【技术实现步骤摘要】
本申请涉及电路识别，特别涉及一种基于异质图卷积神经网络的子电路识别方法。
技术介绍
1、在模拟集成电路设计中，电路应满足特定设计目标，且需要保证电路在实际应用中具有鲁棒性，因此模拟电路结构必须满足复杂约束，导致模拟集成电路的设计十分繁琐，设计过程严重依赖人类设计专家的专业知识和经验，定制化专用集成电路(applicationspecific integrated circuit，asic)芯片的设计时间与生产成本增加，故亟需自动化工具辅助设计，以减轻人类设计者的手动工作量，提高设计速度，降低asic芯片的生产成本。随着集成电路设计复杂度的提升，设计者手动完成完整设计流程的耗时不断增加，因此对模拟电路版图生成自动化的要求不断提高。
2、在进行可靠性分析(reliability analysis)时，电路的所有失效器件都需要用昂贵的仿真来识别。实际上，存在多种类型的芯片失效因素，比如电迁移(electro-migration，em)，电压降(ir drop)和偏压温度不稳定性(bias temperature instability,bti)。随着大规模集成电路设计复杂度的提升，仅依赖电路设计者的人工可靠性分析耗费大量设计时间，并进一步影响到asic芯片的开发周期和成本，故亟需eda工具辅助进行自动化的失效器件识别。
3、传统的子电路识别方法包括子图同构法，分为基于库或基于规则两种。在基于库的方法中，将已知功能电路的结构转化为图结构，存储在模式库中，对于需要识别的目标电路，将其也转化为图结构，再与模式库中存储
4、相较于传统的子图同构方法，基于cnn的子电路识别方法可以实现更高的自动化程度和识别准确率，但由于cnn只能处理规则数据，而电路结构是不规则的，基于cnn的方法需要利用复杂的向量或矩阵表示映射电路结构，复杂的映射过程耗时长，且难以准确表示电路网表内所有信息以及结构，影响后续子电路识别准确率的进一步提高，限制了其在结构更复杂的电路设计上的应用。因此，基于cnn的子电路识别方法亟待改进与优化。
技术实现思路
1、本申请提供一种基于异质图卷积神经网络的子电路识别方法，将该方法应用到可靠性分析，芯片级验证或模拟集成电路设计版图自动生成流程中，大大提高自动化程度与集成电路设计与验证的效率。
2、本申请第一方面实施例提供一种基于异质图卷积神经网络的子电路识别方法，包括以下步骤：获取待识别的模拟电路网表，利用异质二分图算法对所述待识别的模拟电路网表进行图转化，得到所述待识别的模拟电路网表的节点标签，特征矩阵和邻接矩阵；将所述待识别的模拟电路网表的节点标签，特征矩阵和邻接矩阵输入预先训练好的异质图卷积模型，得到所述待识别的模拟电路网表中每个节点的类型标签；其中，所述异质图卷积模型为以训练集中的模拟电路网表的节点标签，特征矩阵和邻接矩阵为输入，每个节点的类型标签为输出进行训练得到。
3、在本申请的一个实施例中，在将所述待识别的模拟电路网表的节点标签，特征矩阵和邻接矩阵输入预先训练好的异质图卷积模型之前，所述方法还包括：
4、获取多组模拟电路网表构建数据集，其中，所述数据集分为训练集和测试集；
5、利用异质二分图算法对所述数据集中的模拟电路网表进行图转化，得到每个电路网表的节点标签，特征矩阵和邻接矩阵，得到模拟电路网表的异质二分图；
6、基于异质二分图建立异质图卷积模型，将训练集中模拟电路网表的每个电路网表的节点标签，特征矩阵和邻接矩阵作为输入，每个节点的类型标签作为输出训练所述异质图卷积模型；
7、将测试集中模拟电路网表的每个电路网表的节点标签，特征矩阵和邻接矩阵输入训练后的异质图卷积模型，测试所述异质图卷积模型的识别准确率，在所述准确率大于预设阈值时，得到训练好的异质图卷积模型。
8、在本申请的一个实施例中，利用异质二分图算法对模拟电路网表进行图转化，得到每个电路网表的节点标签，特征矩阵和邻接矩阵，包括：
