System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图神经网络,特别是基于注意力的图卷积网络的电路可靠性退化预测方法。
技术介绍
1、随着集成电路的发展,晶体管的特征尺寸越来越小,并将在未来继续缩小。半导体技术的快速发展一直是该行业的主要推动力,也是使高性能电子产品广泛应用的关键因素。然而,集成电路设计中工艺尺寸的缩小、密度的增大,使得其可靠性面临越来越多的威胁。先进的技术节点显示出制造过程可变性(工艺变化)的显著增加,使得可靠性预测具有挑战性。此外,器件老化(运行时变化)会显著降低电路的寿命和性能,在纳米级节点上变得更加重要。如果不考虑变化对电路时序路径延迟的影响,设计人员就无法保证在预期寿命内可靠的电路运行。
2、在现有方法中静态时序分析(static timing analysis,sta)被用于定义电路关键路径,但它无法处理工艺变化和老化的影响。统计静态定时分析(statistical statictiming analysis,ssta)考虑了变异性信息,但计算复杂度高。最近的研究通过机器学习方法提供了一种解决方案,以更准确地估计电路的老化和工艺变化引起的延迟退化。然而,这些方法仍存在一些问题,如计算复杂度的增加、特征提取的失误以及模型的准确性不够高。
技术实现思路
1、鉴于上述现有方法中静态时序分析中存在的问题,提出了本专利技术。
2、因此,本专利技术所要解决的问题在于如何提供更好地以高权重去聚焦重要的信息,以低权重去忽略不相关的信息,并且在训练过程中通过不断调整权重,使得在不同情况
3、为解决上述技术问题,本专利技术提供如下技术方案:
4、第一方面,本专利技术实施例提供了基于注意力的图卷积网络的电路可靠性退化预测方法,其包括,通过gnn将图形作为输入并通过邻域聚合以及消息传递生成每个节点的向量;将电路的门级网表表示为有向图的形式;通过gcn聚合其邻居节点的特征并与自身特征进行结合,生成新的节点表示;在图神经网络中,引入注意力机制;引入多头注意力机制,增强模型的表示能力。
5、作为本专利技术所述基于注意力的图卷积网络的电路可靠性退化预测方法的一种优选方案,其中:所述通过gnn将图形作为输入并通过邻域聚合以及消息传递生成每个节点的向量包括以下步骤:设g(v,e〕是一个有向图,v表示节点的集合并且e表示边的集合,且图中的每个节点v∈v与捕获其属性的特征向量xv相关联;在邻域聚合的过程中每个节点从其邻居节点n(v)接收信息,并通过对节点当前的特征向量以及聚合的信息去更新每个节点的新的特征向量;在l轮聚合之后,图中的每个节点由一个特征向量表示,该向量捕获了其属性、邻域的属性以及其在图中的位置。
6、作为本专利技术所述基于注意力的图卷积网络的电路可靠性退化预测方法的一种优选方案,其中:所述有向图的形式包括图的每个节点对应于电路中的一个门、主输入或主输出,图的边代表这些门或元件之间的连接。
7、作为本专利技术所述基于注意力的图卷积网络的电路可靠性退化预测方法的一种优选方案,其中:所述通过gcn聚合其邻居节点的特征并与自身特征进行结合的公式如下:
8、
9、其中,hv(l)是节点v在第1层的特征表示,n(v)表示节点v的邻居集合,cuv是归一化因子,w(l)是第l层的权重矩阵,σ表示激活函数。
10、作为本专利技术所述基于注意力的图卷积网络的电路可靠性退化预测方法的一种优选方案,其中:所述在图神经网络中,引入注意力机制包括:将注意力机制融合到图卷积网络的每一层中,对于每个节点v,引入多个注意力头,每个头都学习了节点v与其邻居节点u之间的关系;注意力权重avu通过以下方式计算:
11、
12、其中,a是注意力权重参数向量,||表示向量的连接,n(v)表示节点v的邻居集合,leakyrelu是激活函数。
13、作为本专利技术所述基于注意力的图卷积网络的电路可靠性退化预测方法的一种优选方案,其中:所述多头注意力的计算如下:
14、
15、其中,k是多头的数量,αi是头i的权重,wi(l)是头i的权重矩阵。
16、作为本专利技术所述基于注意力的图卷积网络的电路可靠性退化预测方法的一种优选方案,其中:在多层堆叠的图神经网络之后添加全局池化和输出层;
17、所述全局池化操作用于将每个节点的特征进行聚合,得到整个图的全局特征表示;所述输出层将全局特征映射为预测结果的概率分布或连续值;在perl脚本中实现电路网表到子图的转换,在python脚本中实现子图提取。
