【技术实现步骤摘要】
本专利技术涉及一种基于图神经网络的布局后物理特征预测方法及系统，属于电子设计自动化。
技术介绍
1、随着集成电路工艺节点的进步，设计早期的时序可预测性问题日益凸显。逻辑综合阶段只包含设计的逻辑层面的信息，对于设计的物理层面的信息是未知的。物理信息的缺失就会导致设计早期时序估计的不准确，使得综合后和布局后的时序结果差异很大，从而导致设计需要经过多轮迭代才能达到理想的结果质量（quality of results, qor），造成了芯片设计周期的延长。
2、为了提高设计的可预测性，电子设计自动化领域希望通过将下游设计阶段的引擎集成到早期设计阶段中，实现不同设计阶段的紧密关联。近年来，随着机器学习的蓬勃发展，越来越多的研究开始聚焦于将机器学习技术用于跨设计阶段的指导，但普通机器学习模型仅能学习网络的局部信息，难以区分设计中的相似网络，预测精度较差。
3、物理特征与设计的时序密切相关。物理特征与线电容紧密关联，一方面线电容带来了一定的线延时，另一方面线电容通过影响单元负载电容进而影响了单元延时，最终影响了布局后的路径延时。几乎设计流程的每一步都会对线长产生影响，但直到进行了单元摆放的布局阶段，线长才被明确量化。因此，要想在布局之前的设计阶段考虑物理特征的影响以进行更准确的时序分析，快速而准确的布局前线长预测是至关重要的。
4、因此，本领域技术人员需要解决针对布局前物理信息的缺失导致的早期时序预测模型精度受限的问题。
技术实现思路
1、目的：为了克服现有技
2、技术方案：为解决上述技术问题，本专利技术采用的技术方案为：
3、第一方面，一种基于图神经网络的布局后物理特征预测方法，包括如下步骤：
4、步骤1：获取电路网表，将电路网表中门单元和网络之间的相互连接转换为图数据结构。
5、步骤2：根据图数据结构，获取邻接矩阵，根据邻接矩阵获取中心网络自身的特征以及中心网络的邻居网络的特征，将中心网络自身的特征以及中心网络的邻居网络的特征作为特征矩阵，计算每个网络对应的半周长，将对应的半周长作为待学习的标签，并将邻接矩阵、特征矩阵和待学习的标签作为样本数据集。
6、步骤3：将样本数据集划分为训练集数据和测试集数据，使用训练集数据进行物理特征预测网络模型训练，得到训练好的物理特征预测网络模型，使用测试集数据对训练好的物理特征预测网络模型预测精度和效率进行验证，并通过验证结果调整训练好的物理特征预测网络模型，得到调整后的物理特征预测网络模型。
7、步骤4：将待预测的电路布局图输入调整后的物理特征预测网络模型，获得布局后网络半周长的预测值。
8、作为优选方案，所述图数据结构获取方法，具体包括：
9、将电路网表中的网络视为节点，连接两个网络的单元视为边。
10、根据电路网表的连接关系将电路网表转换为由节点和边构成的拓扑图。
11、作为优选方案，所述邻接矩阵中的数值反映节点之间的连接关系。
12、作为优选方案，所述中心网络自身的特征包括但不限于：中心网络的驱动单元、sink 单元的面积和中心网络的邻居网络的数量。所述中心网络的邻居网络的特征包括但不限于：扇入网络数量，扇出网络数量，驱动单元面积，sink单元面积和/或sink 单元面积的标准差。
13、作为优选方案，所述每个网络对应的半周长为包含网络驱动引脚和负载引脚的最小矩形的长宽之和。
14、作为优选方案，所述物理特征预测网络模型，包括：嵌入层、多层gnn层、合并层以及全连接层，所述嵌入层与多层gnn层相串联，每层gnn层的输出端还与合并层的输入端相连接，合并层的输出端与全连接层的输入端相连接。所述gnn层，包括图注意力神经网络，所述图注意力神经网络用于进行注意力系数计算和特征加权聚合计算，使得更好地学习不同类型的邻居网络对中心网络的影响，并在不同的注意力头中关注不同类型的网络间的关系。
15、作为优选方案，所述图注意力神经网络层数为3，各层维度分别为32、64和64，注意力头数为2，节点聚合方式为sum aggregation。
16、作为优选方案，所述训练集数据为6个，测试集数据为3个。
17、第二方面，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如第一方面中任一所述的一种基于图神经网络的布局后物理特征预测方法。
18、第三方面，一种计算机设备，包括：
19、存储器，用于存储指令。
20、处理器，用于执行所述指令，使得所述计算机设备执行如第一方面中任一所述的一种基于图神经网络的布局后物理特征预测方法的操作。