9、构造模拟电路网表对应的异质二分图g(v，e，w)，其中，v是顶点的集合，并且包含两个不相交的子集vd和vm，vd是表示器件的顶点集，vm是表示连线交点的顶点集，e是多类型边的集合，每条边将一个器件顶点连接到一个连线交点顶点，边的类型表示器件节点连接到连线交点节点的端口类型，端口类型集合为{漏极，栅极，源极，其他类型}，表示为{d，g，s，others}，w是不同类型的边的权重系数的集合；
10、节点的特征矩阵用器件和连线交点的类型信息和值进行编码，一个节点的特征向量由四个特征组成：器件/连线交点，器件类型，连线交点类型，器件相应参数的值，四个特征的信息由相应的向量表示，第一个向量编码节点的器件或连线交点类型，其中向量[0]表示该节点为器件类型，向量[1]表示该节点为连线交点类型，第二个特征由独热向量表示，根据器件类型用独热码进行编码，第三个向量由独热码向量表示，根据连线交点的类型用独热码进行编码，第四个向量表示器件相应参数的值，将四种向量拼接起来作为节点的特征向量以表示节点的特征，得到每个节点的节点特征向量后，通过拼接所有节点的节点特征向量来初始化节点特征矩阵；
11、通过四种类型的邻接矩阵ad，ag，as和aothers来表示异质二分图上每个器件不同类型的端口与其他节点的连接，即异质二分图上边的类型，四种邻接矩阵ad，ag，as和aothers分别只包含d，g，s，others类型的边，即邻接矩阵ad为仅考虑通过晶体管漏极连接的边的图的邻接矩阵，邻接矩阵ag为仅考虑通过晶体管栅极连接的边的图的邻接矩阵，邻接矩阵as为仅考虑通过晶体管源极连接的边的图的邻接矩阵，邻接矩阵aothers为仅考虑通过其他类型端口连接的边的图的邻接矩阵，不同类型的边在异质二分图上的权重不同，每种类型的边的影响通过权重系数ωr学习，其中r∈{d，g，s，others}，异质二分图上节点之间的连接表示为：ωdad+ωgag+ωsas+ωothersaothers，考虑每个节点自身在整个图的拓扑结构中的影响，通过公式ω本文档来自技高网...
【技术保护点】
1.一种基于异质图卷积神经网络的子电路识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在将所述待识别的模拟电路网表的节点标签，特征矩阵和邻接矩阵输入预先训练好的异质图卷积模型之前，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，利用异质二分图算法对模拟电路网表进行图转化，得到每个电路网表的节点标签，特征矩阵和邻接矩阵，包括：
4.根据权利要求3所述的方法，其特征在于，基于异质二分图建立异质图卷积模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述异质图卷积模型包含3层卷积层，2层全连接层，2层dropout层以及相应的非线性激活层，卷积层及其非线性激活层生成异质二分图的嵌入，其中包括每个节点和图结构的信息，生成的嵌入被输入到2层全连接层中，第一层全连接层和第二层全连接层的输出维度均为1024，全连接层的输出通过归一化指数函数softmax生成预测标签，异质二分图中每个节点的特征向量是C维的，所有节点需要被分类的类别总数为F，所述异质图卷积模型的正向转播形式为：
【技术特征摘要】
1.一种基于异质图卷积神经网络的子电路识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在将所述待识别的模拟电路网表的节点标签，特征矩阵和邻接矩阵输入预先训练好的异质图卷积模型之前，所述方法还包括：
3.根据权利要求1或2所述的方法，其特征在于，利用异质二分图算法对模拟电路网表进行图转化，得到每个电路网表的节点标签，特征矩阵和邻接矩阵，包括：
4.根据权利要求3所述的方法，其特征在于，基于异质二分图建立异质图卷积模型，...
【专利技术属性】
技术研发人员：张萌，段炜琳，张峥，李嘉怡，丁励，陈亮，
申请(专利权)人：东南大学，
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。