18、第二方面,本专利技术为进一步解决现有方法中静态时序分析中存在的问题,实施例提供了基于注意力的图卷积网络的电路可靠性退化预测系统,其包括:图神经网络模块,用于将图形作为输入,并通过邻域聚合和消息传递生成节点向量;图构建模块,用于将电路的门级网表表示为有向图的形式;图卷积网络模块,用于通过gcn聚合邻居节点特征,并与自身特征结合生成新节点表示;注意力机制模块,用于在图神经网络中引入注意力机制,实现节点自适应聚合;多头注意力机制模块,用于引入多头注意力机制,从不同角度学习节点关系,增强模型表达能力。
19、第三方面,本专利技术实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述计算机程序被处理器执行时实现如本专利技术第一方面所述的基于注意力的图卷积网络的电路可靠性退化预测方法的任一步骤。
20、第四方面,本专利技术实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现如本专利技术第一方面所述的基于注意力的图卷积网络的电路可靠性退化预测方法的任一步骤。
21、本专利技术有益效果为,本专利技术提出了一种新的、有效的估计电路延迟退化的框架,从而提高了准确性;为了更好地捕捉各种场景下电路的复杂性和时序特征,提高电路性能评估和可靠性分析的准确性和效率,本专利技术在图神经网络中引入了一种关注机制来动态调整节点间关联权值;将电路的门级网表视为一个有向图的形式,使得对电路的分析更为直观和系统化。
本文档来自技高网...【技术保护点】
1.基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:包括:
2.如权利要求1所述的基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:所述通过GNN将图形作为输入并通过邻域聚合以及消息传递生成每个节点的向量包括以下步骤:
3.如权利要求2所述的基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:所述有向图的形式包括图的每个节点对应于电路中的一个门、主输入或主输出,图的边代表这些门或元件之间的连接。
4.如权利要求3所述的基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:所述通过GCN聚合其邻居节点的特征并与自身特征进行结合的公式如下:
5.如权利要求4所述的基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:所述在图神经网络中,引入注意力机制包括:
6.如权利要求5所述的基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:所述多头注意力的计算如下:
7.如权利要求6所述的基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:在多层堆叠的图神经网络之后
8.基于注意力的图卷积网络的电路可靠性退化预测系统,基于权利要求1~7任一所述的基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:包括:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~7任一所述的基于注意力的图卷积网络的电路可靠性退化预测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1~7任一所述的基于注意力的图卷积网络的电路可靠性退化预测方法的步骤。
...【技术特征摘要】
1.基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:包括:
2.如权利要求1所述的基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:所述通过gnn将图形作为输入并通过邻域聚合以及消息传递生成每个节点的向量包括以下步骤:
3.如权利要求2所述的基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:所述有向图的形式包括图的每个节点对应于电路中的一个门、主输入或主输出,图的边代表这些门或元件之间的连接。
4.如权利要求3所述的基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:所述通过gcn聚合其邻居节点的特征并与自身特征进行结合的公式如下:
5.如权利要求4所述的基于注意力的图卷积网络的电路可靠性退化预测方法,其特征在于:所述在图神经网络中,引入注意力机制包括:
6.如权利要求5所述的...
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。