【技术实现步骤摘要】
改进模拟器参数的设备和方法
[0001]本公开涉及半导体器件的模拟器,尤其涉及用于优化和/或改进模拟器中使用的参数的设备和方法。
技术介绍
[0002]半导体器件正朝着高规格和高性能的方向发展。随着硬件技术的发展,克服硬件技术局限性的软件技术正在发展。半导体器件中的软件架构是复杂的。在半导体器件中负责每个功能的模块和算法中有许多变量。需要用于半导体器件的每个环境中的最优和/或改进的变量(参数)的高维设计空间搜索和验证环境。
[0003]以前,用于电子器件或半导体器件的设计或验证的设计参数或验证向量一直是基于开发者的直觉设置的。然而,即使当基于有经验的开发者的经验和直觉或者在试错方案中调整参数时,调整值是局部值的概率也非常高。此外,因为大多数参数是相互竞争或冲突的,所以可能要花费不切实际的长时间来找到最优和/或改进的参数。此外,在该过程中确定的参数可能导致不期望的和/或未说明的副作用。因此,如果执行模拟的模拟器的精度低,则设计和制造的半导体器件的性能可能由于半导体器件的特性的不准确预测而降低。
[0004]参数优化和/或改进方法主要是基于开源框架设计的,并且正在机器学习和深度学习领域中被积极研究。在这点上,由于系统的复杂性,假设了黑盒预期(black box due)。主要使用诸如网格搜索、随机搜索和贝叶斯优化和/或改进的参数优化和/或改进算法或方法。
技术实现思路
[0005]提供了一种用于优化和/或改进模拟器参数的方法和设备,其提供了针对半导体器件的工艺、设计或验证而优化和/或改进的 ...
【技术保护点】
【技术特征摘要】
1.一种用于改进半导体器件的模拟器参数的设备,所述设备包括:存储器,被配置为存储进化池和输入张量
‑
分数对;和处理器,被配置为对所述进化池中的生成器网络进行采样,初始化评价网络来以反向传播方式训练被采样的生成器网络,从训练后的生成器网络生成输入张量,初始化被训练以输出用于半导体设计的模拟器参数的模拟器,以对所述输入张量执行黑盒操作以及输出分数作为所述黑盒操作的结果,以及将所述输入张量和所述输出分数作为所述输入张量
‑
分数对存储在所述存储器中,当所述输出分数大于存储在所述存储器中的最小分数时,将在所述黑盒操作中使用的信息存储在所述进化池中,以及对存储的信息进行排序,以及更新所述进化池,使得在所述进化池中只留下预设数量的信息。2.根据权利要求1所述的设备,其中所述评价网络包括被训练以模拟所述黑盒操作的输入
‑
输出关系的神经网络模型。3.根据权利要求2所述的设备,其中所述评价网络的训练包括基于存储在所述存储器中的所述输入张量
‑
分数对更新所述评价网络,使得通过对所述输入张量的模拟黑盒操作计算的预测分数更接近所述输出分数。4.根据权利要求1所述的设备,其中,所述评价网络的训练和所述进化池的更新被执行,直到其迭代次数达到预设的最大次数。5.根据权利要求1所述的设备,其中,所述进化池的更新包括基于所述输出分数的等级对存储的信息进行排序,从最大分数开始按降序仅留下预设数量的信息,以及删除所述信息的剩余部分。6.根据权利要求1所述的设备,其中,所述进化池的更新包括按每个设定的周期重新计算和重新排列存储的信息的分数,以及仅留下满足预设条件的信息以及删除所述信息的剩余部分。7.根据权利要求1所述的设备,其中所述进化池的更新包括基于所述信息被存储的时间以最早的顺序对存储的信息进行排序,仅留下具有预设定时之后的存储时间的信息,以及删除所述信息的剩余部分。8.根据权利要求1所述的设备,其中,存储在所述进化池中的信息包括所述生成器网络、所述输入张量、所述输出分数和所述信息的存储时间,以及所述生成器网络、所述输入张量、所述输出分数和所述存储时间被彼此相关联地存储。9.根据权利要求4所述的设备,其中所述处理器被配置为当所述评价网络的训练次数和所述进化池的更新次数中的每一个达到预设的最大迭代次数时,确定基于训练后的评价网络生成的所述生成器网络,其中所述处理器被配置为向所述模拟器输出输入张量数据,以及其中所述输入张量数据基于所确定的生成器网络。
10.一种连接到模拟器的模拟器参数改进设备,所述模拟器参数改进设备包括:存储器,被配置为存储输入张量
‑
分数对;和生成进化优化器(GEO)神经网络模块,被配置为使用从基于存储的输入张量
‑
分数对训练的评价网络计算的预测分数来初始化生成器网络的反向传播训练,初始化训练后的生成器网络以生成输入张量,对所生成的输入张量执行黑盒操作,生成分数作为所述黑盒操作的结果,在所述存储器中存储所述输入张量和所生成的分数...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。