【技术实现步骤摘要】
本专利技术涉及集成电路计算机辅助设计，尤其是基于深度强化学习的绕障x结构steiner最小树方法。
技术介绍
1、随着集成度的提高和器件的微型化，现代集成电路的复杂度急剧增加，需要大量的时间和人力来完成电路设计、仿真、布局、布线、物理验证、测试等过程。电子设计自动化(electronic design automation,eda)的出现极大地提高了电路设计的效率和准确性。
2、在eda工具中，布线算法是实现电路功能的关键技术之一。在布局阶段，芯片的各个模块已经被放置在芯片上，并确定了电路的电气特性和功能。布线的主要目标是通过连接模块间的逻辑网(以下称为线网)，从而为芯片提供物理互连。值得注意的是布线的质量将直接影响芯片的性能，功耗，可靠性和设计周期。并且，有研究表明，基于x结构的布线技术可显著降低通孔数量、线长和模具尺寸，具有很高的实用价值。
3、由于存在障碍物，解决非曼哈顿结构布线的最佳连接模型是绕障x结构steiner最小树(obstacle-avoiding x-architecture steiner minimal tree,oaxsmt)。相比于绕障矩形steiner最小树，oaxsmt需要构建更多方向的布线轨道，因此其构造难度和计算复杂性更高。
技术实现思路
1、本专利技术提出基于深度强化学习的绕障x结构steiner最小树方法，能有效地减少构建绕障矩形steiner最小树的代价，从而降低了芯片设计的复杂度和总成本。
2、本专利技
3、基于深度强化学习的绕障x结构steiner最小树方法，包括以下步骤；
4、步骤一、在预处理阶段，设计基于异构图变换器的编码器为每个结点生成固定长度的编码；
5、步骤二、在布线主阶段，设计基于指针网络的actor-critic解码器生成绕障x结构steiner冗余树；
6、步骤三、在线长评估阶段，设计快速评估策略用于评估冗余树的质量。
7、所述绕障x结构steiner最小树oaxsmt中，λ结构steiner最小树在二维平面上允许布线路径在与水平线夹角为iπ/λ的方向上延伸，其中i，λ是一个整数，i＜λ；
8、在具有障碍物的二维平面上的λ-smt问题称为λ结构绕障steiner最小树λ-oasmt；当λ的值设置为4时，λ-oasmt的布线路径与水平线夹角为iπ/4，其中包括0°、45°、90°和135°，此时的λ-oasmt问题称为oaxsmt；设在oaxsmt中，除引脚点外的端点统称为伪steiner点ps。
9、所述步骤一中，深度强化学习是深度学习和强化学习的结合；利用智能体在环境中不断学习并积累经验从而达到决策优化的目的；
10、在预处理阶段，构造一个引脚和障碍物的无向连通图oasg以绕开障碍物，连通图的任意一条边均不与障碍物相交，以oasg为原始拓扑结构建立强化学习模型，使得基于强化学习模型的智能体在oasg上构造oast过程能够忽略障碍；
11、所述oasg为异构图，其信息用序列化编码表示，采用异构图变换器提取oasg的互连特征，为每一个结点寻求一个有意义的向量嵌入表示；
12、所述oasg使用扫描线的方法构造，通过结合并行化技术解决oaxsmt问题；oasg中的任意一条边均不穿越障碍物，并且该性质不会因为边的选择方式而改变；
13、oasg的邻点定义为：对于任意结点ni∈n，在图中与之相邻的结点fj∈n，若在ni与fj的边界框内或边界上没有其他任何结点或障碍物，则称fj为ni的邻点；
14、oasg的异构图定义为：当图g中点的种类和边的种类的数量之和大于等于2时，称图g为异构图；
15、所述oasg包含引脚和角点两种类型的结点，oasg属于异构图；引入hgt为每个结点寻找一种有意义的嵌入表示。
16、hgt将oasg异构图的三元组(源点s，边e，终点t)定义为元关系；
17、hgt的第一部分是异质互注意力层，用于计算源点s和终点t之间的互注意力；hgt为了捕获不同元关系的信息，为每个元关系分配一组不同的权重矩阵参数；
18、函数att-headi(·)表示单个注意力头的计算公式，函数ki(s)将源点s映射为key向量，函数qi(t)将终点t映射为query向量；
19、函数attentionhgt(·)的主要作用是将每个注意力头的输出进行拼接，即从终点t的邻点集合n(t)中收集注意力向量；
20、
21、
22、
23、
24、其中，i代表注意力头的编号，h代表注意力头的数量。τ(·)代表获取结点的类型，φ(·)代表获取边的类型，不同类型的结点与边对应不同的映射参数。代表第l层hgt关于结点s的输出。与是注意力头对h(l)[s]的输出进行映射，其输出为是可训练权重参数。||i∈[1，h]是拼接符号，对每个注意力头的输出进行拼接，形成向量
25、hgt的第二部分是异质性消息传递层，用于缓解结点之间关系的差异性，hgt将边的异质性合并到消息传递的过程中，具体的做法是计算源点s通过元关系传递给终点t的消息；对于一组元关系，消息传递的计算过程如下述公式(5)所示，用将h(l)[s]的输出的向量映射到维度，然后用一个可训练权重参数来融合边的信息，得到第i个注意力头的信息
26、
27、messagehgt(s，e，t)＝||i∈[1，h]msg-headi(s，e，t) (6)hgt的第三部分是目标信息聚合层，将前两部分计算得到的源点s相对于终点t的重要性和源点s的消息传递更新到终点t的嵌入表示中，得到终点t更新后的向量表示：
28、
29、为了让终点t的向量保证是符合其类型的特征分布空间，再做一次映射，并使用残差连接：
30、
31、其中，符号代表对向量做加权求和操作，函数a-linearτ(t)(·)表示将终点t映射到对应类型的特征分布空间，函数σ(·)为非线性激活函数；堆叠l层hgt后，得到结点t的图嵌入信息表示h(l)[t]。
32、编码器以点的二维坐标作为输入，hgt的层数l＝4。模型使用线性变化扩展结点的维数，通过e0＝batchnorm(cwemb)得到初始编码，其中，是一个参数可训练的投影矩阵；
33、batchnorm(·)函数对矩阵进行批标准化处理，通过计算每个mini-batch的均值和方差，将其拉回到均值为0方差为1的标准正态分布，以使训练更加稳定，算法的收敛速度更快。
34、oasg中，对于任意结点ni∈n，以该结点为原点建立坐标系，并将平面划分为四个象限r1，r2，r3和r4；通过扫描线思想搜索ni的每个象限内的邻点集合f，f内的所有结点与ni的连线构成oasg的边；不同象限内的搜索互不相关以使不同象限之间能够并行本文档来自技高网...
