一种基于深度学习的模拟集成电路寄生参数提取方法与流程
本发明涉及集成电路设计自动化,具体为一种基于深度学习的模拟集成电路寄生参数提取方法。
背景技术:
1、寄生参数提取是芯片设计流程中不可或缺的关键环节,其提取结果的精度与效率直接决定了芯片的时序性能、功耗特性和信号完整性,是实现芯片签名级验证的核心基础。目前行业内广泛采用的寄生参数提取技术主要包括2.5d规则基提取技术和全三维场求解器提取技术,为了平衡提取精度与运行效率,业界也发展出了结合两种技术的混合提取方案。
2、现有的混合寄生参数提取方案虽然能够在一定程度上兼顾精度与效率,但在实际应用中仍存在明显不足。一方面,现有方案在特征提取阶段大多仅采用单一尺度的基础几何特征和简单的邻近环境统计特征,这类特征难以完整表征版图中复杂的空间拓扑关系和非规则走线形态,导致风险评估模型对具有强三维效应的特殊结构识别能力不足,容易出现高风险网表的漏判,进而降低最终寄生参数提取结果的准确性。另一方面,现有方案的风险判断机制普遍采用固定的误差阈值进行分类决策,且未对不同类型误判的代价进行差异化考量,无法根据设计流程中不同阶段的核心需求灵活调整判断标准,在设计早期容易因过度保守调用场求解器而大幅延长设计周期,在最终签名验证阶段又可能因阈值设置不当而遗漏关键高风险网表,影响芯片设计的可靠性。
技术实现思路
1、本发明的目的在于针对现有混合寄生参数提取技术存在的上述缺陷,克服现有特征提取方式仅采用单一尺度基础特征、难以完整表征版图复杂空间拓扑关系与非规则走线形态、进而导致高风险网表识别准确率不足的问题,同时解决现有风险判断机制采用固定误差阈值、未对不同误判代价进行差异化考量、无法根据设计不同阶段的核心需求灵活调整判断标准、难以兼顾提取效率与设计可靠性的问题,从而在保障模拟集成电路寄生参数提取达到签名级精度要求的前提下,合理控制全三维场求解器的调用规模,有效提升整体提取效率,适配集成电路后端设计全流程的验证需求。
2、为实现上述目的,本发明提供如下技术方案:一种基于深度学习的模拟集成电路寄生参数提取方法,包括以下步骤:
3、s1对原始版图和网表进行预处理,提取每条待提取网表的顶点式多尺度空间拓扑特征与物理几何特征,同时导入静态时序分析工具输出的时序敏感度特征。
4、顶点式表示将复杂的金属多边形转化为有序的顶点序列,能够完整保留版图的几何拓扑信息,避免了传统网格采样或特征统计带来的信息丢失;多尺度特征提取通过不同大小的感受野捕捉从局部细节到全局结构的多层次空间关系,能够有效识别不同尺寸的非规则走线和复杂耦合结构;结合时序敏感度特征能够使模型优先关注对芯片性能影响更大的关键路径网表,在有限的计算资源下最大化提取精度的提升效果。
5、s2将提取的所有特征输入预训练的深度学习分类模型,通过代价敏感的动态阈值判断模块输出每条网表的寄生参数提取风险等级。
6、代价敏感机制通过对误判高风险网表施加更高的惩罚权重,解决了训练数据中高风险样本稀疏导致的模型偏置问题;动态阈值判断模块能够根据设计阶段的不同需求自动调整分类决策边界,在设计早期以效率优先,适当放宽误差容忍度,在最终签名验证阶段以精度优先,严格控制误差范围,实现了精度与效率的动态平衡。
7、s3对风险等级为低风险的网表执行2.5d规则基寄生参数提取,对风险等级为高风险的网表执行全三维场求解器寄生参数提取。
8、2.5d规则基提取基于预定义的几何模式库进行快速计算,适用于大部分结构规则、三维效应较弱的网表;全三维场求解器通过数值求解麦克斯韦方程获得高精度的寄生参数,仅用于模型预测的高风险网表,能够在保证整体精度的前提下大幅减少场求解器的调用次数。
9、s4合并2.5d提取结果与全三维场求解器提取结果,生成最终的签名级寄生参数网表。
10、通过统一的网表数据格式将两种提取方式的结果进行无缝融合,确保网表的拓扑结构和参数定义保持一致,为后续的时序分析和物理验证提供准确可靠的输入。
11、优选的,步骤s1中提取的特征包括基本几何特征、邻近环境特征、层级跳变特征、非规则拓扑特征和时序敏感度特征;其中邻近环境特征包括不同半径滑动窗口内的走线密度、平行邻线重叠长度占比、接地/电源屏蔽线包围比例,非规则拓扑特征包括网表弯折次数、非90度角数量、多边形顶点数量与分布。
12、不同半径的滑动窗口能够捕捉不同距离范围内的邻近走线对目标网表的耦合影响,解决了传统单一窗口无法全面表征远端耦合效应的问题;平行邻线重叠长度占比能够准确量化平行走线之间的电容耦合强度;接地/电源屏蔽线包围比例能够反映屏蔽效应对寄生参数的抑制作用;非规则拓扑特征能够有效识别2.5d规则库中未覆盖的异常走线模式,提升模型对特殊结构的识别能力。
13、优选的,步骤s1中所述顶点式多尺度空间拓扑特征的提取方法为:将每条网表对应的金属多边形分解为有序顶点序列,分别提取1×1、3×3、5×5三个尺度下的顶点相对坐标、边向量夹角、多边形周长与面积特征,并将不同尺度的特征进行拼接得到多尺度拓扑特征向量。
