【技术实现步骤摘要】
本公开涉及人工智能，尤其涉及热仿真和深度学习等，具体涉及一种元件热仿真方法、神经网络的训练方法、元件热仿真装置、神经网络的训练装置、电子设备、计算机可读存储介质和计算机程序产品。
技术介绍
1、人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括自然语言处理技术、计算机视觉技术、语音识别技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
2、现今，高性能处理器行业面临着日益突出的热挑战，由于功能单元内部功耗的不均匀分布，导致了难以预测和控制的温度不均，引发了热问题。这一热问题严重影响设备的可靠性和性能，加速了故障机制的产生。随着芯片尺寸的不断减小和晶体管密度的增加，热问题变得更加严重，尤其是在三维堆叠芯片中。传统的散热方法已显不足以应对日益增加的热密度。因此，元件热仿真成为了集成电路设计流程中的重要一环。准确预测温度分布有助于分析元件的热特性，对功率优化、布局规划等提供依据。
3、在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
技术实现思路
1、本公开提供了一种元件热仿真方法、神
2、根据本公开的一方面，提供了一种元件热仿真方法，包括：确定目标元件中的目标位置；确定多个预设配置条件中的至少一个目标配置条件，并确定与至少一个目标配置条件对应的至少一个配置条件信息，其中，多个预设配置条件各自指定目标元件中的至少一个相关位置，配置条件信息表征目标元件中的由对应的目标配置条件指定的至少一个相关位置的热仿真信息；确定配置选择信息，配置选择信息指示在多个预设配置条件中对至少一个目标配置条件的选择；以及将目标位置、至少一个配置条件信息和配置选择信息输入用于元件热仿真的神经网络，以得到目标位置的热仿真结果。
3、根据本公开的另一方面，提供了一种神经网络的训练方法，包括：确定目标元件中的多个样本位置；确定多个预设配置条件，并确定与多个预设配置条件对应的多个配置条件信息，其中，多个预设配置条件各自指定目标元件中的至少一个相关位置，配置条件信息表征目标元件中的由对应的预设配置条件指定的至少一个相关位置的热仿真信息；确定多个样本位置各自对应的多个配置选择信息，配置选择信息指示在多个预设配置条件中对其中的至少一个目标配置条件的选择，并且多个配置选择信息覆盖多个预设配置条件；将多个样本位置、多个配置选择信息以及多个配置选择信息各自指示的至少一个目标配置条件对应的至少一个配置条件信息输入神经网络，以得到多个样本位置各自的与多个配置选择信息对应的多个热仿真结果；以及基于多个样本位置各自的与多个配置选择信息对应的多个热仿真结果，调整神经网络的参数，以得到用于目标元件热仿真的神经网络。
4、根据本公开的另一方面，提供了一种元件热仿真装置，包括：第一确定单元，被配置为确定目标元件中的目标位置和多个预设配置条件；第二确定单元，被配置为确定多个预设配置条件中的至少一个目标配置条件，并确定与至少一个目标配置条件对应的至少一个配置条件信息，其中，多个预设配置条件各自指定目标元件中的至少一个相关位置，配置条件信息表征目标元件中的由对应的目标配置条件指定的至少一个相关位置的热仿真信息；第三确定单元，被配置为确定配置选择信息，配置选择信息指示在多个预设配置条件中对至少一个目标配置条件的选择；以及第一仿真单元，被配置为将目标位置、至少一个配置条件信息和配置选择信息输入用于元件热仿真的神经网络，以得到目标位置的热仿真结果。
5、根据本公开的另一方面，提供了一种神经网络的训练装置，包括：第四确定单元，被配置为确定目标元件中的多个样本位置；第五确定单元，被配置为确定多个预设配置条件，并确定与多个预设配置条件对应的多个配置条件信息，其中，多个预设配置条件各自指定目标元件中的至少一个相关位置，配置条件信息表征目标元件中的由对应的预设配置条件指定的至少一个相关位置的热仿真信息；第六确定单元，被配置为确定多个样本位置各自对应的多个配置选择信息，配置选择信息指示在多个预设配置条件中对其中的至少一个目标配置条件的选择，并且多个配置选择信息覆盖多个预设配置条件；第二仿真单元，被配置为将多个样本位置、多个配置选择信息以及多个配置选择信息各自指示的至少一个目标配置条件对应的至少一个配置条件信息输入神经网络，以得到多个样本位置各自的与多个配置选择信息对应的多个热仿真结果；以及调参单元，被配置为基于多个样本位置各自的与多个配置选择信息对应的多个热仿真结果，调整神经网络的参数，以得到用于目标元件热仿真的神经网络。
6、根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。
7、根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述方法。
8、根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。
