一种电源分配网络电热应力的预测方法及相关装置

本发明涉及一种电源分配网络电热应力的预测方法及相关装置，属于集成电路设计与电子设计自动化（electronic design automation，eda）领域。

背景技术：

1、在电源分配网络中，由于高电流密度和局部热点的存在，互连结构中电热应力不断累积，会导致互连老化和系统失效。因此为了实现对电源分配网络使用寿命和失效时间的准确预测，需要对未来多个时间步长内的电热应力进行预测。近年来，随着机器学习在eda领域的应用，一些基于深度学习的电热应力预测方法应运而生，通过对互连结构和特征信息的学习，实现了对单一时间步长的电热应力的快速预测，然而这些方法仅限于对瞬时应力的预测，无法预测应力累积的全过程。

技术实现思路

1、本发明提供了一种电源分配网络电热应力的预测方法及相关装置，解决了背景技术中披露的问题。

2、根据本申请的一个方面，提供一种电源分配网络电热应力的预测方法，包括：

3、根据电源分配网络的拓扑结构、节点特征和边特征，构建电源分配网络的有向图；其中，节点为电源分配网络中导线交汇的点，边为连接相邻节点的导线；

4、根据有向图、以及当前时段内各时刻的节点应力序列和边应力序列，采用应力预测模型，获取未来时段内各时刻最终的节点应力序列和边应力序列；其中，当前时段为从初始时刻到当前时刻的时间段，未来时段为从下一时刻到未来时刻的时间段；在应力预测模型中，根据有向图，获取节点的高阶特征和边的高阶特征；根据当前时段内各时刻的节点应力序列和边应力序列，分别获取未来时段内各时刻初始的节点应力序列和边应力序列；将初始的节点应力序列和节点的高阶特征进行融合，根据融合结果获取最终的节点应力序列；将初始的边应力序列和边的高阶特征进行融合，根据融合结果获取最终的边应力序列；节点a的高阶特征表示边和其余节点对节点a的影响，边b的高阶特征表示节点和其余边对边b的影响。

5、进一步的，节点特征包括节点温度，边特征包括边的电流密度、离散温度分布、长度和宽度。

6、进一步的，应力预测模型包括图注意力网络、transformer网络、门控融合层和线性变换层；

7、图注意力网络用以获取节点的高阶特征和边的高阶特征；

8、transformer网络用以获取未来时段内各时刻初始的节点应力序列和边应力序列；

9、门控融合层用以融合初始的节点应力序列和节点的高阶特征、融合初始的边应力序列和边的高阶特征；

10、线性变换层用以根据融合结果获取最终的节点应力序列、根据融合结果获取最终的边应力序列。

11、进一步的，在图注意力网络中，采用节点注意力聚合器进行节点特征更新，公式为：

12、；

13、式中，σ为sigmoid 激活函数，表示更新后的第i个节点的特征，分别表示更新前的第i个节点的特征、第j个节点的特征和边(i,j)的特征，(i,j)表示第i个节点和第j个节点之间的边，||表示级联操作，为节点注意力系数，用以量化第i个节点的邻居节点特征对第i个节点特征的影响程度；

14、采用双向边聚合器进行边特征更新，公式为：

15、；

16、式中，为更新后的边(i,j)的特征，分别是可学习权重和偏置。

17、进一步的，在transformer网络中，采用可学习的线性投影将编码器的输出自适应地映射到解码器的时间域，同时生成同步的位置编码作为提示线索。

18、进一步的，门控融合层的融合公式为：

19、；

20、式中，h为融合结果，g为门控权重，，σ为sigmoid激活函数，分别是可学习权重和偏置，表示矩阵的逐元素相乘，||表示级联操作，hs为初始的节点应力序列或初始的边应力序列，ht为节点的高阶特征或边的高阶特征。

21、进一步的，，线性变换层公式为：

22、；

23、式中，为最终预测的应力序列，h为融合结果，分别是可学习权重和偏置。

24、根据本申请的另一个方面，提供一种电源分配网络电热应力的预测装置，包括：

25、构建模块，根据电源分配网络的拓扑结构、节点特征和边特征，构建电源分配网络的有向图；其中，节点为电源分配网络中导线交汇的点，边为连接相邻节点的导线；

26、预测模块，根据有向图、以及当前时段内各时刻的节点应力序列和边应力序列，采用应力预测模型，获取未来时段内各时刻最终的节点应力序列和边应力序列；其中，当前时段为从初始时刻到当前时刻的时间段，未来时段为从下一时刻到未来时刻的时间段；在应力预测模型中，根据有向图，获取节点的高阶特征和边的高阶特征；根据当前时段内各时刻的节点应力序列和边应力序列，分别获取未来时段内各时刻初始的节点应力序列和边应力序列；将初始的节点应力序列和节点的高阶特征进行融合，根据融合结果获取最终的节点应力序列；将初始的边应力序列和边的高阶特征进行融合，根据融合结果获取最终的边应力序列；节点a的高阶特征表示边和其余节点对节点a的影响，边b的高阶特征表示节点和其余边对边b的影响。

27、根据本申请的另一个方面，提供一种计算机可读存储介质，计算机可读存储介质存储一个或多个程序，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行电源分配网络电热应力的预测方法。

28、根据本申请的另一个方面，提供一种计算机设备，包括一个或多个处理器、以及一个或多个存储器，一个或多个程序存储在一个或多个存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行电源分配网络电热应力的预测方法的指令。

29、本发明所达到的有益效果：本发明基于有向图，获取节点的高阶特征和边的高阶特征，基于当前时段内各时刻的节点应力序列和边应力序列，获取未来时段内各时刻初始的节点应力序列和边应力序列，将高阶特征和初始应力序列进行融合，获得未来时段内各时刻最终的应力序列，实现了对应力累积的全过程的预测，为电源分配网络使用寿命和失效时间的预测提供了可靠依据。

1.一种电源分配网络电热应力的预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，节点特征包括节点温度，边特征包括边的电流密度、离散温度分布、长度和宽度。

3.根据权利要求1所述的方法，其特征在于，应力预测模型包括图注意力网络、transformer网络、门控融合层和线性变换层；

4.根据权利要求3所述的方法，其特征在于，在图注意力网络中，采用节点注意力聚合器进行节点特征更新，公式为：

5.根据权利要求3所述的方法，其特征在于，在transformer网络中，采用可学习的线性投影将编码器的输出自适应地映射到解码器的时间域，同时生成同步的位置编码作为提示线索。

6.根据权利要求3所述的方法，其特征在于，门控融合层的融合公式为：

7.根据权利要求3所述的方法，其特征在于，线性变换层公式为：

8.一种电源分配网络电热应力的预测装置，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储一个或多个程序，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行权利要求1~7任一所述的方法。

10.一种计算机设备，其特征在于，包括：