训练系统、预测系统以及训练方法与流程

本发明系有关于电路老化模拟(circuit aging simulation)领域。特别是应用神经网络于电路老化预测的技术。

背景技术：

1、现有技术要找出数位标准元件(standard cell)电路经过老化后在速度上的影响，必须进行spice模拟(spice simulation)，根据半导体晶片制造厂(fab)提供特殊的spice老化模型(spice aging model)以及使用者的老化条件(例如高温工作寿命试验(high temperature operation life，htol)或是压力条件(stress condition))才能得到nmos或pmos元件老化前与老化后的参数(例如idsat、vth等)，进行再次的模拟以得到数位标准元件电路的速度衰退率(speed degradation ratio)以评估最后老化的速度。

技术实现思路

1、有鉴于此，本发明一些实施例提供一种训练系统、训练方法、预测系统、预测方法、内储程序之计算机可读取记录介质以及非暂时性计算机程序产品，以改善现有技术问题。

2、本发明一些实施例提供一种训练系统，包含处理模块以及待训练模块；处理模块经配置以接收训练数据，其中每一训练数据包含训练输入数据以及标签数据，训练输入数据包含基准电路中的一个的压力时间、对应多个基本元件的多个元件比率、驱动强度以及操作电压；标签数据包含速度衰退率；以及待训练模块包含神经网络模型以及多个参数；待训练模块经配置以接收网络输入并且基于网络输入、神经网络模型以及参数产生网络输出；其中该处理模块经配置以基于前述训练数据训练待训练模块。

3、本发明一些实施例提供一种训练方法，用于训练待训练模块，由处理模块执行；待训练模块包含神经网络模型以及多个参数；待训练模块经配置以接收网络输入并且基于网络输入、神经网络模型以及前述参数产生网络输出；训练方法包含执行以下步骤：接收训练数据，其中每一训练数据包含训练输入数据以及标签数据，训练输入数据包含基准电路中的一个的压力时间、对应多个基本元件的多个元件比率、驱动强度、操作电压；以及标签数据包含速度衰退率；以及基于训练数据训练该待训练模块。

4、本发明一些实施例提供一种预测系统，包含神经网络模块以及预测处理模块；神经网络模块，包含预测神经网络模型，预测神经网络模型经配置以具有与神经网络模型相同的架构，神经网络模块经配置以储存经由前述训练系统训练后的该多个参数并且经配置以接收待预测输入，并基于待预测输入、预测神经网络模型以及前述参数产生待预测输入的预测输出；以及预测处理模块经配置以将待预测电路的特征数据作为待预测输入输入至神经网络模块以获得预测输出，其中特征数据包含待预测电路的压力时间、对应基本元件的多个元件比率、驱动强度以及操作电压。

5、本发明一些实施例提供一种预测方法，包含：由预测处理模块将待预测电路的特征数据作为待预测输入输入至神经网络模块，其中特征数据包含该待预测电路的压力时间、对应基本元件的多个元件比率、驱动强度、操作电压；以及由神经网络模块接收待预测输入，并基于待预测输入、神经网络模块的预测神经网络模型以及由前述训练方法训练所得的参数产生待预测输入数据的预测输出；其中预测神经网络模型经具有与神经网络模型相同的架构。

6、本发明一些实施例提供一种内储程序之计算机可读取介质及一种非暂时性计算机程序产品，当处理单元载入程序并执行后，能够完成前述训练方法。

7、基于上述，本发明一些实施例提供一种训练系统、训练方法、预测系统、预测方法、内储程序之计算机可读取记录介质以及非暂时性计算机程序产品，藉由训练得到一个对应基本元件的神经网络模型的多个参数以及应用前述神经网络模型以及神经网络模型的多个参数的预测系统，可以在实验室没有提供老化模型时预测速度衰退率；应用前述神经网络模型以及神经网络模型的多个参数的预测系统可以重复使用于预测各种不同操作电压以及压力时间的情境的老化结果，进而避免周而复始的进行真正的电路老化模拟，可节省资源与以及时间。

1.一种训练系统，包含：

2.根据权利要求1所述的训练系统，其中，基于该至少一训练数据训练该待训练模块的步骤包含在一训练回合中执行：

3.根据权利要求2所述的训练系统，其中，该损失采用一均方误差。

4.根据权利要求2所述的训练系统，其中，该更新算法为适应性矩估计方法。

5.根据权利要求1所述的训练系统，其中，该神经网络模型包含以全连接方式连接的一输入层、4个隐藏层以及一输出层，该输入层经配置以接收该网络输入以及该输出层经配置以输出该网络输出。

6.根据权利要求1所述的训练系统，其中，该至少一基准电路的每一个为一环型震荡器，其中，该环型震荡器包含一致能级以及偶数个反向器级，多个该反向器级的每一个的一驱动强度皆相同以及该多个反向器级的每一个皆由该多个基本元件中的一种所构成，以及该多个元件比率为该多个反向器级对应于该多个基本元件的多个组成比率。

7.根据权利要求6所述的训练系统，其中，该多个基本元件包含反向器元件、反及闸元件、反或闸元件以及互斥或闸元件。

8.根据权利要求6所述的训练系统，其中，该多个反向器级的一数量为32。

9.一种预测系统，使用权利要求1至8所述的训练系统训练所得该多个参数，所述预测系统包含：

10.一种训练方法，用于训练一待训练模块，由一处理模块执行；该待训练模块包含一神经网络模型以及多个参数；该待训练模块经配置以接收一网络输入并且基于该网络输入、该神经网络模型以及该多个参数产生一网络输出；该训练方法包含执行以下步骤：