【技术实现步骤摘要】
本专利技术属于电子工程中评估稀有事件的方法领域，具体涉及一种应用于电子工程中高sigma场景的失效区域评估方法。
技术介绍
1、高sigma场景下的集成电路(ic)组件生产，在数亿或数十亿个实例中最多只能容忍几个缺陷。这是因为这些组件通常以大规模阵列的形式复制，因此生产一个正常工作的产品需要大量的复制组件都能正确工作。一旦在制造过程中发生波动，这可能导致性能偏差甚至故障。因此，分析ic良率已成为一项关键任务。
2、传统的蒙特卡罗(mc)方法是评估ic良率的常用技术，其是通过模拟电路过程中的偏差，以收集大量电路数据，然后模拟所有电路以确定失败电路的数量，最终得出电路良率计算。其在高sigma场景下应用效率较低，因为需要大量仿真以捕捉稀有失效事件，导致计算资源和时间成本巨大。为了解决这一问题，行业中提出了多种加速蒙特卡罗方法(如重要性采样和模型替代方法)，以及高sigma蒙特卡罗(hsmc)方法等。这些方法虽然在减少样本数量和提高仿真效率方面取得了一些进展，但现有方法往往忽视了替代模型在失效区域排序中的重要性，导致对失效事件的捕捉不准确。
3、针对这些方法，具体分析如下：1、传统蒙特卡罗方法：尽管结果可靠且适用于不同维度的电路设计，但在高sigma场景下，所需的样本数量极其庞大，导致计算时间和资源消耗巨大；2、加速蒙特卡罗方法：如重要抽样方法虽然能够减少仿真样本数量，但在处理大规模变量时表现不佳，容易导致失效概率估算偏差；3、高sigma蒙特卡罗方法(hsmc)：hsmc通过优先处理失效样本来减少仿真次数，但
4、加权秩(weighted rank)是一种在排名或评分系统中考虑不同因素或特征权重的排名方法。与简单的排名不同，加权秩允许某些因素对最终排名的影响更大，而其他因素的影响较小。将加权秩的算法应用于该评估方法之中，将稀有事件区域中的不同影响因素进行权重的排名，进而评估各种稀有事件的发生概率，申请人认为这显然能克服现有技术的局限性。
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种应用于电子工程中高sigma场景的失效区域评估方法，该种评估方法通过加权秩相关算法，对替代模型在稀有事件区域的排序偏差进行评估，提升了失效样本捕捉的准确性。
2、为解决上述技术问题，本专利技术采用如下技术方案：应用于电子工程中高sigma场景的失效区域评估方法，包括以下步骤：
3、第一步：建立初始样本sam初始：自总样本集sam总中随机选取初始样本sam初始，初始样本sam初始的数量qua初始满足公式(1)：qua初始＝max(qua总/1000，1000) (1)，其中，qua总为总样本数量，初始样本数量qua初始为总样本数量qua总的千分之一，且不少于1000。这一数量要求，既保证了初始样本sam初始涵盖总样本集sam总的基本特征，又能控制计算量。
4、第二步：建立预测模型：对选取的初始样本sam初始进行仿真，得到仿真结果ys初始，使用仿真结果ys初始训练机器学习等效替代模型，生成预测模型。
5、优选的，所述仿真工具采用spice电路仿真工具。
6、优选的，可以采用ffx算法、线性回归、lasso回归、lightgbm等替代模型建立预测模型。
7、第三步：筛选高风险样本sam风险：利用预测模型对剩余样本sam剩余进行预测，得到预测结果yp剩余，其中剩余样本sam剩余为总样本集sam总中去除初始样本sam初始之后的样本集合，剩余样本sam剩余的预测结果yp剩余进行从大到小的排列，自大到小选取高风险样本sam风险，高风险样本sam风险的数量qua风险满足公式(2)：qua风险＝max(qua总/2000，500) (2)，其中，qua总为总样本数量，高风险样本sam风险的数量qua风险为总样本数量qua总的万分之五，且不少于500，高风险样本sam风险的预测值为yp风险。
8、利用初始样本sam初始训练预测模型，然后利用该预测模型对大量的剩余样本sam剩余进行预测，将预测结果排名之后，选取一定数量的、排名靠前的剩余样本sam剩余作为高风险样本sam风险进行进一步的分析、推算，排名靠后的剩余样本sam剩余其发生失效的极低，故不进行研究。
9、第四步：仿真高风险样本sam风险：对高风险样本sam风险进行仿真，得到仿真结果，并对仿真结果进行从大到小的排列，得到仿真结果ys风险。
10、第五步：计算数值偏移量δd和平均数值偏移量δd平均：将从大到小排列的仿真结果ys风险逐个计算相邻两个预测值之间的差值，即δdi＝(ys风险)i-(ys风险)i+1 (3)，其中i为≤高风险样本sam风险的数量qua风险的每个自然数-1；而整个风险样本sam风险的平均数值偏移量
11、第六步：确定接近失效区域样本sam接近和次接近失效区域样本sam次接近：设置一仿真值阈值thr实际，则接近失效区域样本sam接近的阈值thr接近＝thr实际-3δd平均 (5)，次接近失效区域样本sam次接近的阈值thr次接近＝thr实际-6δd平均 (6)。
