申请/专利权人：华南理工大学

申请日：2023-08-02

公开（公告）日：2024-01-30

公开（公告）号：CN116702678B

主分类号：G06F30/367

分类号：G06F30/367;G06N3/006;G06N3/0499;G06F111/06

优先权：

专利状态码：有效-授权

法律状态：2024.01.30#授权;2023.09.22#实质审查的生效;2023.09.05#公开

摘要：本发明公开了一种融合深度学习和群智能算法的DTCO优化方法，属于芯片研发中工艺设计协同优化的技术领域，利用该方法可以构建出更强大的DTCO替代模型，以便快速评估芯片的性能和优化设计参数，具有模型优化效率高、准确性好的特点；包括如下步骤：S1获取器件在电路仿真中的常用属性，创建器件模型初始数据集，进行标记编码和预处理后得器件模型预处理数据集；S2创建SpiceModel初始替代模型；S3利用器件模型预处理数据集训练SpiceModel初始替代模型，得到准确表征半导体器件模型；S4将SpiceModel初始替代模型进行封装得到Verilog‑A替代模型，替换电路中的所有基于工艺库的器件模型；S5对电路网表再次进行仿真，基于群智能算法针对目标性能进行参数调优，多轮迭代。

主权项：1.一种融合深度学习和群智能算法的DTCO优化方法，其特征在于，包括如下步骤：S1、根据器件特性进行仿真，获取器件在电路仿真中的常用属性，创建器件模型初始数据集，对器件模型初始数据集进行标记编码和预处理后得器件模型预处理数据集；S2、创建SpiceModel初始替代模型，并对深层神经网络的隐藏层进行残差连接和多尺度融合处理；S3、利用器件模型预处理数据集训练SpiceModel初始替代模型，得到准确表征半导体器件模型，对准确表征半导体器件模型的输出数据进行解码和电学特性测试；S4、将SpiceModel初始替代模型进行封装得到数据可外推的Verilog-A替代模型，提取电路IP的电路网表，替换电路中的所有基于工艺库的器件模型；S5、根据步骤S4中对完成工艺库器件模型替换的电路网表再次进行仿真，基于群智能算法针对目标性能进行参数调优，多轮迭代后得到优化的电路性能的器件参数组；所述的步骤S1中，所述的器件模型初始数据集包括器件名称、器件类型、电压偏置信息、几何结构、温度和工艺角，所述的电压偏置信息包括器件的Vgs、Vds、Vbs，所述的几何结构包括沟道长度、鳍高度、鳍宽度、鳍间距、栅极间距、氧化层厚度、掺杂信息；所述的步骤S1中，对所述的器件模型初始数据集进行标记编码和预处理包括数据清洗、归一化操作、添加信息标签、初始化权重、参数特征标准化及对器件几何结构的组合形式的数据扩充操作；所述的参数特征标准化公式为： ；其中，为器件模型初始数据集中量纲取值差异大的原数据，为不影响几何结构到电学性能映射的补偿极小数，为经处理输入到神经网络架构的输入数据；器件几何结构进行基于物理关系的组合形式数据增强，作为输入到深层神经网络的器件模型预处理数据集，加速模型拟合：{W、L、N、、、}；其中，W、L分别为器件的沟道宽度、沟道长度；N为晶体管的元器件数目，为沟道宽度、沟道长度比例形式的组合形式，为沟道宽度、沟道长度乘积形式的组合形式；所述步骤S5中，基于群智能算法针对目标性能进行参数调优的过程为计算再次仿真的器件模型性能指标的评估函数，更新器件参数的数值，直至评估函数达到设定值或者完成了设定的迭代次数后得到优化的电路性能的器件参数组；群智能算法的计算过程为：器件参数群体成员的状态更新： ； ；其中，为器件参数群体成员的状态，为器件参数群体成员的速度或变化量，函数和为器件参数群体成员的状态和速度的更新规则，为进行了更新后的器件参数群体成员状态，为进行了更新后的器件参数群体成员速度或变化量；适应度函数的计算公式为： ；其中，函数为评估器件参数群体成员的优劣程度，由基于目标性能指标的目标函数或性能指标定义。

全文数据：

权利要求：

百度查询： 华南理工大学 一种融合深度学习和群智能算法的DTCO优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD