基于深度学习的考虑MIS效应的单元统计延时模型构建方法技术

本发明专利技术涉及集成电路技术，公开基于深度学习的考虑MIS效应的单元统计延时模型构建方法，属于计算、推算或计数的技术领域。该方法：在考虑SIS和MIS的情况下，对门单元进行SPICE MC仿真，获取不同条件下的MIS延迟和SIS延迟的均值和标准差；使用深度学习方法构建预测MIS延时均值与SIS延时均值的差值以及和MIS延时标准差与SIS延时标准差的差值的ANN模型，并揭示MIS延时和SIS延时的均值和标准差的差异的表示；将基于深度学习的模型集成到现有的时序库中。本发明专利技术通过利用深度学习预测MIS延时均值和SIS延时均值差异以及MIS延时标准差和SIS延时标准差的差异，实现考虑MIS效应的统计时序建模。序建模。序建模。

【技术实现步骤摘要】
基于深度学习的考虑MIS效应的单元统计延时模型构建方法


[0001]本专利技术涉及集成电路技术，具体公开基于深度学习的考虑MIS效应的单元统计延时模型构建方法，属于计算、推算或计数的


技术介绍

[0002]静态时序分析（Static Timing Analysis,STA）是一种验证数字电路时序性能的方法，它通过检查所有可能的路径是否存在时序违规来验证设计的时序性能。STA工具在超大规模集成电路应用中被广泛使用，其精度依赖于每个门的延时模型。STA工具使用的时序库仅针对单输入切换（Single Input Switching,SIS）进行表征，即只有一个输入切换并且其他输入都保持不变时的延时信息。在实际电路中，多输入门单元的不同输入引脚处的信号转换之间可能存在时间上的接近，当门单元中的多个输入信号之间的相对到达时间接近时，需要考虑多输入切换（Multiple Input Switching,MIS）导致的延时变化。尤其是当多个输入信号在单元内进行快速交替切换时，单元的延时发生较大变化，这可能会对电路的性能和稳定性产生重要影响。
[0003]随着工艺特征尺寸逐渐缩小，工艺参数波动越来越大，极大地影响了电路的时序和性能。由于工作频率的提高以及工艺的变化，MIS的发生概率也在增加。由于工艺波动，MIS效应对统计静态时序分析的影响比常规STA更大。在精确统计静态时序分析中，应考虑MIS效应对时序的影响。
[0004]目前，现有技术主要集中于分析MIS效应对额定延时的影响。为了提供更准确的时序分析结果，并反映在MIS效应的影响下单元延时的分布情况，需要建立一种考虑MIS效应的单元统计延时模型。

