多模态大模型与双代理协同的电路瞬态多目标优化方法

摘要: 本发明属于集成电路与电子设计自动化(eda)优化设计领域,具体涉及一种多模态大模型与双代理协同的电路瞬态多目标优化方法。背景技术:1、在现代集成电路设计中,电路...
多模态大模型与双代理协同的电路瞬态多目标优化方法

本发明属于集成电路与电子设计自动化(eda)优化设计领域,具体涉及一种多模态大模型与双代理协同的电路瞬态多目标优化方法。

背景技术:

1、在现代集成电路设计中,电路参数的尺寸优化,如晶体管宽长比、阻容值大小等,是决定芯片最终性能的关键环节。随着工艺节点的缩小和系统复杂度的提升,基于进化算法等多目标优化算法的数据驱动电路设计方法逐渐成为eda领域的研究方向。

2、然而,现有的电路多目标优化较多应用于简单线性模块的直流(dc)或交流(ac)特性优化,如单级运放的增益、相位裕度等,这类指标通常可以直接通过数值提取获取。但在诸如低压差线性稳压器(ldo)、开关直流转换器(dc-dc)等系统级非线性电路的设计中,其核心性能指标往往体现在瞬态时域仿真波形上。例如,ldo的上电软启动时间、负载电流跳变的瞬态响应时间,即恢复时间,以及dc-dc转换器的死区时间等。针对这类复杂的瞬态参数,现有的提取方式面临以下问题:

3、第一,瞬态特征提取成功率低且鲁棒性不足。非线性电路的时域波形常伴随阻尼震荡、非单调变化、毛刺以及噪声。现有方法通常依赖在仿真器中编写代码脚本来抓取特定的阈值穿越点。这种基于固定规则的方法在面对复杂波形时容易报错或抓取到错误的特征值,从而向优化算法反馈错误的适应度,导致优化过程异常中断或陷入局部最优。

4、第二,基于高精度的瞬态仿真计算成本较高。系统级电路的瞬态仿真通常需要耗费较长的时间。进化算法需要较多的种群评估迭代,如果每次评估都调用真实的瞬态仿真,将构成昂贵多目标优化问题,计算时间成本较高。

5、第三,现有代理模型缺乏物理感知能力。为了减少真实仿真次数,现有技术通常引入数学代理模型(如高斯过程、神经网络等)。但这些传统代理模型主要将电路参数与最终性能进行数据映射,难以结合电路拓扑结构和包含物理信息的波形图进行分析。这导致其在面对具有非线性物理约束的系统级电路时,预测误差较大,容易误导优化方向。

6、因此,现有的数据驱动电路优化方法在面对非线性电路的瞬态参数时,存在特征提取困难、仿真成本较高以及由于缺乏物理特征关联而导致优化效率不足的问题。

技术实现思路

1、本发明的目的在于:提供一种多模态大模型与双代理协同的电路瞬态多目标优化方法,以解决现有电路优化技术中脚本提取瞬态特征易出错、高精度瞬态仿真成本较高,以及传统数学代理模型缺乏物理感知的问题。

2、本发明采用的技术方案如下:

3、一种多模态大模型与双代理协同的电路瞬态多目标优化方法,包括以下步骤:

4、步骤1、根据领域知识和需求确定非线性电路拓扑结构,并确定待优化的电路决策变量以及作为优化目标的电学性能瞬态指标;

5、步骤2、基于电路决策变量初始化n个表征不同电路参数配置的个体,构成初始种群;

6、步骤3、构建双代理协同评估框架:初始化底层数学代理模型a,用于快速预测个体的瞬态指标及预测方差;引入顶层多模态大语言模型代理b,用于从瞬态波形图像中提取瞬态特征值并输出语义置信度;

7、步骤4、采用多目标进化算法启发式算子生成新的电路参数化子代种群;

8、步骤5、对子代种群中的每个个体,使用底层数学代理模型a进行预测并输出预测方差,根据方差是否超过动态设定的阈值,决定是直接采信底层数学代理模型a的预测结果,还是触发真实的电路瞬态仿真;

9、步骤6、若步骤5中触发了真实的电路瞬态仿真,则获取瞬态波形图像数据,利用构建的物理启发结构化提示词,驱动顶层多模态大语言模型代理b进行链式推理,提取目标瞬态特征值及对应的语义置信度;

10、步骤7、将步骤6中获取的包含目标瞬态特征值和语义置信度的数据作为锚点存入数据库,更新底层数学代理模型a,并将语义置信度融入下一代期望提升函数的计算中;

