一种基于自注意力机制的大规模模拟集成电路自动优化方法技术

技术编号:39318322 阅读:13 留言:0更新日期:2023-11-12 16:00
本发明专利技术属于集成电路设计技术领域,尤其为一种基于自注意力机制的大规模模拟集成电路自动优化方法,该基于自注意力机制的大规模模拟集成电路自动优化方法通过建立的自注意力神经网络模型对电路器件参数变量进行测算,自注意力神经网络模型能够捕捉电路器件参数变量序列中更长距离的依赖关系,从而提供更全局的信息表示,大大提升优化模型的表示能力;该自注意力神经网络模型通过将自注意力机制与传统机器学习算法相结合,能够在原有优化能力的基础上捕捉更多信息,增强对不同设计参数和电路性能的建模能力,锻炼模型的表示能力,提升自注意力神经网络模型的推理速度和训练效率,实现优化速度与优化精度的兼顾。实现优化速度与优化精度的兼顾。实现优化速度与优化精度的兼顾。

【技术实现步骤摘要】
一种基于自注意力机制的大规模模拟集成电路自动优化方法


[0001]本专利技术属于集成电路设计
,具体涉及一种基于自注意力机制的大规模模拟集成电路自动优化方法。

技术介绍

[0002]优化模拟集成电路的流程可概括如下(如图1所示):给定设计指标和电路拓扑结构后,基于相关优化方法或者个人经验,设计人员确定满足预设指标的电路设计参数。随着集成电路的规模日益增大、结构趋于复杂,电路设计由原来的使用传统人工,逐渐变为依赖于电子设计自动化技术(EDA)。工业级大规模模拟电路具有高维度、非线性的特征,参数空间庞大且复杂度极高,不同性能指标之间可能存在相互制约的关系。如何处理大规模模拟集成电路的参数优化问题已然成为实际设计应用中的一大挑战,深刻影响着集成电路行业的发展。
[0003]目前主流的对集成电路进行优化的方法分为元启发式算法、机器学习算法两类。其中,元启发式算法利用组合和迭代的方式来寻找最优解,典型的元启发式算法包括遗传算法(GA)、粒子群优化(PSO)、蚁群算法等;利用机器学习算法,如深度学习、强化学习等,通过对大量数据进行学习和训练,通过建立模型和自适应搜索以达到自动探索和优化模拟电路参数的目标。目前行业内在进行模拟集成电路的参数设计优化主流使用的遗传算法、强化学习等算法,在处理工业级的大规模复杂模拟集成电路的问题中优化能力不足,普遍存在优化速度慢、电路性能不稳定,甚至经常出现无解的情况,设计求解时严重依赖模拟电路工程师的个人经验与技术积累,极大影响了集成电路的设计效率与生产周期。

技术实现思路
r/>[0004]本专利技术旨在提供一种基于自注意力机制的大规模模拟集成电路自动优化方法,解决现有技术中对大规模模拟集成电路的优化能力不足、效率不高的技术问题。
[0005]Transformer模型在2017年一经提出便引起学术界的广泛关注。通过引入自注意力机制、并行计算、残差连接和层归一化等机制,其表示能力、训练效率和上下文建模能力均得到显著提升,已成为许多任务的主流模型。例如,DETR模型在多个目标检测任务中取得了优于传统卷积神经网络的性能;GPT

