用于预测软IP部件的性能、功率和面积表现的系统和方法技术方案

本文公开了用于预测软IP部件的性能、功率和面积表现的系统和方法。描述了用于使用模型来从IP的HDL表示中预测IP的物理表现的系统和对应方法。系统通过针对IP块将逻辑参数和物理参数子集视为一个来生成用于训练和测试模型的数据。系统将非数值参数数字化并且压缩时序弧。系统使用经训练的模型来直接根据逻辑参数值和物理参数值的组合向量预测IP块的性能、功率和面积(PPA)表现。率和面积(PPA)表现。率和面积(PPA)表现。

【技术实现步骤摘要】
用于预测软IP部件的性能、功率和面积表现的系统和方法


[0001]本专利技术属于系统设计领域，并且更具体地涉及知识产权(IP)块 的性能、功率和面积的估计。

技术介绍

[0002]知识产权(IP)块或元件或核用于芯片设计中。IP表示设计中使 用的分立部件。IP是设计逻辑的可重用部件，具有已经过验证且可以 集成到更大的设计中的经定义的接口和表现。IP通常采用软IP或硬 IP的形式。硬IP被定义为无法修改的IP。设计者无法对硬IP的应用 功能进行有意义的修改。
[0003]另一方面，软IP包括可配置的逻辑描述。软IP包括可综合的核， 这些核例如以硬件描述语言(HDL)(诸如Verilog或VHSIC HDL (VHSL))交付或表示。这允许设计者可以在功能级别上修改设计。 软IP有时也作为通用门级网表被提供。网表是被实现为通用门或处 理特定的标准单元的IP逻辑功能的布尔代数表示。被实现为通用门 的IP核可移植到任何处理技术。网表和可综合核都称为“软IP”， 因为它们都允许在设计中进行综合、布局和布线(SPR)。
[0004]片上系统(SoC)和片上网络(NoC)中使用的软IP通常以高级 别参数化的HDL表示或编写。在计算机系统设计中，HDL是用于描 述具有电子电路或数字逻辑电路的IP的结构和表现的专用计算机语 言。该表示使得能够对电子电路进行精确的形式化描述，从而允许对 IP作为电子电路进行自动分析和仿真。HDL也可以综合为网表，网 表是物理电子部件及其如何连接在一起的规范，其可以被布局和布线 来产生用于创建IP作为集成电路的一部分的掩码集。HDL看起来很 像编程语言。HDL是包括表达式、语句和控制结构的文本描述。大多 数编程语言和HDL之间的一个重要区别是HDL明确包含了时间概 念。特别是针对IP或复杂电路(诸如专用集成电路、微处理器和可 编程逻辑设备)，HDL形成电子设计自动化(EDA)系统的组成部 分。
[0005]IP的表示必须在功能上正确并且必须满足物理要求(包括功耗和 最小操作频率)。传统上，只有在IP综合为门级网表时才能进行性 能、功率和面积(PPA)评估。对于大型IP，该过程可能需要数小时 至数天，这对于在架构设计的早期阶段期间所需的分析来说是不切实 际的。因此，需要允许能够根据其HDL描述来直接地预测IP物理表 现以便缩短IP开发周期并且提供更多最佳解决方案的系统和方法。