11、步骤8、基于帕累托占优的方式更新当前档案里的最优个体;

12、步骤9、若当前档案中的最优电路参数方案未满足用户指定的性能指标且未达到最大迭代次数,则重复步骤4-9;若满足迭代终止条件,则输出最终的非线性电路参数帕累托前沿方案。

13、进一步的,所述步骤5具体如下:

14、计算底层数学代理模型a对当前个体决策变量预测的方差值;

15、当方差值小于等于阈值时,直接使用底层数学代理模型a的预测均值作为该个体的适应度评估结果;

16、当方差值大于阈值时,中止代理预测,调用智能化仿真工具执行真实的瞬态仿真;仿真完成后调用顶层多模态大语言模型代理b执行特征提取,并将特征提取结果作为新增样本用于修复底层数学代理模型a的认知盲区。

17、进一步的,所述步骤6具体如下:

18、步骤6.1、构建多模态输入:将当前个体的电路拓扑信息、工艺节点参数以及测试激励条件转换为文本模态数据;将智能化仿真工具输出的瞬态波形转换为视觉模态图像数据;

19、步骤6.2、构建物理启发思维链提示词:依据电路原理设计分段推理模板,引导顶层多模态大语言模型代理b按以下逻辑推演:首先,结合文本模态的测试激励条件识别当前电路所处的瞬态工作状态;其次,观察视觉模态图像,定位波形中的关键非线性特征点;最后,结合工艺节点参数的物理先验知识,判断波形恢复过程中的阻尼震荡合法性,并最终计算出瞬态特征值,同时输出一个表征该提取结果物理合理性的语义置信度得分。

20、进一步的,所述步骤7中,将语义置信度融入下一代期望提升函数的计算的具体过程如下:

21、利用历史锚点数据中顶层多模态大语言模型代理b输出的语义置信度,构建一个辅助的置信度概率预测模型,用于预测任意未知解在物理语义层面的合规概率;将该合规概率作为惩罚项降维融入传统的期望提升函数中,构建语义增强的期望提升函数:其中,为底层数学代理模型a基于预测均值和预测方差计算的标准期望提升值;在后续进化中,利用选择最具潜力的子代个体进入下一轮真实仿真评估。

22、进一步的,所述电路决策变量包括非线性电路中晶体管的宽长比、电阻值、电容值和/或偏置电流值;所述电学性能瞬态指标包括但不限于低压差线性稳压器的上电软启动时间、负载跃变瞬态响应时间、开关直流转换器的死区时间。

23、进一步的,所述底层数学代理模型a为高斯过程回归模型或克里金模型。

24、进一步的,所述顶层多模态大语言模型代理b具备对图像和文本联合理解的跨模态处理能力,且通过应用程序接口api与多目标进化算法实现在线数据交互。

25、进一步的,所述基于帕累托占优的方式包括经典帕累托占优方法、ε-支配方法或任意一种适用于多目标优化环境的高维非支配排序方法。

26、进一步的,所述采用多目标进化算法启发式算子生成新的电路参数化子代种群,具体包括采用模拟二进制交叉、多项式变异或差分进化变异操作对父代个体的决策变量进行实数编码层面的重组与变异。

27、综上所述,由于采用了上述技术方案,本发明的有益效果是:

28、1、提高了非线性波形特征提取的稳定性:与依赖脚本抓取阈值点的方式不同,本发明引入了多模态大语言模型辅助特征提取。通过结构化的提示词,使模型能够结合波形的整体趋势(如识别阻尼震荡、过滤毛刺),从而在面对变化的非线性电路瞬态响应时,能够稳定地提取出软启动时间、恢复时间等系统级电参数,减少了优化过程因提取失败而中断的情况。

29、2、有效降低了高精度仿真带来的计算成本:本发明采用了基于预测方差的动态代理切换机制。系统在底层数学代理模型预测方差大于设定阈值时,才触发高精度瞬态仿真。这一机制将算力分配给不确定性较高的解空间,减少了无效的真实仿真调用,从而在有限的仿真时间预算下提升了整体的优化效率。

30、3、引入了跨模态的物理感知机制,改善了全局寻优效果:传统数学代理模型主要依赖数值映射。本发明设计了语义置信度融合机制,将大语言模型对电路合法性的理解(置信度得分)转化为概率分布,结合到底层多目标优化的采集函数()中。这种机制使得底层优化过程能够识别并避开容易导致电路不收敛或发生失效的参数区域,提升了所寻优的帕累托前沿的工程实用性。