一种基于深度度量学习的EDA电路失效分析方法技术

本发明专利技术公开了一种基于深度度量学习的EDA电路失效分析方法，包括步骤：一、根据原始分布对EDA电路样本进行蒙特卡罗采样，生成蒙特卡罗采样样本，并进行蒙特卡罗仿真，得到失效仿真结果；二、通过步骤一的蒙特卡罗采样样本和失效仿真结果，训练一个能够将失效样本区分出来的深度度量学习模型；三、对待进行失效分析的EDA电路，采用蒙特卡罗采样方法生成足够多的失效分析样本，并利用步骤二中训练的深度度量学习模型对样本进行筛选，筛选出可能失效样本；四、对可能失效样本进行SPICE电路仿真，得到失效的EDA电路并计算出失效率。本发明专利技术仿真效率高，可靠性高，在先进工艺大规模电路的仿真分析中具有明显的优势。真分析中具有明显的优势。真分析中具有明显的优势。

【技术实现步骤摘要】
一种基于深度度量学习的EDA电路失效分析方法


[0001]本专利技术属于集成电路设计仿真
，具体涉及一种基于深度度量学习的EDA电路失效分析方法。

技术介绍

[0002]随着集成电路产业的发展，SRAM已成为电子产品中不可或缺的部分，对于SRAM的研究始终是热点之一。在先进工艺的低电压场景下，由于工艺参数波动的影响,SRAM设计裕量显著减小，可容忍的失效概率越来越低。对于这种极小失效概率问题，传统基于蒙特卡洛方法的良率分析方法需要过多的仿真计算量，而基于重要采样的方法，如HDIS(High Dimensional ImportanceSampling)和HSCS(Hyper Spherical Clustering ndSampling)算法，高度依赖采样函数的选取，但已有的搜索失效区域的方案未必能获取足够优良的采样函数，当电路更为复杂、存在多失效区域时则更为困难。因此，采取新型快速良率分析方案提高SRAM设计效率显得十分重要。
[0003]由于工艺参数随机性波动，SRAM失效表现出统计特征，评估SRAM失效率因而需要统计仿真技术。SRAM失效率评估通常会采用Monte Carlo仿真。但是由于工艺参数的数量(仿真维度)会以Bicell的数量呈指数增长，SRAM 整电路仿真时间代价变得无法接受。而且，为了使得SRAM整电路工作在足够高的良率，单个Bitcell的失效率必须足够小。
[0004]现有技术中，为了进行EDA电路失效分析，常用的是蒙特卡罗 (MonteCarlo,MC)方法，蒙特卡罗通过产生大量样本，可以准确的估计出随机概率事件的发生概率，通常作为SRAM失效评估的有效方法，但是，当存储单元数量增加，工艺参数增多，仿真维度可能呈现指数增长而演变成高维问题。用传统蒙特卡罗算法来估计高精度电路的失效率时，需要非常多的采样点，使得仿真的时间过长，仿真效率大大减低。例如，对于一个10M的SRAM，在良率满足一定标准的前提下，存储单元的失效率要小于10
‑
10
，用传统的蒙特卡罗算法来估计其失效率是不现实的。
[0005]为了解决以上问题，为了准确、快速的评估失效率，学者们开始研究重要性采样方法，在传统蒙特卡罗方法的基础上，通过引入一个偏执函数g(x)，增大稀有事件在有限的样本中发生的比例与传统蒙特卡罗算法相比，大大减少了抽取样本的数目，提高了仿真效率。但是，重要性采样方法成功与否关键在于概率密度偏执函数的选取，偏执函数选取适当会使得模型快速准确的计算出结果。而一旦偏执函数选择不合理会使得重要性采样方法的仿真效率和精度甚至低于传统蒙特卡罗仿真方法。

