System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及芯粒领域,特别是涉及一种芯粒异构系统的多物理场量预测模型的训练方法以及装置。
技术介绍
1、芯粒异构集成系统是一种将多个具有不同功能的芯片(芯粒)通过先进封装技术集成到一个封装体内,使其形成一个具有统一接口、统一功能、性能更高的新系统。
2、芯粒异构集成系统电-热-力不同物理场之间耦合联动,会导致系统的功耗升高以及无法及时散热等,进而极大地影响了芯粒异构集成系统的性能和稳定性,对芯粒异构集成系统的可靠性带来较大的挑战。因此需要对多物理场耦合的芯粒异构集成系统进行仿真,从而优化芯片。
技术实现思路
1、基于上述问题,本申请提供一种芯粒异构系统的多物理场量预测模型的训练方法以及装置,以实现对多物理场耦合的芯粒异构集成系统进行仿真。
2、本申请实施例公开了如下技术方案。
3、第一方面,本申请提供一种芯粒异构系统的多物理场量预测模型的训练方法,包括:
4、基于预先构建的芯粒异构系统的电-热-力耦合控制方程以及对应的边界条件,构建芯粒异构系统的多物理场量预测模型以及对应的损失函数,所述电-热-力耦合控制方程包括电流一致方程、热传导方程以及应力控制方程;
5、利用所述损失函数对所述多物理场量预测模型进行迭代训练,在每次迭代过程中,对所述多物理场量预测模型的网络参数以及损失函数的权重参数进行调节,直至损失函数达到最小值。
6、第二方面,本申请提供一种芯粒异构系统的多物理场量预测模型的训练装置,包括:
7
8、调节单元,用于利用所述损失函数对所述多物理场量预测模型进行迭代训练,在每次迭代过程中,对所述多物理场量预测模型的网络参数以及损失函数的权重参数进行调节,直至损失函数达到最小值。
9、相较于现有技术,本申请具有以下有益效果:
10、本申请提供一种芯粒异构系统的多物理场量预测模型的训练方法,包括:基于预先构建的芯粒异构系统的电-热-力耦合控制方程以及对应的边界条件,构建芯粒异构系统的多物理场量预测模型以及对应的损失函数,其中,电-热-力耦合控制方程包括电流一致方程、热传导方程以及应力控制方程,利用损失函数对多物理场量预测模型进行迭代训练,在每次迭代过程中,对多物理场量预测模型的网络参数以及损失函数的权重参数进行调节,直至损失函数达到最小值。本申请中可以根据预先构建的芯粒异构系统的电-热-力耦合控制方程以及对应的边界条件,构建芯粒异构系统的多物理场量预测模型以及对应的损失函数,然后利用损失函数对多物理场量预测模型进行迭代训练,即,引入深度学习模型并对其进行训练,以通过训练好的深度学习模型实现对多物理场耦合的芯粒异构集成系统进行仿真。
本文档来自技高网...【技术保护点】
1.一种芯粒异构系统的多物理场量预测模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,构建的芯粒异构系统的多物理场量预测模型公式为:
3.根据权利要求1所述的方法,其特征在于,所述损失函数公式为:
4.根据权利要求1所述的方法,其特征在于,对所述多物理场量预测模型的网络参数进行调节的公式为:
5.根据权利要求1所述的方法,其特征在于,对损失函数的权重参数进行调节的公式为:
6.根据权利要求1所述的方法,其特征在于,所述电流一致性方程为:
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
9.一种芯粒异构系统的多物理场量预测模型的训练装置,其特征在于,包括:
10.根据权利要求9所述的装置,其特征在于,构建的芯粒异构系统的多物理场量预测模型公式为:
【技术特征摘要】
1.一种芯粒异构系统的多物理场量预测模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,构建的芯粒异构系统的多物理场量预测模型公式为:
3.根据权利要求1所述的方法,其特征在于,所述损失函数公式为:
4.根据权利要求1所述的方法,其特征在于,对所述多物理场量预测模型的网络参数进行调节的公式为:
5.根据权利要求1所述的方法,其特征在于,对损失函数的权重参...
【专利技术属性】
技术研发人员:徐勤志,马晓宁,王成晗,曹鹤,刘建云,张道庆,李志强,
申请(专利权)人:中国科学院微电子研究所,
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。