区间，使用所述NSGAⅡ优化算法在区间内选择合适的参数组，将所述合适的参数组输入版图网络，得到仿真数据作为仿真结果；根据对以下设计指标的要求，所述设计指标包括回波损耗、插入损耗、插入损耗平坦度，自定义评价函数，对仿真结果进行评判：若不符合电路的设计指标，则继续迭代，直至循环次数用尽或得到符合要求的尺寸参数组，得到优化后的尺寸参数组。2.如权利要求1所述的一种基于迁移学习的版图层级电路图尺寸参数优化方法，其特征在于，所述步骤A具体包括以下步骤：A 1：通过脚本，在电路原理图中的器件的尺寸参数区间内，抽取若干尺寸参数组并生成网表；将所述尺寸参数组作为原理图层级的抽样数据，将生成的所述网表送入仿真器进行原理图仿真，得到仿真数据；所述仿真数据为散射参数；基于所述原理图层级的抽样数据和所述散射参数得到原理图层级的训练数据；A 2：通过脚本，在电路版图中的器件的尺寸参数区间内，抽取若干尺寸参数组并生成仿真文件，将所述尺寸参数组作为版图层级的抽样数据，将仿真文件送入电磁仿真器中仿真，将仿真数据中的散射参数进行提取后转换为SNP文件；再利用所述SNP文件进行联合仿真得到联合仿真数据，所述联合仿真数据包括散射参数，基于所述散射参数和版图层级的抽样数据版图层级的训练数据。3.如权利要求2所述的一种基于迁移学习的版图层级电路图尺寸参数优化方法，其特征在于，所述步骤A1中的所述电路为低噪声放...

【专利技术属性】
技术研发人员：陈佳煜，刘军，王骏超，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：