【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种基于图模式的有向图神经网络模型的训练方法和装置。
技术介绍
1、在电子设计自动化中，逻辑综合的过程包括逻辑转换，逻辑优化和工艺映射，逻辑转换是将其他形式的逻辑表达式转化为方便处理的逻辑表达式，逻辑优化是将逻辑表达式转化为“最佳实现”，在复杂程度、面积、延迟等参数上综合考虑最优。为了获取这些指标和参数，工艺映射可以实现将门电路转化为指定工艺的标准单元网表，通过物理设计分析可以得到基于单元库中的延迟和面积等参数。逻辑综合的目标不仅仅是功能的正确性，还包括面积、功耗和速度等多方面的优化。
2、传统技术中，与非图特征提取流程在现有的商业工具中属于未公开的公式内容，流程一般为给定与非图，该工具可以自动生成其面积、延迟等特征数据，其过程流程未知。由于现有工具中的优化流程为未公开的
技术实现思路
，因此采取现有工具的与非图优化过程存在技术不透明、特征提取效果难以预测的问题，进而不能获取与非图优化序列中途过程的数据，而且特征提取过程的具体算法和步骤未知，若出现问题工程师很难定位具体原因，因此不利于故障排查和后续改进。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够有利于故障排查和后续改进的基于图模式的有向图神经网络模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种基于图模式的有向图神经网络模型的训练方法。所述方法包括：
3、获取与非图数据以及所述与非图数据对应的物理数据
4、根据所述二输入与门逻辑网络和所述一输入非门逻辑网络的结构特点信息，构建图模式；
5、根据所述图模式，从所述与非图数据中识别出模式特征和模式分布，得到图模式数据；
6、根据与非图图结构特征和与非图图功能特征，构建待训练有向图神经网络模型；所述与非图图结构特征和与非图图功能特征通过所述与非图数据以及所述物理数据标签进行特征提取得到的；
7、根据所述与非图数据、所述物理数据标签以及所述图模式数据，对所述待训练有向图神经网络模型进行训练，得到已训练有向图神经网络模型。
8、第二方面，本申请还提供了一种基于图模式的有向图神经网络模型的训练装置。所述装置包括：
9、数据获取模块，用于获取与非图数据以及所述与非图数据对应的物理数据标签；所述与非图数据包括二输入与门逻辑网络和一输入非门逻辑网络；
10、数据定义模块，用于根据所述二输入与门逻辑网络和所述一输入非门逻辑网络的结构特点信息，构建图模式；
11、数据处理模块，用于根据所述图模式，从所述与非图数据中识别出模式特征和模式分布，得到图模式数据；
12、模型构建模块，用于根据与非图图结构特征和与非图图功能特征，构建待训练有向图神经网络模型；所述与非图图结构特征和与非图图功能特征通过所述与非图数据以及所述物理数据标签进行特征提取得到的；
13、模型训练模块，用于根据所述与非图数据、所述物理数据标签以及所述图模式数据，对所述待训练有向图神经网络模型进行训练，得到已训练有向图神经网络模型。
14、第三方面，本申请还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现以下步骤：
15、获取与非图数据以及所述与非图数据对应的物理数据标签；所述与非图数据包括二输入与门逻辑网络和一输入非门逻辑网络；
16、根据所述二输入与门逻辑网络和所述一输入非门逻辑网络的结构特点信息，构建图模式；
17、根据所述图模式，从所述与非图数据中识别出模式特征和模式分布，得到图模式数据；
18、根据与非图图结构特征和与非图图功能特征，构建待训练有向图神经网络模型；所述与非图图结构特征和与非图图功能特征通过所述与非图数据以及所述物理数据标签进行特征提取得到的；
19、根据所述与非图数据、所述物理数据标签以及所述图模式数据，对所述待训练有向图神经网络模型进行训练，得到已训练有向图神经网络模型。
20、第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
21、获取与非图数据以及所述与非图数据对应的物理数据标签；所述与非图数据包括二输入与门逻辑网络和一输入非门逻辑网络；
22、根据所述二输入与门逻辑网络和所述一输入非门逻辑网络的结构特点信息，构建图模式；
23、根据所述图模式，从所述与非图数据中识别出模式特征和模式分布，得到图模式数据；
24、根据与非图图结构特征和与非图图功能特征，构建待训练有向图神经网络模型；所述与非图图结构特征和与非图图功能特征通过所述与非图数据以及所述物理数据标签进行特征提取得到的；
25、根据所述与非图数据、所述物理数据标签以及所述图模式数据，对所述待训练有向图神经网络模型进行训练，得到已训练有向图神经网络模型。