21、有益效果：本专利技术提供的一种基于图神经网络的布局后物理特征预测方法，将逻辑综合阶段的电路网表转换为由节点和边构成的拓扑图，根据节点之间的连接关系构建邻接矩阵，提取各节点的初始特征向量得到特征矩阵，输入由嵌入层、多层gnn层、合并层以及全连接层构成的图神经网络模块，聚合邻居节点的特征信息并对布局后网络的半周长（half perimeter wirelength, hpwl）进行预测。
22、本专利技术通过引入基于图神经网络的物理特征预测模型，用于估计布局后网络线长，预测的结果能够作为后续早期时序预测框架的特征之一，显著提升布局后路径延时的预测精度，从而指导设计师或者工具进行优化，减少设计的迭代，降低芯片设计的时间成本。
23、本专利技术可以在逻辑综合阶段准确且高效地预测布局后物理特征以辅助进行更准确的时序分析，从而有效指导电路布局前设计与优化，对于加速数字集成电路设计流程具有重要意义。
本文档来自技高网...【技术保护点】
1.一种基于图神经网络的布局后物理特征预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述图数据结构获取方法，具体包括：
3.根据权利要求1所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述邻接矩阵中的数值反映节点之间的连接关系。
4.根据权利要求1所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述中心网络自身的特征包括但不限于：中心网络的驱动单元、sink 单元的面积和中心网络的邻居网络的数量；所述中心网络的邻居网络的特征包括但不限于：扇入网络数量，扇出网络数量，驱动单元面积，sink单元面积和/或sink 单元面积的标准差。
5.根据权利要求1所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述每个网络对应的半周长为包含网络驱动引脚和负载引脚的最小矩形的长宽之和。
6.根据权利要求1所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述物理特征预测网络模型，包括：嵌入层、多层GNN层、合并层
7.根据权利要求6所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述图注意力神经网络层数为3，各层维度分别为32、64和64，注意力头数为2，节点聚合方式为sum aggregation。
8.根据权利要求1所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述训练集数据为6个，测试集数据为3个。
9.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，该计算机程序被处理器执行时，实现如权利要求1至8中任一所述的一种基于图神经网络的布局后物理特征预测方法。
10.一种计算机设备，其特征在于：包括：
...【技术特征摘要】
1.一种基于图神经网络的布局后物理特征预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述图数据结构获取方法，具体包括：
3.根据权利要求1所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述邻接矩阵中的数值反映节点之间的连接关系。
4.根据权利要求1所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述中心网络自身的特征包括但不限于：中心网络的驱动单元、sink 单元的面积和中心网络的邻居网络的数量；所述中心网络的邻居网络的特征包括但不限于：扇入网络数量，扇出网络数量，驱动单元面积，sink单元面积和/或sink 单元面积的标准差。
5.根据权利要求1所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述每个网络对应的半周长为包含网络驱动引脚和负载引脚的最小矩形的长宽之和。
6.根据权利要求1所述的一种基于图神经网络的布局后物理特征预测方法，其特征在于：所述物理特征预测网络...
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。