申请/专利权人：华南理工大学

申请日：2023-10-17

公开（公告）日：2024-03-15

公开（公告）号：CN117313620B

主分类号：G06F30/367

分类号：G06F30/367;G06N3/0455;G06N3/0985

优先权：

专利状态码：有效-授权

法律状态：2024.03.15#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明公开了一种基于多任务深度学习符号回归的DTCO公式建模方法，涉及芯片设计的协同方法，针对现有技术中模型表达式生成、参数调优慢等问题提出本方案。收集器件的工艺参数和电学特性数据，进行数据预处理；建立第一个Transformer模型，预测电学特性，生成SpiceModel表达式骨架，设定表达式骨架所包含的系数为具有物理意义的常数的代数组合；对常数数据进行预处理；建立第二个Transformer模型，预测系数和常数的映射关系，生成常数集合代替第一个Transformer模型生成的表达式中的系数集合，获得最终的SpiceModel公式模型。优点在于，基于Transformer模型进行器件工艺参数与电学特性之间的复杂关系的公式建模，将精确且快速地捕捉非线性关系和特性之间的依赖，提升公式模型预测的准确性。

主权项：1.一种基于多任务深度学习符号回归的DTCO公式建模方法，其特征在于，包括如下步骤：S1.获取器件的工艺参数和电学特性数据，用于训练和验证模型；S2.对获取的工艺参数和电学特性数据进行预处理；S3.建立由编码器和解码器模块组成的Transformer模型，编码器通过自注意机制编码信息捕捉变量之间的联系，解码器将编码信息与电学特性曲线数据进行关联，以预测电学特性；S4.训练所述Transformer模型后得到变量-电学特性模型，评估所述变量-电学特性模型的精度，检查所述变量-电学特性模型是否满足预定的阈值或性能标准，并根据评估结果自适应地调整模型架构和超参数，以提升预测精度和预测效率；S5.生成SpiceModel的数学表达式，表达式包括系数和变量的骨架；设定系数为预设的包含半导体物理意义的常数的组合，常数和系数的映射集为下一级深度学习模型的数据集；S6.对生成的系数集和设定的常数集进行预处理；S7.再次建立由编码器和解码器模块组成的Transformer模型，编码器通过自注意机制编码信息捕捉常数之间的联系，解码器将编码信息与系数数据进行关联；S8.评估当前模型精度，自适应地调整模型架构和超参数，以提升预测精度和预测效率；S9.生成常数组合的集，由集合代替系数，融合变量骨架表达式组合成最终的SpiceModel公式模型；在所述步骤S3和或步骤S7中，编码器接受输入序列并转换为一组隐藏表示；输入序列的每个元素都会嵌入到一个向量中，并经过多层的自注意力机制和前馈神经网络进行处理；自注意力机制计算公式如下：Qi＝Xi·Wq，Xi∈[X1，X2，...Xn]；Ki＝Xi·Wk，Xi∈[X1，X2，...Xn]；Vi＝Xi·Wv，Xi∈[X1，X2，...Xn]； 式中输入序列为[X1，X2，...Xn]，其中Xi表示输入的第i个元素；输入序列中第i个元素所代表的Xi通过线性变换得到对应的Qi，Ki和Vi；Wq是Qi的权重矩阵、Wk是Ki的权重矩阵、Wv是Vi的权重矩阵；Wq、Wk和Wv均为待训练参数，用于将输入序列进行线性变换；Q是查询矩阵，K是关键字矩阵，V是值矩阵；dk表示维度；Attentioni表示针对Xi对输入序列的每个元素Xj均进行加权，其中每个权重取决于查询和键之间的关联程度；前馈神经网络公式如下：Zl＝σWl·Al-1+bl；其中，Zl是第l层的输出；Wl是第l层与第l-1层之间的权重矩阵；Al-1是第l-1层的输出；bl是第l层的偏置；σ是激活函数；解码器接受编码器的输出和目标序列并生成目标序列；经过多层的自注意力机制和前馈神经网络，以生成与目标序列相对应的输出序列；在序列生成任务中，解码器会根据已生成的部分序列来生成下一个元素；编码器的输出是输入序列的隐藏表示，其中包含了输入序列的上下文信息。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于多任务深度学习符号回归的DTCO公式建模方法

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