3则可以进行自然语言生成、问答、文本分类等多种任务,并且在某些情况下的表现甚至可以超越人类。基于此,本申请专利技术人提出一种将前沿的Transformer技术实现对电路设计参数进行分析设计的方法。
[0006]本专利技术采用以下技术方案:一种基于自注意力机制的大规模模拟集成电路自动优化方法,包括:确定电路拓扑结构,定义关于所述电路拓扑结构中元器件的N个电路器件参数变量,并设定各电路器件参数变量的取值范围;对N个所述电路器件参数变量赋第一参数值,将N个所述电路器件参数变量写入电路网表并进行仿真,得到第一电路性能值;
基于所述电路拓扑结构,建立自注意力神经网络模型,确定所述电路拓扑结构的性能优化目标值,将所述性能优化目标值、N个所述电路器件参数变量的第一参数值、所述第一电路性能值输入所述自注意力神经网络模型,通过所述自注意力神经网络模型计算输出N个所述电路器件参数变量的第二参数值,通过电路仿真计算N个所述电路器件参数变量的第二参数值对应的第二电路性能值;进行性能评估:将所述第二电路性能值与所述性能优化目标值归一化计算损失值,若所述损失值小于阈值,表明评估结果达标,则直接采用N个所述电路器件参数变量的第二参数值,若所述损失值大于阈值,表明评估结果不达标,则通过反向传播机制对所述自注意力神经网络模型的各项参数进行计算更新,并对N个所述电路器件参数变量的值进行更新;将N个所述电路器件参数变量更新后的值,以及所述性能优化目标值、所述第一电路性能值输入参数更新后的自注意力神经网络模型,通过参数更新后的自注意力神经网络模型计算输出N个所述电路器件参数变量新的参数值,通过电路仿真计算N个所述电路器件参数变量新的参数值对应的新的电路性能值,基于新的电路性能值进行性能评估,直到电路性能值评估达标或所述自注意力神经网络模型达到预设训练次数,保存最终的自注意力神经网络模型。
[0007]优选的,所述建立自注意力神经网络模型包括:设置用于接收输入电路器件参数变量序列的自注意力层P;设置用于进行参数矩阵的拆分与并行计算的多头注意力层Q;设置用于缓解模型训练中的梯度消失和梯度爆炸问题的残差连接层W和层归一化层O;由所述自注意力层P、多头注意力层Q、残差连接层W和层归一化层O构成所述自注意力神经网络模型。
[0008]优选的,所述对N个所述电路器件参数变量赋第一参数值包括:在各电路器件参数变量的取值范围内赋随机值,或者对N个所述电路器件参数变量赋固定值。
[0009]优选的,所述自注意力神经网络模型依托OpenAI平台运行。
[0010]优选的,当有新的性能优化目标值时,直接调用最终的自注意力神经网络模型来算出所需的各电路器件参数变量的值。
[0011]与现有技术相比,本专利技术的有益效果是:1、该基于自注意力机制的大规模模拟集成电路自动优化方法通过建立的自注意力神经网络模型对电路器件参数变量进行测算,自注意力神经网络模型能够捕捉电路器件参数变量序列中更长距离的依赖关系,从而提供更全局的信息表示,大大提升优化模型的表示能力;2、该自注意力神经网络模型通过将自注意力机制与传统机器学习算法相结合,能够在原有优化能力的基础上捕捉更多信息,增强对不同设计参数和电路性能的建模能力,锻炼模型的表示能力,提升自注意力神经网络模型的推理速度和训练效率,实现优化速度与优化精度的兼顾;3、该基于自注意力机制的大规模模拟集成电路自动优化方法可保存复用多种复杂电路的自注意力神经网络模型,当有电路设计需求时,直接调用相应模型计算参数,能够显著提高复杂模拟集成电路的优化效率。
附图说明
[0012]附图用来提供对本专利技术的进一步理解,并且构成说明书的一部分,与本专利技术的实
施例一起用于解释本专利技术,并不构成对本专利技术的限制。在附图中:图1为对模拟集成电路的设计参数进行优化的流程图。
[0013]图2为本专利技术基于自注意力机制的大规模模拟集成电路自动优化方法一实施例的总流程图。
[0014]图3为本专利技术基于自注意力机制的大规模模拟集成电路自动优化方法一实施例中自注意力神经网络模型对电路器件参数变量进行优化的流程图。
[0015]图4为采用本专利技术基于自注意力机制的大规模模拟集成电路自动优化方法应用于工业级电路的实例图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本专利技术一部分实施例,而不是全部的实施例。基于本专利技术中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本专利技术保护的范围。
[0017]在一个实施例中,提供一种基于自注意力机制的大规模模拟集成电路自动优化方法,结合图2所示,该基于自注意力机制的大规模模拟集成电路自动优化方法包括以下步骤:(1)确定电路拓扑结构,定义关于电路拓扑结构中元器件的N个电路器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自注意力机制的大规模模拟集成电路自动优化方法,其特征在于,包括:确定电路拓扑结构,定义关于所述电路拓扑结构中元器件的N个电路器件参数变量,并设定各电路器件参数变量的取值范围;对N个所述电路器件参数变量赋第一参数值,将N个所述电路器件参数变量写入电路网表并进行仿真,得到第一电路性能值;基于所述电路拓扑结构,建立自注意力神经网络模型,确定所述电路拓扑结构的性能优化目标值,将所述性能优化目标值、N个所述电路器件参数变量的第一参数值、所述第一电路性能值输入所述自注意力神经网络模型,通过所述自注意力神经网络模型计算输出N个所述电路器件参数变量的第二参数值,通过电路仿真计算N个所述电路器件参数变量的第二参数值对应的第二电路性能值;进行性能评估:将所述第二电路性能值与所述性能优化目标值归一化计算损失值,若所述损失值小于阈值,表明评估结果达标,则直接采用N个所述电路器件参数变量的第二参数值,若所述损失值大于阈值,表明评估结果不达标,则通过反向传播机制对所述自注意力神经网络模型的各项参数进行计算更新,并对N个所述电路器件参数变量的值进行更新;将N个所述电路器件参数变量更新后的值,以及所述性能优化目标值、所述第一电路性能值输入参数更新后的自注意力神经网络模型,通过参数更新后的自注意力神经网络模型计算输出N个所述电路器件参数变量新的参数值...

【专利技术属性】
技术研发人员:蓝碧健左王格张征张静肖
申请(专利权)人:苏州复鹄电子科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1