【技术实现步骤摘要】
本专利技术涉及自动化设计，尤其涉及一种知识和数据双驱动的多任务电路参数进化方法。
技术介绍
1、人工智能（ai）已应用于模拟电路设计几十年，现在已经显示出强大的潜力。毫无疑问，由于广泛的设计空间和各种性能因素之间的必要权衡，模拟集成电路（ic）的人工智能辅助设计在今天仍然是一项具有挑战性的任务，因为模拟ic的电子设计自动化（eda）没有数字ic的eda成熟。特别是，到目前为止，eda中涉及多个工艺角的问题仅通过手动解决。由于工艺变化导致最终电路性能的不确定性，这使得难以实现稳健的设计。
2、工艺角的中心思想是：把 nmos 和 pmos 晶体管的速度波动范围限制在四个角所确定的矩形内。如图1所示，这四个角分别是：快 nfet 和快 pfet(fast nmos、fast pmos,ff)、慢nfet和慢pfet(slow nmos、slow pmos, ss)、快 nfet和慢pfet(fs)、慢nfet和快pfet(sf)，其中，ff对应图1中右上角、ss对应图1中左下角、fs对应图1中右下角、sf对应图1中左上角。例如，具有较薄的栅氧、较低阈值电压的晶体管，就落在快 nfet 和快 pfet(fast nmos、fast pmos, ff)角附近。通常所说的工艺角 ss、tt、ff 分别指的是工艺角矩形的左下角、中心和右上角。工艺角一般包含mosfets的tt、ff、ss、fs、sf５个角。如tt指的是nmos-typical corner和pmos-typical corner。从测量的角度解释，其中typic
3、目前，对电路参数进行优化以贝叶斯优化算法为主，贝叶斯优化是支持电路参数优化的一个突出进展。利用高斯过程模型自适应学习任务间依赖关系，改进了贝叶斯优化算法的整体搜索，取得了较好的效果。然而，贝叶斯优化通常局限于相当低或中等维数的问题。这是因为随着搜索空间维数的增加，保证良好的空间覆盖率(用于学习精确的高斯过程模型)所需的数据点数量呈指数级增长(通常称为冷启动问题)。此外，贝叶斯优化的应用主要局限于连续搜索空间，不直接应用于组合搜索空间，其中不定核可能难以处理。因此，解决贝叶斯优化电路存在的上述缺陷，是亟需解决的技术问题。
技术实现思路
1、针对上述亟需解决的技术问题，本专利技术提出将多工艺角优化转换为多任务优化问题，通过各个工艺角的知识迁移提高优化效率，以此来对电路参数进行高效优化。本专利技术提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。
2、为实现上述目的，本专利技术提供了以下技术方案：
3、本专利技术提供的一种知识和数据双驱动的多任务电路参数进化方法，包括如下步骤：
4、s100、使用参数向量描述电路结构中的器件参数，并选择若干所述器件参数作为参数向量，在解空间中随机均匀产生m个个体，形成初始种群；其中，个体数量为电路结构中器件的数量，每个个体由n个器件参数构成的n维向量；
5、s200、根据器件的工艺角环境因子为所述初始种群确定多个工艺角，将至少一部分工艺角围成的多边形确定为所述初始种群的约束范围；
6、s300、将每个所述工艺角作为一项目标任务，在每个目标任务下根据综合性能函数对每个个体进行性能评估；
7、s400、选择性能评估最优的个体为待优化种群，并对其进行优化直到满足预设条件。
8、进一步地，步骤s200包括如下步骤：
9、将每个器件的亚阈值电压和基准电流作为所述工艺角环境因子，并将所述器件的亚阈值电压的最小值、平均值、最大值与所述器件的基准电流的最小值、平均值、最大值两两配对，得到所述多个工艺角。
10、进一步地，所述多个工艺角包括：
11、所述器件的亚阈值电压的最小值与所述器件的基准电流的最小值配对形成的左下角；所述器件的亚阈值电压的最大值与所述器件的基准电流的最小值配对形成的左上角；所述器件的亚阈值电压的最大值与所述器件的基准电流的最大值配对形成的右上角；所述器件的亚阈值电压的最小值与所述器件的基准电流的最大值配对形成的右下角；所述器件的亚阈值电压的平均值与所述器件的基准电流的平均值配对形成的中心角。
12、进一步地，所述初始种群的约束范围为所述左下角、左上角、右上角、右下角、左下角围成的矩形。
13、进一步地，步骤s300包括如下步骤：
14、确定每个个体的性能因素及其对应的性能函数；根据性能因素和性能函数构建所述综合性能函数；根据每个个体的所述器件参数、性能函数，对每个个体在所有目标任务下进行多次仿真，得到每个个体对应的多个性能值；根据多个性能值计算每个个体的综合性能函数值，得到每个个体在不同目标任务下的不同综合性能函数值。
