【技术实现步骤摘要】
本专利技术涉及集成电路设计技术研究领域，具体涉及一种基于高斯过程替代模型的良率分析方法。
技术介绍
1、随着芯片制造业的快速发展，半导体行业遵循摩尔定律的步伐，mos晶体管的尺寸已经缩小到纳米级，器件尺寸越来越小，意味着同样面积的芯片可以集成更多的晶体管。随之而来的问题是芯片制造过程中工艺参数波动对电路性能的影响越来越剧烈，会造成晶体管电学特性发生波动，从而使得电路性能随之波动，导致电路发生故障，降低了电路的良率。目前良率分析主要有以下挑战：极高良率需求下，获取失效样本点难度增加，仿真次数极高；不同的电路可能存在多个不同的失效区域，分析过程中容易遗漏失效区域，导致良率分析结果误差增加；电路维度的增加使得良率分析更加困难。
2、基于蒙特卡洛（monte carlo，mc）的方法是直接从表征电路参数工艺偏差的联合概率密度函数中随机抽取样本，并对抽取得到的每个样本进行晶体管级仿真以评估电路在该随机样本下的电路性能输出值，但是mc方法依赖数量极高的样本点，才能达到一个可靠的精度。基于器件模型工艺角分析的方法将器件的多种极端情况下的快/慢模型参数集以获得电路的最坏性能。这种方法相较于mc方法减少了仿真次数，在模拟电路设计中使用频率高，可以快速给出针对电路设计优化的工作者结果进行优化迭代，但这种方法缺点在于无法给出性能的统计分布，并且失效区域不一定在工艺角范围内，使用这样的方法进行设计时，设计者为保证稳定性，会降低性能的给定，导致过度设计。重要性采样方法改进了mc的采样策略，主要思想是利用一个偏移矢量将原始概率密度函数分布转移到
技术实现思路
1、有鉴于此，有必要提供一种在高良率和高维度场景下能够快速计算出电路的失效概率的基于高斯过程替代模型的良率分析方法。
2、一种基于高斯过程替代模型的良率分析方法，所述方法包括以下步骤：
3、所述方法包括以下步骤：
4、步骤一，采用拉丁超立方采样选取初始样本点；
5、步骤二，以深度高斯过程模型作为替代模型，进行模型训练；
6、步骤三，通过吉布斯采样对高斯过程模型的超参数求解，得到低精度的深度高斯过程模型；
7、步骤四，利用主动学习从样本空间中选择合适的样本加入模型训练集中，对低精度的深度高斯过程模型进行训练，得到高精度深度高斯过程模型；
8、步骤五，判断深度高斯过程模型的精度是否达标，若未达标，则转向步骤四；若达标，则输出电路良率的分析结果。
9、优选地，所述步骤一中的采用拉丁超立方采样选取初始样本点包括以下具体步骤：
10、步骤1-1，将整个向量空间的每一维分成互相不重叠的若干个小区间，使得每个小区间具有相同的概率；
11、步骤1-2，在每一维的每一个区间中随机采样；
12、步骤1-3，从每一维里随机抽取选中的样本点。
13、优选地，所述步骤二中的深度高斯过程模型为卷积神经网络和高斯过程的组合，以高斯过程代替卷积神经网络中的全连接层，保留卷积神经网络中的输入层、输出层、卷积层和池化层；深度高斯过程模型由多层高斯过程模型叠加而成，不同层次之间相互连接，上层的输出作为下层的输入。
14、优选地，以深度高斯过程模型为替代模型，定义电路系统故障的方差公式，如（1）式所示：
15、（1）；
16、其中， var( pfail)为电路系统故障方差， pfail为电路失效的概率， n为样本个数， h为近似指示函数， c为 h函数的期望 e( h)。
17、优选地，所述步骤四的从样本空间中选择合适的样本加入模型训练集中的步骤中，合适的样本包括：
18、样本一，使系统故障方差最小的候选点；提取使系统故障方差最小的候选点，候选点公式如（2）式所示：
19、（2）；
20、其中， c为近似指示函数 h的期望 e( h)， x*为系统故障方差最小的候选点。
21、样本二，电路系统故障的方差公式的置信区间；由于电路系统故障的方差公式是一个随机变量，其1−α水平的置信区间如（3）式所示：
22、（3）；
23、其中，为，能够得到（4）式：
24、（4）；
25、其中，为最小误差。
26、优选地，所述步骤五中的判断深度高斯过程模型的精度是否达标的判断条件为：
27、根据设定的最小误差，每一次迭代时，通过计算和，得到，判断是否满足（4）式，如果不满足则继续执行步骤四，如果满足，则停止主动学习。
28、优选地，所述步骤五中电路良率的分析结果，如（5）式所示：
29、（5）；
30、其中， pfail为电路失效的概率。
31、上述基于高斯过程替代模型的良率分析方法中，能够在高维与高良率的场景下快速分析得到电路良率，并使良率分析精度达到较高的水平，选用的深度高斯过程模型通过对多个高斯过程进行叠加，使得网络获得强大的非线性处理能力，在高维参数空间也能够取得较好的效果。在模型求解中加入吉布斯采样，在很大程度上提高了样本的接受率，极大地提高了求解效率。在利用主动学习进行样本点获取时，除了考虑接近失效边界的样本点外，增加了使系统故障方差最小的条件，使得样本点更符合模型训练的要求，加快了模型精度的收敛。本专利技术的方法简单，有效地提高了深度高斯过程模型的收敛速度。
本文档来自技高网...【技术保护点】
1.一种基于高斯过程替代模型的良率分析方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于高斯过程替代模型的良率分析方法，其特征在于，所述步骤一中的采用拉丁超立方采样选取初始样本点包括以下具体步骤：
3.如权利要求1所述的基于高斯过程替代模型的良率分析方法，其特征在于，所述步骤二中的深度高斯过程模型为卷积神经网络和高斯过程的组合，以高斯过程代替卷积神经网络中的全连接层，保留卷积神经网络中的输入层、输出层、卷积层和池化层；深度高斯过程模型由多层高斯过程模型叠加而成，不同层次之间相互连接，上层的输出作为下层的输入。
4.如权利要求3所述的基于高斯过程替代模型的良率分析方法，其特征在于，以深度高斯过程模型为替代模型，定义电路系统故障的方差公式，如（1）式所示：
5.如权利要求4所述的基于高斯过程替代模型的良率分析方法，其特征在于，所述步骤四的从样本空间中选择合适的样本加入模型训练集中的步骤中，合适的样本包括：
6.如权利要求1所述的基于高斯过程替代模型的良率分析方法，其特征在于，所述步骤五中的判断深度高斯过程模
7.如权利要求1所述的基于高斯过程替代模型的良率分析方法，其特征在于，所述步骤五中电路良率的分析结果，如（5）式所示：
...【技术特征摘要】
1.一种基于高斯过程替代模型的良率分析方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于高斯过程替代模型的良率分析方法，其特征在于，所述步骤一中的采用拉丁超立方采样选取初始样本点包括以下具体步骤：
3.如权利要求1所述的基于高斯过程替代模型的良率分析方法，其特征在于，所述步骤二中的深度高斯过程模型为卷积神经网络和高斯过程的组合，以高斯过程代替卷积神经网络中的全连接层，保留卷积神经网络中的输入层、输出层、卷积层和池化层；深度高斯过程模型由多层高斯过程模型叠加而成，不同层次之间相互连接，上层的输出作为下层的输入。
4.如权...
【专利技术属性】
技术研发人员：时霄，周景博，何振宇，鲍琛，白耿，
申请(专利权)人：深圳国微福芯技术有限公司，
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。