9、根据本公开的一个或多个实施例，本公开通过将目标元件中的目标位置、在多个预设配置条件中确定的至少一个目标配置条件和用于指示在多个预设配置条件中对至少一个目标配置条件的选择的配置选择信息输入用于元件热仿真的神经网络，使得神经网络能够获知与接收到的配置条件信息对应的目标配置条件，从而能够根据该目标配置条件对目标元件进行热仿真，得到目标位置的热仿真结果。通过上述方式，实现了利用单一神经网络处理目标元件的某一位置在不同的配置条件的情况下的热仿真，使得针对不同的配置条件无需训练或部署多个神经网络，降低了训练成本和部署成本。
10、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种元件热仿真方法，包括：
2.根据权利要求1所述的方法，其中，所述神经网络包括位置子网络、与所述至少一个配置条件信息对应的至少一个配置子网络以及与所述配置选择信息对应的选择子网络，
3.根据权利要求2所述的方法，其中，所述位置特征向量、所述至少一个配置条件特征向量和所述配置选择特征向量具有相同的维度，
4.根据权利要求1-3中任一项所述的方法，其中，所述至少一个目标配置条件包括热源分布配置条件，所述热源分布配置条件指定所述目标元件的多个内部位置，与所述热源分布配置条件对应的配置条件信息包括所述多个内部位置的热源值。
5.根据权利要求1-3中任一项所述的方法，其中，所述至少一个目标配置条件包括边界配置条件，所述边界配置条件指定所述目标元件的多个边界位置，与所述边界配置条件对应的配置条件信息包括所述多个边界位置的边界函数值。
6.根据权利要求5所述的方法，其中，所述多个预设配置条件包括与多个边界条件对应的多个预设边界配置条件，所述边界配置条件包括与所述多个边界条件的其中一个边界条件对应的预设边界配置条件，并且与所述边界
7.一种神经网络的训练方法，包括：
8.根据权利要求7所述的方法，其中，所述神经网络包括位置子网络、与所述至少一个配置条件信息对应的至少一个配置子网络以及与所述配置选择信息对应的选择子网络，
9.根据权利要求8所述的方法，其中，所述位置特征向量、所述至少一个配置条件特征向量和所述配置选择特征向量具有相同的维度，
10.根据权利要求7-9中任一项所述的方法，其中，所述至少一个目标配置条件包括热源分布配置条件，所述热源分布配置条件指定所述目标元件的多个内部位置，与所述热源分布配置条件对应的配置条件信息包括所述多个内部位置的热源值。
11.根据权利要求10所述的方法，其中，基于所述多个样本位置各自的与所述多个配置选择信息对应的多个热仿真结果，调整所述神经网络的参数，以得到用于所述目标元件热仿真的神经网络包括：
12.根据权利要求7-9中任一项所述的方法，其中，所述至少一个目标配置条件包括边界配置条件，所述边界配置条件指定所述目标元件的多个边界位置，与所述边界配置条件对应的配置条件信息包括所述多个边界位置的边界函数值。
13.根据权利要求12所述的方法，其中，所述多个预设配置条件包括与多个边界条件对应的多个预设边界配置条件，所述多个配置选择信息与所述多个边界条件对应，
14.根据权利要求13所述的方法，其中，基于所述多个样本位置各自的与所述多个配置选择信息对应的多个热仿真结果，调整所述神经网络的参数，以得到用于所述目标元件热仿真的神经网络包括：
15.一种元件热仿真装置，包括：
16.根据权利要求15所述的装置，其中，所述神经网络包括位置子网络、与所述至少一个配置条件信息对应的至少一个配置子网络以及与所述配置选择信息对应的选择子网络，
17.根据权利要求16所述的装置，其中，所述位置特征向量、所述至少一个配置条件特征向量和所述配置选择特征向量具有相同的维度，
18.根据权利要求15-17中任一项所述的装置，其中，所述至少一个目标配置条件包括热源分布配置条件，所述热源分布配置条件指定所述目标元件的多个内部位置，与所述热源分布配置条件对应的配置条件信息包括所述多个内部位置的热源值。
19.根据权利要求15-17中任一项所述的装置，其中，所述至少一个目标配置条件包括边界配置条件，所述边界配置条件指定所述目标元件的多个边界位置，与所述边界配置条件对应的配置条件信息包括所述多个边界位置的边界函数值。
20.根据权利要求1所述的装置，其中，所述多个预设配置条件包括与多个边界条件对应的多个预设边界配置条件，所述边界配置条件包括与所述多个边界条件的其中一个边界条件对应的预设边界配置条件，并且与所述边界配置条件对应的配置条件信息包括所述多个边界位置基于该边界条件的边界函数值，
21.一种神经网络的训练装置，包括：
22.根据权利要求21所述的装置，其中，所述神经网络包括位置子网络、与所述至少一个配置条件信息对应的至少一个配置子网络以及与所述配置选择信息对应的选择子网络，
23.根据权利要求22所述的装置，其中，所述位置特征向量、所述至少一个配置条件特征向量和所述配置选择特征向量具有相同的维度，
24.根据权利要求21-23中任一项所述的装置，其中，所述至少一个目标配置条件包括热源分布配...