技术实现思路

[0005]本专利技术旨在提供基于深度学习的考虑MIS效应的单元统计延时模型构建方法，以解决现有技术中仅分析额定延时下MIS效应对时序影响的技术问题，通过使用深度学习方法对MIS效应建模并将其集成到现有的时序库中，在单元统计延时模型中考虑MIS效应以提高现有门延时模型的精度，实现提供更准确的时序分析结果的专利技术目的。
[0006]本专利技术为实现上述专利技术目的采用如下技术方案：基于深度学习的考虑MIS效应的单元统计延时模型构建方法，包括如下步骤：步骤1，获取不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差，以及不同输入信号相对到达时间、输入转换时间和负载电容组合下的SIS延时的均值和标准差；步骤2，构建描述MIS效应的BP神经网络模型，BP神经网络模型用于预测不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时均值与SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值；步骤3，将步骤2构建的BP神经网络模型集成至现有时序库中。
[0007]作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的进一步优化方案，步骤1分别在SIS和MIS的情况下对不同门单元进行SPICE MC仿真，获取不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差，以及不同输入信号相对到达时间、输入转换时间和负载电容组合下的SIS延时的均值和标准差。
[0008]作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案，步骤2构建描述MIS效应的BP神经网络模型的具体方法为：步骤2
‑
1，根据N个不同门单元在不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差以及SIS延时的均值和标准差，计算MIS延时均值和SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值，对所述差值进行归一化处理，将一个门单元的不同输入信号相对到达时间、输入转换时间和负载电容及对应的归一化处理结果构建为1个数据集，将N个数据集分别划分为训练集和测试集；步骤2
‑
2，以输入信号相对到达时间、输入转换时间、负载电容为输入特征数据，以MIS延时均值与SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值为输出数据，创建一个BP神经网络，对所述BP神经网络超参数进行寻优和初始化操作；步骤2
‑
3，根据步骤2
‑
1获取的训练集和测试集训练BP神经网络，获取满足精度要求的权重和偏置。
[0009]作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案，步骤2
‑
2对包含但不限于隐藏层神经元个数、学习率、正则化参数、训练次数的BP神经网络超参数进行寻优和初始化操作。
[0010]作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案，步骤2
‑
2对BP神经网络超参数进行寻优和初始化操作的方法为：通过拟合BP神经网络输出曲线，获取最佳拟合程度对应的超参数数值。
[0011]作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案，步骤2
‑
3中的精度要求为：训练均方误差达到训练最小均方误差目标，且训练性能梯度达到训练最小性能梯度；或训练次数达到最大训练次数。
[0012]作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案，步骤3将步骤2构建的BP神经网络模型集成至现有时序库中的具体方法为：步骤3
‑
1，使用Python库将BP神经网络模型转换成Liberty文件识别的字符串；步骤3
‑
2，将表征BP神经网络模型的权重和偏置的字符串映射到Liberty文件的2D LUT中；步骤3
‑
3，将步骤3
‑
2中映射得到的2D LUT信息添加至Liberty文件，生成一个包含所述BP神经网络模型信息的Liberty文件。
[0013]作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案，步骤3
‑
1使用Python库将BP神经网络模型转换成Liberty文件识别的字符串的具体方法为；通过空格分隔浮点数表示的权重和偏置。
[0014]作为基于深度学习的考虑MIS效应的单元统计延时模型构建方法的再进一步优化方案，步骤3
‑
2，将表征BP神经网络模型的权重和偏置的字符串映射到Liberty文件的2D LUT中的具体方法为：在Liberty文件中定义用于存储权重和偏置字符串的2D LUT或扩充现有的2D LUT。
[0015]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法。
[0016]本专利技术采用上述技术方案，具有以下有益效果：本专利技术利用深度学习技术建立描述MIS效应的ANN模型，通过ANN模型预测的MIS延时和SIS延时的差异性有效表征MIS效应对时序库的影响，将ANN模型集成至现有时序库中后能够准确描述MIS效应对门单元统计时序的影响，进而建立精确的统计时序模型，相较于不考虑MIS效应的统计静态时序分析，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的考虑MIS效应的单元统计延时模型构建方法，其特征在于，包括如下步骤：步骤1，获取不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差，以及不同输入信号相对到达时间、输入转换时间和负载电容组合下的SIS延时的均值和标准差；步骤2，构建描述MIS效应的BP神经网络模型，所述BP神经网络模型用于预测不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时均值与SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值；步骤3，将步骤2构建的BP神经网络模型集成至现有时序库中。2.根据权利要求1所述基于深度学习的考虑MIS效应的单元统计延时模型构建方法，其特征在于，所述步骤1分别在SIS和MIS的情况下对不同门单元进行SPICE MC仿真，获取不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差，以及不同输入信号相对到达时间、输入转换时间和负载电容组合下的SIS延时的均值和标准差。3.根据权利要求2所述基于深度学习的考虑MIS效应的单元统计延时模型构建方法，其特征在于，所述步骤2构建描述MIS效应的BP神经网络模型的具体方法为：步骤2
‑
1，根据N个不同门单元在不同输入信号相对到达时间、输入转换时间和负载电容组合下的MIS延时的均值和标准差以及SIS延时的均值和标准差，计算MIS延时均值和SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值，对所述差值进行归一化处理，将一个门单元的不同输入信号相对到达时间、输入转换时间和负载电容及对应的归一化处理结果构建为1个数据集，将N个数据集分别划分为训练集和测试集；步骤2
‑
2，以输入信号相对到达时间、输入转换时间、负载电容为输入特征数据，以MIS延时均值与SIS延时均值的差值、MIS延时标准差与SIS延时标准差的差值为输出数据，创建一个BP神经网络，对所述BP神经网络超参数进行寻优和初始化操作；步骤2
‑
3，根据步骤2
‑
1获取的训练集和测试集训练所述BP神经网络，获取满足精度要求的权重和偏置。4.根据权利要求3所述基于深度学习的考虑MIS效应的单元统计延时模型构建方法，其特征在于，...

【专利技术属性】
技术研发人员：郭静静，宗璟宜，王子轩，刘璐，谢祖帅，蔡志匡，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：