12、仿真值大于等于thr接近的样本作为接近失效区域样本sam接近，而仿真值大于等于次接近失效区域样本阈值thr次接近而小于接近失效区域样本阈值thr接近的样本作为次接近失效区域样本sam次接近，则接近失效区域样本sam接近的数量为qua接近，次接近失效区域样本sam次接近的数量为qua次接近。
13、第七步：确定普通区域样本sam普通：高风险样本sam风险之中去除接近失效区域样本sam接近和次接近失效区域样本sam次接近之后的样本，为普通区域样本sam普通，则普通区域样本sam普通的数量qua普通满足公式(9)，qua普通＝qua风险-qua接近-qua次接近 (7)。
14、第八步：计算预测结果的排序偏移量δrank：比较高风险样本sam风险中每个样本数据仿真结果ys风险和预测结果yp风险排序差值，即得到排序偏移量δrank，排序偏移量δrank满足公式(8)：
15、δranki＝|rank(ys风险)i-rank(yp风险)i| (8)，其中，i为≤高风险样本sam风险的数量qua风险的每个自然数，rank(ys风险)为仿真结果ys风险的排名序号，rank(yp风险)为预测结果yp风险的排名序号；
16、第九步：计算接近失效区域样本sam接近的斯皮尔曼秩系数ρ1：如公式(9)，即其中，公式中的δranki’取值情况如下：
17、其中thr1和thr2为人为设定接近失效区域样本一级阈值thr1和接近失效区域样本二级阈值thr2。
18、当δd≤thr1时，认为该样本排序非常精准，接近失效区域，因本文档来自技高网...
【技术保护点】
1.应用于电子工程中高Sigma场景的失效区域评估方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种应用于电子工程中高Sigma场景的失效区域评估方法，其特征在于：0.6≤α1＜0.7，0.2≤α2＜0.3。
3.根据权利要求1所述的一种应用于电子工程中高Sigma场景的失效区域评估方法，其特征在于：高风险样本Sam风险依情况划分为n个区域，通过计算每个区域的斯皮尔曼秩系数，并定义每个区域的权重，计算最终的加权秩相关性评估结果，其计算如公式(13)，其中，ρfinal为最终的加权秩相关性评估结果，ρi为第i个区域样本的斯皮尔曼秩相关系数，αi为第i个区域的权重，由人为定义而得，且满足n≥2。
4.根据权利要求3所述的一种应用于电子工程中高Sigma场景的失效区域评估方法，其特征在于：将高风险样本Sam风险依情况划分为4个区域，分别为接近失效区域、次接近失效区域、扩展区域和普通区域，其权重分别为α1、α2、α3和α4，其斯皮尔曼秩系数分别为ρ1、ρ2、ρ3和ρ4，则最终加权秩结果ρfinal＝α1·ρ1+α2·ρ2+α3·ρ3+α4·
5.根据权利要求1所述的一种应用于电子工程中高Sigma场景的失效区域评估方法，其特征在于：所述仿真工具采用Spice电路仿真工具。
6.根据权利要求1所述的一种应用于电子工程中高Sigma场景的失效区域评估方法，其特征在于：可以采用FFX算法、线性回归、Lasso回归、LightGBM等替代模型建立预测模型。
7.根据权利要求1所述的一种应用于电子工程中高Sigma场景的失效区域评估方法，其特征在于：公式(1)和公式(2)中的取值比例和最小取值数，依实际情况发生改变。
8.根据权利要求1所述的一种应用于电子工程中高Sigma场景的失效区域评估方法，其特征在于：公式(9)中Δranki’取值依实际情况发生改变。
...【技术特征摘要】
1.应用于电子工程中高sigma场景的失效区域评估方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种应用于电子工程中高sigma场景的失效区域评估方法，其特征在于：0.6≤α1＜0.7，0.2≤α2＜0.3。
3.根据权利要求1所述的一种应用于电子工程中高sigma场景的失效区域评估方法，其特征在于：高风险样本sam风险依情况划分为n个区域，通过计算每个区域的斯皮尔曼秩系数，并定义每个区域的权重，计算最终的加权秩相关性评估结果，其计算如公式(13)，其中，ρfinal为最终的加权秩相关性评估结果，ρi为第i个区域样本的斯皮尔曼秩相关系数，αi为第i个区域的权重，由人为定义而得，且满足n≥2。
4.根据权利要求3所述的一种应用于电子工程中高sigma场景的失效区域评估方法，其特征在于：将高风险样本sam风险依情况划分为4个区域，分别为接近失效区域、次接近失效区域、扩展区域和普通区域，其权重分别为α1、α2、α3和...
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。