【技术特征摘要】
1.一种元件热仿真方法，包括：
2.根据权利要求1所述的方法，其中，所述神经网络包括位置子网络、与所述至少一个配置条件信息对应的至少一个配置子网络以及与所述配置选择信息对应的选择子网络，
3.根据权利要求2所述的方法，其中，所述位置特征向量、所述至少一个配置条件特征向量和所述配置选择特征向量具有相同的维度，
4.根据权利要求1-3中任一项所述的方法，其中，所述至少一个目标配置条件包括热源分布配置条件，所述热源分布配置条件指定所述目标元件的多个内部位置，与所述热源分布配置条件对应的配置条件信息包括所述多个内部位置的热源值。
5.根据权利要求1-3中任一项所述的方法，其中，所述至少一个目标配置条件包括边界配置条件，所述边界配置条件指定所述目标元件的多个边界位置，与所述边界配置条件对应的配置条件信息包括所述多个边界位置的边界函数值。
6.根据权利要求5所述的方法，其中，所述多个预设配置条件包括与多个边界条件对应的多个预设边界配置条件，所述边界配置条件包括与所述多个边界条件的其中一个边界条件对应的预设边界配置条件，并且与所述边界配置条件对应的配置条件信息包括所述多个边界位置基于该边界条件的边界函数值，
7.一种神经网络的训练方法，包括：
8.根据权利要求7所述的方法，其中，所述神经网络包括位置子网络、与所述至少一个配置条件信息对应的至少一个配置子网络以及与所述配置选择信息对应的选择子网络，
9.根据权利要求8所述的方法，其中，所述位置特征向量、所述至少一个配置条件特征向量和所述配置选择特征向量具有相同的维度，
10.根据权利要求7-9中任一项所述的方法，其中，所述至少一个目标配置条件包括热源分布配置条件，所述热源分布配置条件指定所述目标元件的多个内部位置，与所述热源分布配置条件对应的配置条件信息包括所述多个内部位置的热源值。
11.根据权利要求10所述的方法，其中，基于所述多个样本位置各自的与所述多个配置选择信息对应的多个热仿真结果，调整所述神经网络的参数，以得到用于所述目标元件热仿真的神经网络包括：
12.根据权利要求7-9中任一项所述的方法，其中，所述至少一个目标配置条件包括边界配置条件，所述边界配置条件指定所述目标元件的多个边界位置，与所述边界配置条件对应的配置条件信息包括所述多个边界位置的边界函数值。
13.根据权利要求12所述的方法，其中，所述多个预设配置条件包括与多个边界条件对应的多个预设边界配置条件，所述多个配置选择信息与所述多个边界条件对应，
14.根据权利要求13所述的方法，其中，基于所述多个样本位置各自的与所述多个配置选择信息对应的多个热仿真结果，调整所述神经网络的参数，以得到用于所述目标元件热仿真的神经网络包括：
15.一种元件热仿真装置，包括：
16.根据权利要求15所...
【专利技术属性】
技术研发人员：卢自波，周原野，胡晓光，马艳军，
申请(专利权)人：北京百度网讯科技有限公司，
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。