基于图神经网络的线路板寄生效应识别方法、服务器及介质

本发明涉及人工智能领域，并且更具体地，涉及一种基于图神经网络的线路板寄生效应识别方法、服务器及介质。

背景技术：

1、线路板寄生效应是指在印制电路板的导体走线、过孔、平面层等几何结构中，因电磁场非理想分布而产生的寄生电容、寄生电感等非期望电磁耦合现象，其直接影响线路板的信号完整性与电源完整性表现。目前，针对线路板寄生效应的识别通常依靠电磁全波仿真工具对版图设计进行扫描分析，获取s参数或串扰波形等寄生效应指标后，再由设计人员依据经验判断寄生效应超标的区域，并手动调整版图几何参数，随后重新提交仿真验证。这种依赖全波仿真与人工反复试错的工作方式，每一次版图修改都需要等待完整的仿真周期，且寄生效应的根源定位高度依赖设计人员对电磁场耦合机制的个体经验积累，当线路板规模增大、布线密度提升时，仿真耗时急剧增加，人工定位的难度也随之放大，导致寄生效应识别与消除的迭代效率难以满足设计周期要求，容易造成设计反复与资源浪费。

技术实现思路

1、有鉴于此，本发明实施例提供一种基于图神经网络的线路板寄生效应识别方法、服务器及介质。

2、根据本发明实施例的一个方面，提供一种基于图神经网络的线路板寄生效应识别方法，包括：

3、获取已完成训练的寄生效应预测图网络以及待分析线路板版图对应的异质图结构，寄生效应预测图网络包含用于逐层消息传递的图卷积核集合，异质图结构包含代表导体几何区域的信号节点、代表介质区域的无源节点以及代表电磁耦合关系的耦合边；

4、将异质图结构输入寄生效应预测图网络，执行前向传播处理，得到待分析线路板版图的目标寄生效应指示量，目标寄生效应指示量对应至少一种寄生耦合类型；

5、针对目标寄生效应指示量，对寄生效应预测图网络执行反向传播处理，生成异质图结构中各条耦合边和各信号节点对目标寄生效应指示量的贡献度分布，反向传播处理基于图卷积核集合在寄生效应预测图网络中的层间连接权重进行逐层梯度传递；

6、根据贡献度分布，从异质图结构中提取出构成寄生根源的连通关键子图，连通关键子图包含贡献度满足联合筛选条件的信号节点及耦合边的组合；

7、基于连通关键子图的拓扑几何属性，在预置的版图修改原语空间中执行修改方案生成处理，得到候选版图修改属性，并将根据候选版图修改属性调整后的异质图结构再次输入寄生效应预测图网络，重新生成目标寄生效应指示量，当重新生成的目标寄生效应指示量未满足抑制阈值时，返回执行反向传播处理并提取更新后的连通关键子图，直到目标寄生效应指示量满足抑制阈值。

8、根据本发明实施例的另一方面，提供了一种服务器，包括：处理器；以及存储器，其中存储器中存储有计算机可读代码，计算机可读代码在由处理器运行时，使得处理器执行如上的方法。

9、根据本发明实施例的又一方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以上方法中的步骤。

10、本发明以已训练的寄生效应预测图网络和待分析线路板版图的异质图结构为起点，信号节点、无源节点与耦合边将导体几何区域、介质区域及电磁耦合关系完整映射为图数据，使前向传播处理后得到的目标寄生效应指示量可直接表征串扰强度或特征阻抗偏移等寄生耦合类型。针对该指示量执行反向传播处理，可沿图卷积核集合的层间连接权重逐层追溯各条耦合边和各信号节点的贡献度分布，将寄生效应源头精确关联至具体走线线段和耦合区域。依据贡献度分布提取的连通关键子图划定了对寄生效应起主导作用的版图结构范围，排除非关键区域干扰后，基于其拓扑几何属性在版图修改原语空间中自动生成候选版图修改属性，并将调整后的异质图结构再次输入预测图网络进行寄生效应复评，未满足抑制阈值时迭代执行反向传播与关键子图更新，直至寄生效应被抑制到可接受程度，由此形成识别、溯源、修改、验证的全自动闭环，摆脱了人工反复调整版图并依赖全波仿真逐次验证的低效模式，缩短调试周期并提升版图修改的针对性。

1.一种基于图神经网络的线路板寄生效应识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于图神经网络的线路板寄生效应识别方法，其特征在于，所述将所述异质图结构输入所述寄生效应预测图网络，执行前向传播处理，得到所述待分析线路板版图的目标寄生效应指示量，包括：

3.根据权利要求2所述的基于图神经网络的线路板寄生效应识别方法，其特征在于，所述调用所述寄生效应预测图网络中首层图卷积核集合的边消息生成组件，对每条耦合边所连接的两个信号节点的当前状态以及该耦合边的电磁耦合属性向量进行物理衰减调制处理，生成边传播消息，包括：

4.根据权利要求2所述的基于图神经网络的线路板寄生效应识别方法，其特征在于，所述将所述边传播消息沿耦合边的连接方向传递至对应的信号节点，同时将经过所述无源节点的桥接扩散路径引入的扩散消息与所述边传播消息进行方向对齐合并，得到节点聚合上下文，包括：

5.根据权利要求1所述的基于图神经网络的线路板寄生效应识别方法，其特征在于，所述针对所述目标寄生效应指示量，对所述寄生效应预测图网络执行反向传播处理，生成所述异质图结构中各条耦合边和各信号节点对所述目标寄生效应指示量的贡献度分布，包括：

6.根据权利要求5所述的基于图神经网络的线路板寄生效应识别方法，其特征在于，所述在每一层中依据该层记录的节点聚合上下文与各边传播消息的依赖关系，将接收到的节点回溯梯度分量进一步分解为归属于各入射耦合边的消息敏感度分量，包括：

7.根据权利要求5所述的基于图神经网络的线路板寄生效应识别方法，其特征在于，所述将每条耦合边在各层中获得的所述消息敏感度分量和所述扩散重分配分量进行跨层归并，得到该耦合边的累积贡献度，包括：

8.根据权利要求1所述的基于图神经网络的线路板寄生效应识别方法，其特征在于，所述根据所述贡献度分布，从所述异质图结构中提取出构成寄生根源的连通关键子图，包括：

9.根据权利要求8所述的基于图神经网络的线路板寄生效应识别方法，其特征在于，所述以每粒根种子节点为扩张起点，沿其根关联边向外探查相邻信号节点，若相邻信号节点的贡献度在相邻节点贡献度预设接收范围内，则将该相邻信号节点纳入当前扩张路径，并将其对应的耦合边纳入扩张边集，包括：

10.一种服务器，其特征在于，包括：

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至9任一项所述方法中的步骤。