一种用于代理模型训练的多时序协同优化样本选择方法技术

本发明专利技术涉及集成电路设计领域，提供了一种用于代理模型训练的多时序协同优化样本选择方法。该方法旨在解决现有样本选择方法仅考虑单个时序性能的不确定性，无法有效捕捉多个时序性能之间的相互影响的问题。主要方案包括确定时序性能指标并分配权重因子，预测多个时序性能指标，计算每个指标的预测不确定性，应用加权方法合并预测不确定性贡献，使用局部最大值操作和基于概率的选择策略选择样本，并通过概率分布函数选择有效样本。本发明专利技术用于训练代理模型，以提高集成电路设计的时序分析准确性。通过这种方法，可以更全面地考虑多个时序性能指标之间的相互关系，从而提高代理模型的训练效率和准确性。

【技术实现步骤摘要】

本专利技术涉及集成电路设计领域，提供了一种用于代理模型训练的多时序协同优化样本选择方法。

技术介绍

1、随着半导体工艺的不断发展，晶体管尺寸不断缩小，工艺变化对电路性能的影响日益显著。为了准确评估电路性能，统计电路分析变得至关重要。在数字电路时序分析中，liberty变化格式(lvf)已成为22纳米及以下工艺单元库中时序分布的工业领先表示方法。然而，lvf表征依赖于蒙特卡罗(mc)方法，这通常需要大量的spice模拟来处理具有工艺变异变化的单元。

2、现有的样本选择方法主要考虑单个时序性能的不确定性，而忽略了多个时序性能之间的相互影响。这导致在统计时序分析(ssta)中，无法全面捕捉电路性能的变化，从而影响设计签核的准确性。

3、传统的lvf库生成优化技术试图通过采用机器学习进行lvf数据预测来提高效率。然而，这些方法主要有效于找到时序性能的边界，而非lvf所需的整体时序分布。此外，它们没有考虑不确定性量化(uq)的影响。uq分析是一种促进对模型中不确定性进行定量理解的重要实践。它提供了预测可能性、推断最高概率结果和校准模型的信息。本文档来自技高网...

【技术保护点】

1.一种用于代理模型训练的多时序协同优化样本选择方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种用于代理模型训练的多时序协同优化样本选择方法，其特征在于，步骤2中使用代理模型预测所有样本的时序性能，得到预测的时序性能向量Y＝[y1,y2,…,yn]，其中yi表示第i个样本的预测时序性能。

3.根据权利要求1所述的一种用于代理模型训练的多时序协同优化样本选择方法，其特征在于，步骤3中包括以下步骤：

4.根据权利要求1所述的一种用于代理模型训练的多时序协同优化样本选择方法，其特征在于，步骤4中对于每个样本xn，使用加权方法将多个时序性能指标的...

【技术特征摘要】

1.一种用于代理模型训练的多时序协同优化样本选择方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种用于代理模型训练的多时序协同优化样本选择方法，其特征在于，步骤2中使用代理模型预测所有样本的时序性能，得到预测的时序性能向量y＝[y1,y2,…,yn]，其中yi表示第i个样本的预测时序性能。

3.根据权利要求1所述的一种用于代理模型训练的多时序协同优化样本选择方法，其特征在于，步骤3中包括以下步骤：

4.根据权利要求1所述的一种用于代理模型训练的多时序协同优化样本选择方法，其特征在于，步骤4中对于每个样本xn，使用加权方法将多个时序性能指标的预测不确定性贡献合并成一个总体的获取分数a(xn)：

5.根据权利要求1所述的一种用于代理模型训练的多时序协同优化样本选择方法，其特征在于，步骤5包括以下步骤；

6.根据权利要求1所述的一种用于代理模型训练的多时序协同优化样本选择...

【专利技术属性】
技术研发人员：周俊卓，夏浩轩，黄力，林廷容，张汝民，
申请(专利权)人：宁波数字孪生东方理工研究院，
类型：发明
国别省市：