基于机器学习的详细布线后时序预测方法与流程

本发明涉及芯片设计，特别是涉及一种基于机器学习的详细布线后时序预测方法。

背景技术：

1、目前，集成电路物理设计流程中，通常需要在全局布线完成后、详细布线开始之前执行时序优化，以尽早发现并修正时序违例。在该阶段，详细布线尚未执行，时序分析工具只能依据全局布线提供的布线引导信息建立近似的互连模型，进而估算线网的寄生参数和传输延迟。

2、然而，全局布线阶段的互连估算结果与实际详细布线结果之间存在偏差。详细布线会受到设计规则约束、引脚可达性、局部拥塞、宏单元阻挡、绕线以及金属层重新分配等多种因素影响，这些因素在全局布线阶段难以准确预知，导致全局布线阶段得到的线网寄生参数和线延迟估计值可能相对于详细布线后的真实结果偏乐观或者偏悲观。当估计偏乐观时，真正处于关键路径上的时序违例可能无法被识别，导致详细布线后仍存在建立时间、保持时间或者电气规则违例；当估计偏悲观时，又会触发不必要的门尺寸调整和缓冲器插入，增加芯片的面积、功耗和拥塞，并延长设计迭代周期。

3、针对上述偏差，现有技术通常采用统一的比例系数或者线性拟合等方式对全局布线阶段的估算结果进行校正，但这种方式难以同时适应不同设计、不同布线工具、不同工艺节点以及含宏单元和不含宏单元的不同版图形态，校正精度有限。

4、因此，如何在全局布线阶段准确预测详细布线后的时序，成为了亟待解决的问题。

技术实现思路

1、针对上述技术问题，本发明采用的技术方案为：

2、一种基于机器学习的详细布线后时序预测方法，所述方法包括：

3、s1，从待处理设计的全局布线结果中提取得到全局布线特征信息，其中，所述待处理设计对应于目标工艺节点，所述全局布线特征信息至少包括各个线网分别对应的网络标识、通孔数量、布线引导路径总长度、总寄生电阻、总寄生电容、金属层信息、包围盒信息、扇出数量、电阻电容等效模型信息和拥塞评价值，以及各个传输组分别对应的输入端标识、输出端标识、延迟估计值、布线引导路径长度、等效电容和等效电阻，所述传输组包括输入端和输出端，单个传输组存在唯一所属的线网；

4、s2，将所述全局布线特征信息输入所述目标工艺节点对应的训练好的布线后预测模型，得到时序预测信息，其中，所述时序预测信息包括各个传输组分别对应的预测延迟和各个线网分别对应的预测负载信息；

5、s3，采用时序分析工具将所述时序预测信息反标到各个传输组分别对应的时序弧和各个线网。

6、本发明与现有技术相比具有明显的有益效果，借由上述技术方案，本发明提供的一种基于机器学习的详细布线后时序预测方法可达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有以下有益效果：

7、本发明通过利用详细布线历史数据学习全局布线估算与详细布线真实结果之间的设计相关、工具相关和非线性偏差，相较于统一比例或者简单线性校正，能够更好地适应不同线网拓扑、拥塞程度、金属层分配和宏单元阻挡情况，在全局布线阶段即可给出准确的详细布线后时序预测，使后续优化建立在可靠依据之上，从而提高全局布线后时序预测与最终详细布线结果的一致性，减少无效优化与设计迭代，同时，通过在全局布线后直接执行快速模型推理，无需在每一优化轮次执行完整详细布线和寄生参数提取，可以降低时序预测开销并缩短优化反馈周期，且训练数据生成属于工艺和工具流程级的一次性成本，训练后的模型可以复用于同类新设计。

1.一种基于机器学习的详细布线后时序预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于机器学习的详细布线后时序预测方法，其特征在于，所述待处理设计的全局布线结果的获取过程包括：

3.根据权利要求1所述的基于机器学习的详细布线后时序预测方法，其特征在于，所述金属层信息包括对应线网所使用通孔对应的最低金属层标识和最高金属层标识，所述包围盒信息包括对应线网的包围盒的宽度与高度之和、各个角点坐标，所述电阻电容等效模型信息包括远端等效电容、串联等效电阻和近端等效电容，所述拥塞评价值包括对应线网的覆盖区域内拥塞值的标准差和平均值。

4.根据权利要求1所述的基于机器学习的详细布线后时序预测方法，其特征在于，所述时序预测信息采用spef格式表示。

5.根据权利要求1所述的基于机器学习的详细布线后时序预测方法，其特征在于，所述方法还包括：

6.根据权利要求1所述的基于机器学习的详细布线后时序预测方法，其特征在于，所述训练好的布线后预测模型包括训练好的延迟预测子模型和训练好的负载预测子模型；

7.根据权利要求6所述的基于机器学习的详细布线后时序预测方法，其特征在于，所述布线后预测模型的训练样本及训练标签的获取方式包括：

8.根据权利要求7所述的基于机器学习的详细布线后时序预测方法，其特征在于，所述延迟预测子模型和所述负载预测子模型的训练过程包括：