基于图神经网络的路径时序预测方法技术

本发明专利技术公开基于图神经网络的路径时序预测方法，属于计算，推算或计数的技术领域。该方法包括：提出一种将电路门级网表转化为电路时序路径图的方法，将时序路径上的门单元的特征用特征向量表示，通过邻接矩阵表示时序路径中门单元的连接关系；使用图神经网络和自注意力机制，通过输入时序路径的门单元特征向量和邻接矩阵，预测路径的延迟数据。将图神经网络和自注意力机制结合到静态时序分析中，进行延迟计算，保留了时序路径中门单元的连接拓扑关系，同时保留了时序路径中整条路径的全局信息，从而提高了神经网络的预测精度，进而提高时序分析精度和运行效率。

【技术实现步骤摘要】

本专利技术涉及集成电路eda(electronics design automation，电子设计自动化)领域，尤其公开基于图神经网络的路径时序预测方法，属于计算、推算或计数的。

技术介绍

1、时序分析是数字集成电路设计的一个重要步骤，通过正确地进行时序分析并优化电路可以提高电路的性能和可靠性。数字集成电路时序路径延迟是指数据信号从输入到输出经过所有的逻辑门、寄存器以及线路等与时序相关的元件所需要的时间。在数字电路中，时序路径延迟对系统性能有很大影响，它决定了信号传输速度和最大工作频率。电路时序路径时序分析是电路设计的关键步骤之一，有利于确保电路的正确功能和性能，从而缩短产品的开发时间和降低成本，提高产品质量。

2、eda时序分析工具通常用于设计和验证数字电路的正确性。这些工具可以帮助工程师模拟、测试和优化电路的性能。然而，随着电路规模越来越大，电路的复杂度提高，电路工艺角的改变，需要进行大量的时序分析，这导致了eda时序分析工具出现反复调用、运行慢的问题，整个时序分析过程非常耗时，从而影响整个设计流程的速度。神经网络是一种基于人类神经系统的计本文档来自技高网...

【技术保护点】

1.基于图神经网络的路径时序预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述基于图神经网络的路径时序预测方法，其特征在于，所述步骤S1将门单元的特征信息表示为特征向量的具体方法为：根据门单元在路径中扇入度、扇出度、驱动大小、输入端口连接关系、输出端口连接关系和布尔函数，将门单元的特征信息表示为0和1组合而成的独热编码。

3.根据权利要求2所述基于图神经网络的路径时序预测方法，其特征在于，所述步骤S2从所述时序路径图中提取的关键路径包含设计电路的输入端口和输出端口。

4.根据权利要求3所述基于图神经网络的路径时序预测方法，其特征在于，所述步骤...

【技术特征摘要】

1.基于图神经网络的路径时序预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述基于图神经网络的路径时序预测方法，其特征在于，所述步骤s1将门单元的特征信息表示为特征向量的具体方法为：根据门单元在路径中扇入度、扇出度、驱动大小、输入端口连接关系、输出端口连接关系和布尔函数，将门单元的特征信息表示为0和1组合而成的独热编码。

3.根据权利要求2所述基于图神经网络的路径时序预测方法，其特征在于，所述步骤s2从所述时序路径图中提取的关键路径包含设计电路的输入端口和输出端口。

4.根据权利要求3所述基于图神经网络的路径时序预测方法，其特征在于，所述步骤s2根据所述子图中门单元的连接关系建立所述子图的邻接矩阵的具体方法为：构建n×n维矩阵；在门单元具有连接关系时，将矩阵中表征门单元连接关系的元素赋值为1；在门单元无连接关系时，将矩阵中表征门单元连接关系的元素赋值为0。

5.根据权利要求4所述基于图神经网络的路径时序预测方法，其特征在于，所述步骤s2根据所述子图中门单元的特征信息建立所述子图的特征向量矩阵的具体方法为：根据所述子图中门单元的排列顺序，将各门单元的特征向量组合成维度为n×x的特征向量矩阵，x为特征向量的维数，n为子图中门单元的个数。

6.根据权利要求5所述基于图神经网络的路径时序预测方法，其特征在于，所述步骤s3中通过图神经网络进行邻域节点特征信息传递和聚合的具体表达式为：

7.根据权利要求6所述基于图神经网络的路径时序预测方法，其特征在于，所述步骤s3中根据传递和聚合后各节点的特征向量更新子图的特征向量矩阵的具体方法为：将步骤s2建立的子图的特征向量矩阵中的各特征向量，替换为通过图神经网络进行邻域...

【专利技术属性】
技术研发人员：郭静静，宁雪洁，姜玻，李梦可欣，张铭臻，蔡志匡，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：