申请/专利权人：上海交通大学

申请日：2023-12-07

公开（公告）日：2024-04-30

公开（公告）号：CN117952059A

主分类号：G06F30/392

分类号：G06F30/392;G06N3/042;G06N3/0464;G06N3/045;G06N3/084;G06N3/092;G06F30/327

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.17#实质审查的生效;2024.04.30#公开

摘要：一种基于排序学习网络的芯粒布局顺序快速寻优方法，包括步骤：构建不同芯粒系统在布局顺序全排列下的数据集，根据布局结果的芯粒间互连线长和片上峰值温度，按照成对比较的方式将训练数据集划分为强相关集和弱相关集；数据预处理，每一个芯粒系统结合一种具体的布局顺序可以抽象成互不相同的图数据结构；将上述图数据结构进行归一化操作之后，转化成图数据结构节点特征向量和边特征向量；构建基于图卷积网络和排序学习网络相结合的机器学习模型，用训练数据集对模型进行训练；在测试数据集上对训练得到的最优模型进行测试，快速给出未知芯粒系统的最优布局顺序。本发明实现快速、高质量决定布局顺序。

主权项：1.一种基于排序学习网络的芯粒布局顺序快速寻优方法，用于2.5D集成芯粒系统布局规划过程中芯粒布局顺序的快速确定，其特征在于包括以下步骤：S1、基于强化学习布局框架，构建不同芯粒系统电路网表在布局顺序全排列下的芯粒布局顺序数据集，并提取芯粒间互连线长和片上峰值温度信息，并基于这两个指标按照成对比较的方式，将训练数据集划分为强相关集和弱相关集；S2、对强相关集和弱相关集进行数据预处理，每一个芯粒系统电路网表结合一种具体的布局顺序可以抽象成互不相同的图数据结构；S3、将上述图数据结构进行归一化操作之后，转化成图数据结构节点特征向量和边特征向量；S4、构建基于图卷积网络和排序学习网络相结合的机器学习模型，用训练数据集对模型进行训练；S5、在测试数据集上对训练得到的最优模型进行测试，使用基于图卷积网络和排序学习网络相结合的机器学习模型快速给出未知芯粒系统的最优布局顺序。

全文数据：

权利要求：

百度查询： 上海交通大学 一种基于排序学习网络的芯粒布局顺序快速寻优方法

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