一种TSV阵列的多场协同设计方法及系统技术方案

本申请涉及三维集成电路领域，具体提供了一种TSV阵列的多场协同设计方法及系统。该方法包括如下步骤：S1，获取TSV阵列的参数；S2，构建神经网络模型，并对神经网络模型进行训练；S3，构建设计准则；S4，利用优化算法对设计参数进行优化。步骤S1包括如下步骤：S11，获取TSV阵列的设计参数，设计参数包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度；S12，获取TSV阵列的性能参数，性能参数包括电性能、温度、应力、面积。本申请还提供了一种TSV阵列的多场协同设计系统，该系统包括获取模块、第一计算模块、第二计算模块、第三计算模块。本申请设计方法及系统设计需要时间短、多场性能和区域间协同作用强，TSV阵列的综合性能较高。TSV阵列的综合性能较高。TSV阵列的综合性能较高。

【技术实现步骤摘要】
一种TSV阵列的多场协同设计方法及系统


[0001]本申请涉及三维集成电路领域，具体而言，涉及一种TSV阵列的多场协同设计方法及系统。

技术介绍

[0002]随着系统集成芯片的规模越来越大，功耗密度逐渐增大，尤其在三维集成电路中，热问题以及电热耦合效应难以忽略。三维集成技术可有效的减小微系统产品的水平方向占据的电路板面积，同时减小了互连线长度，降低了信号延迟，使得系统具有小尺寸、高性能、低功耗的优点。硅通孔(TSV)是三维集成电路中的关键组件，它的性能决定着三维集成电路的性能。TSV阵列的设计参数对其信号传输特性、热传导、噪声耦合、应力、面积等有很大的影响。因此，研究TSV阵列协同优化设计策略对提高三维集成电路的整体性能具有重要意义。
[0003]名称为“微系统TSV多物理场耦合分析及结构优化”的文章中公开了一种基于有限元方法优化TSV阵列性能的方法，具体地，对TSV阵列进行单个物理场分别求解，然后结合耦合因素对多个物理场进行迭代求解，且需要多软件联合仿真，要对多个软件的单场性能结果进行多次迭代，这导致设计所需要的时间较长、设计效率低，TSV阵列的综合性能较差。
[0004]TSV阵列的多个性能指标之间存在复杂的权衡关系，现有方案主要关注如何建立准确的模型来表征TSV的电热特性，对于性能的权衡严重依赖于统计方法和专家经验，因此，准确率和可靠性较差。例如，题目为“Crosstalk evaluation,suppression and modeling in 3D through
‑
strata
‑
via(TSV)network”的文献中公开的设计方法，提出了有效的布局来降低TSV之间的串扰噪声，但TSV阵列的布局是根据经验人为放置的，这虽然可以在一定程度上降低TSV间的电热耦合效应，但面积与TSV电热耦合效应之间的关系没有很好地平衡，多场性能和区域间协同作用差，因此，TSV阵列的综合性能较差。
[0005]综上所述，现有的设计方法由于设计需要时间长、多场性能和区域间协同作用差，导致TSV阵列的综合性能较差。