14、1×1尺度提取单个顶点的局部几何信息,能够捕捉微小的几何畸变和尖角结构;3×3尺度提取相邻顶点之间的连接关系和角度变化,能够识别弯折、拐角等局部拓扑特征;5×5尺度提取更大范围的多边形整体形态,能够表征长距离的走线趋势和全局结构特征;通过多尺度特征的融合,能够全面刻画版图中从微观到宏观的各类拓扑结构。
15、优选的,步骤s2中所述预训练的深度学习分类模型通过以下步骤训练得到:
16、s21收集不同工艺节点下的基准版图数据集,对数据集中的每条网表分别执行2.5d规则基寄生参数提取和全三维场求解器寄生参数提取;
17、s22计算两种提取结果的寄生参数相对误差,以预设误差阈值为界生成二分类标签,同时为误差超过阈值的高风险样本分配高于低风险样本的样本权重;
18、s23采用focalloss作为损失函数训练xgboost模型或图神经网络模型,引入特征重要性排序机制筛选贡献度高的核心特征;
19、s24保存训练完成的模型权重与特征标准化参数。
20、差异化的样本权重能够在损失计算中提升高风险样本的影响力,使模型更加关注容易出现提取误差的样本;focalloss通过降低易分类样本的权重,进一步解决了样本不平衡问题,提升了模型对少数类样本的分类性能;特征重要性排序机制能够剔除冗余特征和噪声特征,简化模型结构,提高模型的推理速度和泛化能力。
21、优选的,当采用图神经网络模型时,使用图注意力网络gat架构,将每条网表的顶点作为图节点,将顶点间的连接关系、空间距离与金属层差作为边特征,通过多头注意力机制捕捉多层级空间电磁耦合关系。
22、图神经网络天然适合处理版图这种图结构数据,能够自动学习节点之间的复杂关联关系;图注意力网络通过多头注意力机制能够自适应地为不同的邻接节点分配不同的权重,重点关注对寄生参数影响较大的邻近结构;将空间距离和金属层差作为边特征,能够准确表征不同位置和不同层级之间的电磁耦合强度,提升模型对三维效应的建模能力。
23、优选的,步骤s2中所述代价敏感的动态阈值判断模块的工作方式为:根据当前设计阶段自动调整误差阈值,在设计早期收敛阶段采用第一误差阈值,在最终签名验证阶段采用第二误差阈值,其中第二误差阈值小于第一误差阈值;同时根据误判高风险网表的代价系数,动态调整分类决策边界。
24、设计早期收敛阶段的主要目标是快速迭代和问题定位,适当放宽误差阈值能够大幅减少场求解器的调用时间,加快设计流程;最终签名验证阶段需要保证提取结果的绝对准确性,因此采用更严格的误差阈值,确保所有高风险网表都能被场求解器覆盖;代价系数的引入能够根据不同设计的可靠性要求灵活调整误判的惩罚力度,适配不同应用场景的需求。
25、优选的,步骤s3中对高风险网表执行全三维场求解器寄生参数提取时,对高风险网表进行局部区域分块处理,仅提取高风险网表及其周围预设范围内的邻近网表的三维寄生参数,并忽略该范围外的远端网表对提取结果的影响。
26、电磁耦合效应随着距离的增加而迅速衰减,远端网表对目标网表的寄生参数影响可以忽略不计;局部区域分块处理能够大幅减小场求解器的计算规模,缩短单条高风险网表的提取时间,进一步提升整体提取效率。
27、优选的,步骤s4中合并提取结果的具体步骤为:将全三维场求解器提取的高风险网表寄生参数数据,覆盖2.5d提取结果中对应的网表数据;同时自动校验合并后网表的拓扑连接完整性、参数单位一致性与节点编号连续性,对校验不通过的网表重新执行提取操作。
28、自动校验机制能够避免因数据格式不兼容或提取过程异常导致的网表错误,防止错误的寄生参数数据流入后续的设计流程,保证整个芯片设计流程的可靠性。
29、优选的,还包括模型增量更新步骤:在每次签名验证完成后,收集本次提取过程中发现的2.5d提取误差超过预设值的网表数据及其对应的全三维场求解器结果,加入训练数据集对深度学习分类模型进行增量微调。
30、增量更新能够利用新的设计数据不断优化模型性能,使模型能够适应新的工艺节点和新的版图设计风格,持续提升模型的识别准确率和泛化能力。
31、优选的,步骤s2中在推理阶段,将训练完成的深度学习分类模型转换为onnx或tensorrt格式进行量化加速,采用批量推理方式对全芯片所有网表进行并行风险评估。
32、模型量化和优化能够大幅提升模型的推理速度,减少内存占用;批量推理和并行计算能够充分利用现代计算机的多核计算资源,实现全芯片级别的快速风险评估,满足大规模集成电路设计的需求。
33、与现有技术相比,本发明提供了一种基于深度学习的模拟集成电路寄生参数提取方法,具备以下有益效果:
34、本发明通过提取顶点式多尺度空间拓扑特征,并结合物理几何特征与时序敏感度特征进行综合风险评估,能够全面捕捉版图中各类复杂结构的电磁耦合特性,有效提升高风险网表的识别准确率,保障寄生参数提取的整体精度。同时,本发明采用代价敏感的动态阈值判断模块进行风险等级划分,能够根据不同设计阶段的需求自动调整误差阈值和分类决策边界,在保证提取精度满足设计要求的前提下,合理控制全三维场求解器的调用比例,实现提取效率与设计可靠性的有机统一。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com