【技术保护点】
1.基于深度强化学习的绕障X结构Steiner最小树方法，其特征在于：包括以下步骤；
2.根据权利要求1所述的基于深度强化学习的绕障X结构Steiner最小树方法，其特征在于：所述绕障X结构Steiner最小树OAXSMT中，λ结构Steiner最小树在二维平面上允许布线路径在与水平线夹角为iπ/λ的方向上延伸，其中i，λ是一个整数，i＜λ；
3.根据权利要求2所述的基于深度强化学习的绕障X结构Steiner最小树方法，其特征在于：所述步骤一中，深度强化学习是深度学习和强化学习的结合；利用智能体在环境中不断学习并积累经验从而达到决策优化的目的；
4.根据权利要求3所述的基于深度强化学习的绕障X结构Steiner最小树方法，其特征在于：HGT将OASG异构图的三元组(源点s，边e，终点t)定义为元关系；
5.根据权利要求4所述的基于深度强化学习的绕障X结构Steiner最小树方法，其特征在于：编码器以点的二维坐标作为输入，HGT的层数L＝4。模型使用线性变化扩展结点的维数，通过E0＝BatchNorm(CWemb)得到初始编码，其中，
6.根据权利要求3所述的基于深度强化学习的绕障X结构Steiner最小树方法，其特征在于：OASG中，对于任意结点Ni∈N，以该结点为原点建立坐标系，并将平面划分为四个象限R1，R2，R3和R4；通过扫描线思想搜索Ni的每个象限内的邻点集合F，F内的所有结点与Ni的连线构成OASG的边；不同象限内的搜索互不相关以使不同象限之间能够并行计算，使算法所构造的OASG能够全面覆盖OAXSMT的最优解所包含的边集合。
7.根据权利要求3所述的基于深度强化学习的绕障X结构Steiner最小树方法，其特征在于：所述步骤二中，Actor-Critic解码器的Actor解码器将编码器的输出作为输入，根据指针网络不断选取结点与选择方式，以生成OAXSRT；Actor-Critic解码器的Critic解码器仍将编码器的输出作为输入，通过解码器网络计算状态的评分标量；
8.根据权利要求7所述的基于深度强化学习的绕障X结构Steiner最小树方法，其特征在于：为了确定v0与t＝1，2，...，n-1时的vt，ut，和强化学习模型使用指针网络来确定结点选择概率的指针网络，具体计算公式如下：
9.根据权利要求7所述的基于深度强化学习的绕障X结构Steiner最小树方法，其特征在于：步骤二中，Actor-Critic解码器的Critic解码器用于协助学习过程；Critic解码器试图通过预测Actor解码器得到OAXSRT的长度，并将预测的长度作为基准线用于计算优势值；
10.根据权利要求7所述的基于深度强化学习的绕障X结构Steiner最小树方法，其特征在于：步骤三的线长评估阶段中，为了使模型从经验中学习，需要评估模型所获得的解决方案以生成奖励，以快速评估OAXSRT线长的算法快速且精确的计算OAXSRT对应的OAXST的线长；
...【技术特征摘要】
1.基于深度强化学习的绕障x结构steiner最小树方法，其特征在于：包括以下步骤；
2.根据权利要求1所述的基于深度强化学习的绕障x结构steiner最小树方法，其特征在于：所述绕障x结构steiner最小树oaxsmt中，λ结构steiner最小树在二维平面上允许布线路径在与水平线夹角为iπ/λ的方向上延伸，其中i，λ是一个整数，i＜λ；
3.根据权利要求2所述的基于深度强化学习的绕障x结构steiner最小树方法，其特征在于：所述步骤一中，深度强化学习是深度学习和强化学习的结合；利用智能体在环境中不断学习并积累经验从而达到决策优化的目的；
4.根据权利要求3所述的基于深度强化学习的绕障x结构steiner最小树方法，其特征在于：hgt将oasg异构图的三元组(源点s，边e，终点t)定义为元关系；
5.根据权利要求4所述的基于深度强化学习的绕障x结构steiner最小树方法，其特征在于：编码器以点的二维坐标作为输入，hgt的层数l＝4。模型使用线性变化扩展结点的维数，通过e0＝batchnorm(cwemb)得到初始编码，其中，是一个参数可训练的投影矩阵；batchnorm(·)函数对矩阵进行批标准化处理，通过计算每个mini-batch的均值和方差，将其拉回到均值为0方差为1的标准正态分布，以使训练更加稳定，算法的收敛速度更快。
6.根据权利要求3所述的基于深度强化学习的绕障x结构steiner最小树方法，其特征在于：oasg中，对于任意结点ni∈n，以该结点为原点建立坐标系，并将平面划分为四个象限r1，r...
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。