技术实现思路

[0006]本专利技术的目的在于，针对上述现有技术中的不足，提供一种TSV阵列的多场协同设计方法及系统，以解决现有技术中由于设计需要时间长、多场性能和区域间协同作用差，导致TSV阵列的综合性能较差的问题。
[0007]为实现上述目的，本专利技术采用的技术方案如下：
[0008]本申请提供一种TSV阵列的多场协同设计方法，该方法包括如下步骤：S1，获取TSV阵列的参数；S2，构建神经网络模型，并对神经网络模型进行训练；S3，构建设计准则；S4，利用优化算法对设计参数进行优化。步骤S1包括如下步骤：S11，获取TSV阵列的设计参数，设计参数包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度；S12，获取TSV阵列的性能参数，性能参数包括电性能、温度、应力、面积。
[0009]更进一步地，步骤S2中的神经网络模型为ANN神经网络模型，ANN神经网络模型包含输入层、隐藏层、输出层。
[0010]更进一步地，步骤S2中的ANN神经网络模型由下式表示：
[0011]h1＝g(W1U+b1)
[0012]Electrical/Thermal/Stress/area＝g(W2h1+b2)
[0013][0014]其中U为ANN神经网络模型的输入，W1和W2分别表示输入隐藏层和输出隐藏层的权重矩阵，b1和b2分别表示输入隐藏层和输出隐藏层的偏差值，h1和Electrical/Thermal/Stress/area分别表示输出层的输入和输出；g是激活函数，e表示自然对数，x表示自变量。
[0015]更进一步地，步骤S2对ANN神经网络模型进行训练过程中建立TSV阵列的设计参数与性能参数之间的映射关系。
[0016]更进一步地，步骤S3根据映射关系和约束条件建立TSV阵列的设计准则。
[0017]更进一步地，步骤S4中的优化算法为PSO
‑
LDIW算法、遗传算法、模拟退火算法、禁忌算法中的一种。
[0018]更进一步地，步骤S4根据训练好的ANN神经网络模型和设计准则，采用PSO
‑
LDIW算法得到优化后的设计参数。
[0019]更进一步地，步骤S4包括如下步骤：
[0020]S41，初始化PSO
‑
LDIW算法的参数；
[0021]S42，根据TSV阵列的预期性能参数，利用构建的ANN神经网络模型预测TSV阵列的设计参数；
[0022]S43，根据构建的TSV阵列的设计准则，利用PSO
‑
LDIW算法优化TSV阵列的设计参数；
[0023]S44，判断是否获取最优的TSV阵列设计参数，若是，则完成TSV阵列多场协同优化设计，否则返回步骤S42，直至获取最优的TSV阵列设计参数。
[0024]本申请还提供了一种TSV阵列的多场协同设计系统，该系统包括获取模块、第一计算模块、第二计算模块、第三计算模块。
[0025]进一步地，获取模块用于获取TSV阵列的设计参数和根据有限元仿真计算获取性能参数；第一计算模块用于构建神经网络模型，并对神经网络模型进行训练，得到设计参数与性能参数之间的映射关系；第二计算模块用于根据设计参数与性能参数之间的映射关系建立TSV阵列多场协同优化设计准则，并加入设计参数和性能参数的约束；第三计算模块用于根据训练后的神经网络模型和TSV阵列多场协同优化设计准则，使用PSO
‑
LDIW算法计算TSV阵列的最优设计参数。
[0026]与现有技术相比，本专利技术的有益效果：
[0027]本申请设计方法利用多物理联合仿真获得的数据，对反向传播神经网络模型进行训练，然后利用神经网络模型得到映射关系；映射关系与约束条件共同得到设计准则，最终通过优化算法得到最优设计参数。其中，考虑了TSV阵列的电性能、热性能、机械性能、面积成本，有效地、全面地改善有限区域内的电传输特性，降低系统的峰值温度和峰值应力，温度和应力是主要性能指标，在评估时所占权重较大，因此，峰值温度和峰值应力的降低会使
得TSV阵列的综合性能提升。同时，训练后的神经网络模型，使得本申请提出的TSV阵列多场协同设计方法可以根据不同的性能要求，高效准确地协同计算TSV阵列的设计参数，并通过协同优化设计策略评估TSV阵列的综合性能。建立的多场协同设计准则，突破了软件之间的障碍，通过协同优化设计策略评估TSV阵列的综合性能，使得设计时间缩短，提升了TSV阵列多领域协同设计的效率。因此，本申请设计方法及系统设计需要时间短、多场性能和区域间协同作用强，TSV阵列的综合性能较高。
附图说明
[0028]图1为本专利技术提供的一种TSV阵列的多场协同设计方法的示意图；
[0029]图2为本专利技术提供的一种TSV阵列的多场协同设计方法及系统中的ANN神经网络模型的示意图；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种TSV阵列的多场协同设计方法，其特征在于，所述方法包括如下步骤：S1，获取TSV阵列的参数；S2，构建神经网络模型，并对神经网络模型进行训练；S3，构建设计准则；S4，利用优化算法对设计参数进行优化；所述步骤S1包括如下步骤：S11，获取TSV阵列的设计参数，所述设计参数包括硅通孔半径、硅通孔间距、偏移角度、氧化层厚度；S12，获取TSV阵列的性能参数，所述性能参数包括电性能、温度、应力、面积。2.根据权利要求1所述的TSV阵列的多场协同设计方法，其特征在于，所述步骤S2中的所述神经网络模型为ANN神经网络模型，所述ANN神经网络模型包含输入层、隐藏层、输出层。3.根据权利要求2所述的TSV阵列的多场协同设计方法，其特征在于，所述步骤S2中的所述ANN神经网络模型由下式表示：h1＝g(W1U+b1)Electrical/Thermal/Stress/area＝g(W2h1+b2)其中U为所述ANN神经网络模型的输入，W1和W2分别表示输入所述隐藏层和输出所述隐藏层的权重矩阵，b1和b2分别表示输入所述隐藏层和输出所述隐藏层的偏差值，h1和Electrical/Thermal/Stress/area分别表示所述输出层的输入和输出；g是激活函数，e表示自然对数，x表示自变量。4.根据权利要求3所述的TSV阵列的多场协同设计方法，其特征在于，所述步骤S2对所述ANN神经网络模型进行训练过程中建立TSV阵列的所述设计参数与所述性能参数之间的映射关系。5.根据权利要求4所述的TSV阵列的多场协同设计方法，其特征在于，所述步骤S3根据所述映射关系和约束条件建立TSV阵列的设计准则。6.根据权利要求5所述的TSV阵列的多场协同设计方法，其特征在于，所述步骤S4中的优化算法为PSO<...

【专利技术属性】
技术研发人员：单光宝，王宇轩，李国良，马钧恺，郑彦文，杨银堂，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：