技术实现思路

[0006]公开了用于使用机器学习模型来从IP的HDL表示中预测IP的物 理表现(behavior)的系统和方法，其缩短了IP开发周期并且提供了 更优化的解决方案。根据本专利技术的各个方面，PPA估计包括捕获参数， 诸如IP的输入和输出端口之间的延迟、IP的面积以及IP使用的功率。 PPA估计是针对IP的特定部件的表征集合，其可以用于构建用于训 练机器学习模型的数据库。模型可以使用所收集的数据，并且提供针 对IP的表现的估计，以从
IP逻辑和物理参数值的组合向量直接地预 测IP核或块的表现。因此，在通过综合来运行每个IP部件并且使用 在多个参数变化下捕获的PPA而获得的数据上训练机器学习模型。 针对每个特定的物理条件集合，收集PPA信息并将其用于训练模型。 所收集的一些数据用于测试机器学习模型的有效性，而所收集的一些 数据用于训练机器学习模型。
附图说明
[0007]图1示出了根据本专利技术的各个方面的用于计算发送给训练模型的 软IP的功率、性能和面积的过程。
[0008]图2示出了根据本专利技术的各个方面的用于训练和测试用于预测PPA估计的模型的过程。
[0009]图3示出了根据本专利技术的各个方面的用于使用模型基于参数值来 预测PPA值的过程。
[0010]图4示出了根据本专利技术的各个方面的IP块。
[0011]图5示出了根据本专利技术的各个方面的用于部署模型的流程。
[0012]图6示出了根据本专利技术的各个方面的用于将参数数字化的过程中 的步骤。
具体实施方式
[0013]在下面的描述中参考附图根据各方面和实施例描述了本专利技术，在 附图中相同的附图标记表示相同或相似的元件。在整个说明书中，对
ꢀ“
一个实施例”、“实施例”或类似语言的引用意味着关于该实施例 描述的特定特征、结构或特性被包括在本专利技术的至少一个实施例中。
[0014]因此，贯穿本说明书的短语“在一个实施例中”、“在实施例中”、
ꢀ“
在某些实施例中”以及类似语言的出现可以但不一定都指代相同的 实施例。注意，除非上下文另外明确指出，否则如本说明书中所使用 的单数形式“一”、“一个”和“该”包括复数指示物。
[0015]根据本专利技术的各方面和一个或多个实施例，可以以任何合适的方 式组合本专利技术所描述的特征、结构或特性。在以下描述中，记载了许 多具体细节来提供对本专利技术的各种实施例的理解。然而，相关领域的 技术人员将认识到，可以在没有一个或多个特定细节的情况下，或者 利用其他方法、部件、材料等来实践本专利技术。在其他情况下，未详细 示出或描述公知的结构、材料或操作，以避免使本专利技术的各个方面不 清楚。
[0016]在本说明书中引用的所有公开和专利均通过引用并入本文，就好 像每个单独的公开或专利均被具体地且单独地指出通过引用并入并 且通过引用并入本文，以结合所引用的公开内容来披露和描述方法和 /或系统。任何公开的引用均是其在提交日之前的披露并且不应解释为 承认本专利技术无权凭借在先专利技术而早于该公开。此外，所提供的公开日 期可能与可以需要独立确认的实际公开日期不同。
[0017]片上网络(NoC)在片上系统(SoC)IP(例如，CPU和存储器 控制器)之间传送消息。NoC包括互连的交换机，借助交换机可以控 制或传递消息。每个交换机的尺寸和速度取决于以下因素：1)逻辑 参数，诸如输入/输出端口的数量和数据总线的宽度；2)物理条件， 诸如工艺技术、标准单元库的类型、操作电压和温度。
[0018]现在参考图1，示出了根据本专利技术各个方面的过程，该过程用于 收集关于IP块的
数据集，并且使用数据集来估计IP块的性能、功率 和面积(PPA)，以构建用于训练和测试机器学习模型的数据集。如 本文所使用，机器学习模型可以是现实世界过程的任何数学表示。针 对模型的学习算法在训练数据中找到模式，使得输入参数对应于目标 或结果。训练过程的输出或结果是可以用于进行预测的机器学习模 型。如本文所使用，神经网络是通用机器学习方法中的一类模型。更 具体地，神经网络是通用函数逼近的特定算法集合，这就是为什么它 们可以应用于关于学习从输入到输出空间的复杂映射的几乎任何机 器学习问题的原因。所生成的数据被存储在数据库中并且被用于训练 机器学习模型，这将关于图2和图3进行讨论。因此，模型允许及早 预测与PPA相关的物理参数。例如，寄存器级应该被放置在何处并 且是多少个？或者信道中什么尺寸的总线适合？或者某个尺寸的交 换机能否以所需的速度操作？或者应在哪个时钟域内放置交换机？ 或者发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于累积数据的方法，所述数据用作用于优化IP块设计的训练数据，所述方法包括：针对多个IP布置确定多个逻辑参数向量；针对所述多个IP布置确定多个物理参数向量；基于所述多个物理参数向量和所述多个逻辑参数向量来生成多个复合向量；综合所述多个复合向量，以针对所述多个物理参数向量和所述多个逻辑参数向量的每个组合生成门级网表；以及针对每个门级网表生成时序表征，以产生多个时序表征。2.根据权利要求1所述的方法，其中所述逻辑参数包括针对所述IP块的多个输入端口。3.根据权利要求1所述的方法，其中所述逻辑参数包括针对所述IP块的多个输出端口。4.根据权利要求1所述的方法，其中所述物理参数包括针对在综合的步骤中使用的所述IP块的库数据。5.根据权利要求1所述的方法，进一步包括：针对每个综合产生包括针对性能、功率和面积的数据的多个表征。6.根据权利要求5所述的方法，进一步包括：压缩所述IP块的输入端口与所述IP块的输出端口之间的多个时序弧。7.根据权利要求6所述的方法，其中压缩所述多个时序弧包括：从所述多个时序弧中选择代表性的时序弧。8.根据权利要求7所述的方法，其中所述代表性...

【专利技术属性】
技术研发人员：B，
申请(专利权)人：阿特里斯公司，
类型：发明
国别省市：