26、第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
27、获取与非图数据以及所述与非图数据对应的物理数据标签；所述与非图数据包括二输入与门逻辑网络和一输入非门逻辑网络；
28、根据所述二输入与门逻辑网络和所述一输入非门逻辑网络的结构特点信息，构建图模式；
29、根据所述图模式，从所述与非图数据中识别出模式特征和模式分布，得到图模式数据；
30、根据与非图图结构特征和与非图图功能特征，构建待训练有向图神经网络模型；所述与非图图结构特征和与非图图功能特征通过所述与非图数据以及所述物理数据标签进行特征提取得到的；
31、根据所述与非图数据、所述物理数据标签以及所述图模式数据，对所述待训练有向图神经网络模型进行训练，得到已训练有向图神经网络模型。
32、上述一种基于图模式的有向图神经网络模型的训练方法、装置、计算机设备、存储介质和计算机程序产品，通过引入与非图数据的物理标签信息，并结合二输入与门逻辑网络和一输入非门逻辑网络的结构特点，构建了图模式并从中提取模式特征和模式分布，使得电路结构的复杂逻辑关系得以精确建模。通过这些特征和分布信息，构建了一个基于图模式的有向图神经网络模型，并进行了针对性的训练。这一方法不仅增强了模型对电路物理特性的表征能力，还提升了特征提取的全面性和准确性，使得在后续的电路优化和分析过程中，能够更好地处理大规模和复杂的电路设计问题，有利于故障排查和后续改进，克服了传统方法在特征提取不足和模型不透明性方面的局限性，从而显著提高了电路设计的整体性能和优化效果。
本文档来自技高网...【技术保护点】
1.一种基于图模式的有向图神经网络模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述与非图数据、所述物理数据标签以及所述图模式数据，对所述待训练有向图神经网络模型进行训练，得到已训练有向图神经网络模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述与非图数据、所述物理数据标签以及所述图模式数据，对已设置的待训练有向图神经网络模型进行多模态训练，得到所述已训练有向图神经网络模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述使用测试数据集合对所述预训练有向图神经网络模型进行测试，根据测试结果反向优化所述预训练有向图神经网络模型，得到所述已训练有向图神经网络模型，包括：
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述根据与非图图结构特征和与非图图功能特征，构建待训练有向图神经网络模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述图感知机层参数、所述循环单元参数以及所述输出层参数，构建所述待训练有向图神经网络模型，包括：>
7.根据权利要求1所述的方法，其特征在于，所述模式特征包括结构特征和功能特征，所述根据所述图模式，从所述与非图数据中识别出模式特征和模式分布，得到图模式数据，包括：
8.一种基于图模式的有向图神经网络模型的训练装置，其特征在于，所述装置包括：
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至7中任一项所述的方法的步骤。
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至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于图模式的有向图神经网络模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述与非图数据、所述物理数据标签以及所述图模式数据，对所述待训练有向图神经网络模型进行训练，得到已训练有向图神经网络模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述与非图数据、所述物理数据标签以及所述图模式数据，对已设置的待训练有向图神经网络模型进行多模态训练，得到所述已训练有向图神经网络模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述使用测试数据集合对所述预训练有向图神经网络模型进行测试，根据测试结果反向优化所述预训练有向图神经网络模型，得到所述已训练有向图神经网络模型，包括：
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述根据与非图图结构特征和与非图图功能特...
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。