技术实现思路

[0006]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于深度度量学习的EDA电路失效分析方法，其仿真效率高，可靠性高，在先进工艺大规模电路的仿真分析中具有明显的优势。
[0007]为解决上述技术问题，本专利技术采用的技术方案是：一种基于深度度量学习的EDA电
路失效分析方法，该方法包括以下步骤：
[0008]步骤一、根据原始分布对EDA电路样本进行蒙特卡罗采样，生成蒙特卡罗采样样本，并进行蒙特卡罗仿真，得到失效仿真结果；
[0009]步骤二、通过步骤一的蒙特卡罗采样样本和失效仿真结果，训练一个能够将失效样本区分出来的深度度量学习模型；
[0010]步骤三、对待进行失效分析的EDA电路，采用蒙特卡罗采样方法生成足够多的失效分析样本，并利用步骤二中训练的深度度量学习模型对样本进行筛选，筛选出可能失效样本；
[0011]步骤四、对可能失效样本进行SPICE电路仿真，得到失效的EDA电路并计算出失效率。
[0012]上述的一种基于深度度量学习的EDA电路失效分析方法，步骤二中所述深度度量学习模型采用二维卷积神经网络结构，并采用Tripletloss作为损失函数来构建网络。
[0013]上述的基于深度度量学习的EDA电路失效分析方法，所述深度度量学习模型包括输入层、二维卷积神经网络层和Tripletloss损失函数计算层，所述二维卷积神经网络层包括依次设置的卷积层C1、池化层P1、卷积层 C2、池化层P2、卷积层C3、池化层P3、全连接层F1、全连接层F2和全连接层F3。
[0014]上述的一种基于深度度量学习的EDA电路失效分析方法，所述二维卷积神经网络层的卷积层采用Relu作为激活函数。
[0015]上述的一种基于深度度量学习的EDA电路失效分析方法，所述二维卷积神经网络层的池化层采用Vaild填充。
[0016]上述的一种基于深度度量学习的EDA电路失效分析方法，所述二维卷积神经网络层初始化网络权重采用uniform均匀分布。
[0017]上述的一种基于深度度量学习的EDA电路失效分析方法，所述 Tripletloss损失函数计算层中损失函数的确定方法为：
[0018]步骤A、先随机选择一个样本作为anchor(x
a
),然后再随机选择一个和 anchor同类的样本称为positive(x
p
)，以及和anchor异类的样本 negative(x
n
)，得到三个这样的样本，特征表达式分别记为
[0019]步骤B、计算同类样本在欧氏空间上的特征距离计算异类样本在欧氏空间中的特征距离并在欧氏空间上，将 Tripletloss损失函数表示为 Tripletloss损失函数的目标是使得同类样本在空间位置上尽量靠近的同时异类样本在空间位置上尽量远离，同时为了不让样本的特征聚合到一个非常小的空间中，要求对于同一类的两个正例和一个负例，负例应该比正例的距离至少远距离m；其中，N为样本总数，i的取值为1～N的自然数。
[0020]本专利技术与现有技术相比具有以下优点：
[0021]1、本专利技术基于深度度量学习分类的SRAM单元失效率仿真算法，只对少量可能失效的样本进行仿真，忽视了大量的不可能失效的样本，因此此方法可以较快地估算出电路的失效概率，实现在短时间内完成电路的高精度可靠性分析，仿真速度优于相较传统蒙特卡
罗分析。
[0022]2、本专利技术采用度量学习分类的改进蒙特卡罗仿真对SRAM单元失效率分析，采用基于二维卷积神经网络构建深度度量学习模型对样本进行筛选，当样本量不大时，结合深度学习和度量学习的深度度量学习在处理分类任务的准确率和高效率上，本专利技术的度量学习方法在超大规模电路的仿真中具有明显的优势。
[0023]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0024]图1为本专利技术的方法流程框图；
[0025]图2为深度度量学习模型的网络结构图；
[0026]图3为Tripletloss损失函数计算层的原理示意图；
[0027]图4为Tripletloss损失函数的原理图。
具体实施方式
[0028]如图1～图4所示，本专利技术的基于深度度量学习的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度度量学习的EDA电路失效分析方法，其特征在于，该方法包括以下步骤：步骤一、根据原始分布对EDA电路样本进行蒙特卡罗采样，生成蒙特卡罗采样样本，并进行蒙特卡罗仿真，得到失效仿真结果；步骤二、通过步骤一的蒙特卡罗采样样本和失效仿真结果，训练一个能够将失效样本区分出来的深度度量学习模型；步骤三、对待进行失效分析的EDA电路，采用蒙特卡罗采样方法生成足够多的失效分析样本，并利用步骤二中训练的深度度量学习模型对样本进行筛选，筛选出可能失效样本；步骤四、对可能失效样本进行SPICE电路仿真，得到失效的EDA电路并计算出失效率。2.按照权利要求1所述的一种基于深度度量学习的EDA电路失效分析方法，其特征在于：步骤二中所述深度度量学习模型采用二维卷积神经网络结构，并采用Tripletloss作为损失函数来构建网络。3.按照权利要求2所述的基于深度度量学习的EDA电路失效分析方法，其特征在于：所述深度度量学习模型包括输入层、二维卷积神经网络层和Tripletloss损失函数计算层，所述二维卷积神经网络层包括依次设置的卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、池化层P3、全连接层F1、全连接层F2和全连接层F3。4.按照权利要求3所述的一种基于深度度量学习的EDA电路失效分析方法，其特征在于：所述二维卷积神经网络层的卷积层采用R...

【专利技术属性】
技术研发人员：张立军，严雨灵，马利军，张重达，娄圆，
申请(专利权)人：苏州宽温电子科技有限公司，
类型：发明
国别省市：