【技术实现步骤摘要】
【】本专利技术涉及设计于工艺协同优化，具体涉及一种基于图神经网络(graphneural networks，gnn)的标准单元(standard cell)快速表征方法。
技术介绍
0、
技术介绍
1、随着摩尔定律的放缓，对于先进半导体工艺来说，设计与工艺协同优化(designtechnology co-optimization，dtco)在先进半导体的研究过程中起到越来越重要的作用。dtco涉及协同考虑制造工艺和系统性能，以指导先进技术节点的发展和评估新兴材料和器件。与传统的工艺优化和系统性能评估分开进行的技术开发不同，dtco在工艺和器件优化的早期阶段就融入了系统性能和可靠性考虑因素。与传统的分阶段优化流程相比，dtco通过同时探索材料、器件结构、制造工艺和系统设计选择，为提高整体系统性能和可靠性提供了更大的潜力。
2、在设计与工艺协同优化的流程中间，标准单元库是连接晶体管工艺和数字电路设计之间的重要桥梁。标准单元库不仅需要为电路级和系统级设计的功耗、性能和面积(ppa)提供准确预测，还需要评估特定工艺或新兴材料的可靠性(例如老化退化和热稳定性)。
3、标准单元库包含基于给定时间弧、输出负载和输入转换的各种标准单元的延时、功耗和晶体管布局信息。对于不同的工艺-电压-温度(pvt)工艺角，标准单元库所包含的信息可能会有显著的变化。因此，在系统级dtco迭代中，尤其是在新兴材料的工艺开发中，当材料或器件结构更新时，有必要在其工作的电压、温度和阈值电压范围内对单元库进行重新表征。针对该问题，传
4、近年来，机器学习方法已应用于解决设计自动化领域中的诸多挑战性问题，例如电路逻辑综合优化、版图拥塞估算、芯片模块布局和布线等。针对标准单元库表征，一些研究旨在通过训练线性回归和多层感知器模型来提高计算效率。然而，上述方法要么需要针对每个特定工艺角训练一个模型，要么需要针对库中的每个特定单元训练一个模型，从而导致实际中需要训练和维护数十乃至数百个模型。从机器学习的角度来看，这可能是由于线性回归和mlp模型在处理图结构数据时泛化能力有限所导致的。多层感知机(mlp，multilayer perceptron)也叫人工神经网络(ann，artificial neural network)，除了输入输出层，它中间可以有多个隐层，最简单的mlp只含一个隐层，即三层的结构。
5、图神经网络是一种强大的机器学习模型，它善于处理图形结构的数据。图神经网络通过将数据表示为图(由节点和边组成的数据结构)，并利用神经网络进行处理，实现了对复杂数据的深度学习。
6、在图神经网络中，每个节点可以理解为数据中的一个元素或实体，而边则代表这些元素或实体之间的关联。通过将整个图数据通过神经网络，图神经网络能够捕捉到数据中的复杂模式和结构。
7、在实际应用中，图神经网络可以应用于各种具有图结构的数据，如社交网络、蛋白质互作网络、知识图谱等。通过将这些问题转化为图的问题，有助于更好地理解和解决这些问题。
8、正因为图神经网络相比于其他机器学习方法在处理图这种数据结构时有其特别的优势，而电路结构也非常方便抽象成图数据结构，因此图神经网络在设计自动化领域受到了广泛关注。
9、本专利技术针对现有设计自动化机器学习在处理图结构数据时泛化能力有限的技术问题，对机器学习建模预测方法进行了技术改进。
技术实现思路
0、
技术实现思路
1、本专利技术的目的是，提供一种具备泛化性和通用性，高精度、快速预测未知环境和工艺参数组合下标准单元性能表征的方法。
2、为实现上述目的，本专利技术采取的技术方案是一种基于图神经网络的标准单元快速表征方法，用于半导体设计与工艺协同优化和复杂环境下数字电路性能快速预测，包括以下步骤：
3、s1、根据使用的标准单元库，通过eda工具仿真，构建不同环境参数和工艺参数条件下标准单元性能表征的训练数据集和测试数据集；
4、s2、对训练数据集和测试数据集进行数据预处理，从eda工具仿真生成的结果报告中提取出标准单元的时延和功耗信息，将标准单元库中的每一个标准单元电路网表抽象成为标准单元图数据结构；
5、s3、根据需要表征的标准单元性能，将标准单元图数据结构进行归一化操作之后，转化成标准单元图数据结构节点特征向量；
6、s4、构建基于图神经网络的机器学习模型，用训练数据集对基于图神经网络的机器学习模型进行训练；
7、s5、在测试数据集上对完成训练的基于图神经网络的机器学习模型进行测试，使用基于图神经网络的机器学习模型快速表征未知环境和工艺参数组合下的标准单元性能。
8、优选地，所述的一种基于图神经网络的标准单元快速表征方法，步骤s4用训练数据集对基于图神经网络的机器学习模型进行训练具体包括以下子步骤：
9、由训练数据集数据x沿所述基于图神经网络的机器学习模型前向传递得到标准单元性能预测值y′＝g(θ,x)，其中，g函数为基于图神经网络的机器学习模型前向传递函数；