15、进一步地，综合性能函数fom，其公式为：
16、；
17、其中，k为性能因素的数量，fi(x)为所述电路结构中第i个性能因素对应的性能函数；为第i个性能因素对应的性能函数最大值，为第i个性能因素对应的性能函数最小值；weigti为第i个性能因素对应的权重；x为由n个所述器件参数构成的n维向量。
18、进一步地，步骤s400包括如下步骤：
19、s410、将所述待优化种群作为当前种群；
20、s420、将所述当前种群采用遗传算子生成后代种群；
21、s430、在选定的目标任务下，按照步骤s300中方法，对每个所述后代种群进行一次性能评估；
22、s440、将评估后的后代种群与所述当前种群合并，形成新种群；
23、s450、更新所述新种群的每个个体的标量适应度和技能因素，从更新的新种群中选择标量适应度最高的个体，组成下一个所述当前种群；返回步骤s420，直到达到预设的进化次数。
24、进一步地，还包括确定个体的因子代价；
25、第i个体pi在第j个性能因素tj上的因子代价为：
26、；
27、其中，λ是惩罚因子，并且为个体pi在性能因素tj上不满足约束范围的总数；为个体pi在性能因素tj上的性能评估值。
28、进一步地，还包括确定个体的所述标量适应度；
29、第i个体pi在第j个性能因素tj上的标量适应度φi为：
30、；
31、其中，为个体pi在性能因素tj上的因子等级，其为按照所述因子代价升序排序之后个体pi在种群列表里的索引值，min为取最小值函数，k为性能因素的个数。
32、进一步地，还包括确定个体的所述技能因素；个体的所述技能因素为个体在所有性能本文档来自技高网...
【技术保护点】
1.一种知识和数据双驱动的多任务电路参数进化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，步骤S200包括如下步骤：
3.根据权利要求2所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，所述多个工艺角包括：
4.根据权利要求3所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，所述初始种群的约束范围为所述左下角、左上角、右上角、右下角、左下角围成的矩形。
5.根据权利要求1所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，步骤S300包括如下步骤：
6.根据权利要求5所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，所述综合性能函数FoM，其公式为：
7.根据权利要求1所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，步骤S400包括如下步骤：
8.根据权利要求7所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，还包括确定个体的因子代价；
9.根据权利要求8所述的
10.根据权利要求7所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，还包括确定个体的所述技能因素；个体的所述技能因素为个体在所有性能函数值中最高值对应的性能因素的索引。
...【技术特征摘要】
1.一种知识和数据双驱动的多任务电路参数进化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，步骤s200包括如下步骤：
3.根据权利要求2所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，所述多个工艺角包括：
4.根据权利要求3所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，所述初始种群的约束范围为所述左下角、左上角、右上角、右下角、左下角围成的矩形。
5.根据权利要求1所述的知识和数据双驱动的多任务电路参数进化方法，其特征在于，步骤s300包括如下步骤：
6.根据权利要求5所述的知识和...
【专利技术属性】
技术研发人员：李锦韬，王诗其，林晨，李耘，黄桃，赵瑛峰，邹兰榕，郑鹏飞，
申请(专利权)人：电子科技大学深圳高等研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。