10、然后使用平均绝对百分比误差mape计算标准单元性能预测值y′与标准单元性能真实值y之间的相对误差，平均绝对百分比误差mape计算公式为：
11、
12、式中，n为训练数据集的样本数，yi为训练数据集中第i个样本的标准单元性能真实值，yi′为训练数据集中第i个样本的标准单元性能预测值；
13、最后，通过梯度下降算法，逆向反馈更新基于图神经网络的机器学习模型的权重系数，直至误差收敛，梯度下降算法的计算公式为：
14、
15、式中，:＝表示该符号右侧的值更新左侧的值，α表示学习率，j(θ)为损失函数即平均绝对百分比误差mape。
16、优选地，步骤s4：所述基于图神经网络的机器学习模型是前向传递方向包括若干图卷积层和全连接层构成的回归网络。
17、优选地，所述标准单元库是由大量标准单元所构成的集合，所述标准单元是指数字电路设计中所使用的逻辑单元。
18、优选地，所述标准单元性能表征是指在给定的工作电压、工作温度、输入信号上升时间、输出容性负载大小、晶体管阈值电压和沟道宽度范围内，所述标准单元在一组输入参数组合下的的延时与功耗信息。
19、优选地，所述步骤s1：在给定的环境和工艺参数范围内，在每种环境参数和工艺参数中选取若干值进行组合，使用e本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的标准单元快速表征方法，用于半导体设计与工艺协同优化和复杂环境下数字电路性能快速预测，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于图神经网络的标准单元快速表征方法，其特征在于步骤S4用训练数据集对基于图神经网络的机器学习模型进行训练具体包括以下子步骤：
3.根据权利要求2所述的一种基于图神经网络的标准单元快速表征方法，其特征在于步骤S4：所述基于图神经网络的机器学习模型是前向传递方向包括若干图卷积层和全连接层构成的回归网络。
4.根据权利要求3所述的一种基于图神经网络的标准单元快速表征方法，其特征在于：所述标准单元库是由大量标准单元所构成的集合，所述标准单元是指数字电路设计中所使用的逻辑单元。
5.根据权利要求4所述的一种基于图神经网络的标准单元快速表征方法，其特征在于：所述标准单元性能表征是指在给定的工作电压、工作温度、输入信号上升时间、输出容性负载大小、晶体管阈值电压和沟道宽度范围内，所述标准单元在一组输入参数组合下的的延时与功耗信息。
6.根据权利要求5所述的一种基于图神经网络的
7.根据权利要求6所述的一种基于图神经网络的标准单元快速表征方法，其特征在于所述步骤S2：根据标准单元电路连接关系将节点划分为以下类别，电源VDD、地VSS、信号输入IN、信号输出OUT、N型场效应管N-FET和P型场效应管P-FET，连接节点与节点之间的边由标准单元电路网表确定，方向由边两端的节点属性确定。
8.根据权利要求7所述的一种基于图神经网络的标准单元快速表征方法，其特征在于所述步骤S3：所述标准单元图数据结构节点特征向量前三位用于区分不同节点类型、其余位用于区分标准单元工作环境参数和工艺参数以及当前输入引脚状态和后续输入引脚状态。
9.根据权利要求8所述的一种基于图神经网络的标准单元快速表征方法，其特征在于所述步骤S4：所述基于图神经网络的机器学习模型以多层图神经网络为基础，外加多层全连接层构成。
...【技术特征摘要】
1.一种基于图神经网络的标准单元快速表征方法，用于半导体设计与工艺协同优化和复杂环境下数字电路性能快速预测，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于图神经网络的标准单元快速表征方法，其特征在于步骤s4用训练数据集对基于图神经网络的机器学习模型进行训练具体包括以下子步骤：
3.根据权利要求2所述的一种基于图神经网络的标准单元快速表征方法，其特征在于步骤s4：所述基于图神经网络的机器学习模型是前向传递方向包括若干图卷积层和全连接层构成的回归网络。
4.根据权利要求3所述的一种基于图神经网络的标准单元快速表征方法，其特征在于：所述标准单元库是由大量标准单元所构成的集合，所述标准单元是指数字电路设计中所使用的逻辑单元。
5.根据权利要求4所述的一种基于图神经网络的标准单元快速表征方法，其特征在于：所述标准单元性能表征是指在给定的工作电压、工作温度、输入信号上升时间、输出容性负载大小、晶体管阈值电压和沟道宽度范围内，所述标准单元在一组输入参数组合下的的延时与功耗信息。
6.根据权利要求5所述的一种基于图神经网络的标准单元快...
【专利技术属性】
技术研发人员：马天亮，邵雷来，罗建禄，孙旭光，邓志辉，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
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。