【技术实现步骤摘要】
本专利技术属于集成电路设计自动化，具体涉及一种面向电路仿真分区技术的基于机器学习的剪枝方法。
技术介绍
1、晶体管级电路仿真在验证集成电路功能和性能方面是不可或缺的一个环节。然而，快速增加的电路规模和后版图设计中复杂的寄生效应限制了仿真效率，从而延迟了芯片上市时间。考虑到电路通常具有本地特性，也就是说，电路中的节点通常只与附近节点是强连接的，同时大规模电路设计通常是层次化和结构化的，因此分区技术被广泛应用于电路仿真以提升仿真效率。分区技术，有时也称为区域分解方法，基于一种分而治之的思想，将一个电路分割成多个子电路和一个耦合电路。这些子电路相互独立并且可以被同时求解，而包含子电路之间交互信息的耦合电路只能被串行求解。分区技术的优势在于，不仅多个子电路可以被并行求解，而且每个子电路也可以通过挖掘自身的稀疏结构来实现并行求解。此外，与分布式计算平台相结合，分区技术还能够缓解单台计算机的内存压力，这对于大规模电路仿真来说是非常有用的。
2、尽管分区技术具有许多优点，但由于耦合电路产生的矩阵较为稠密，使得求解过程变得耗时，限制了分区技术的可扩展性。国内外许多研究尝试减少求解耦合电路的计算代价。一个研究方向是优化电路分割算法来减少耦合电路的规模。电路分割是一个np-难问题，且已被广泛研究过，目前技术相对比较成熟。电路分割算法专注于减少耦合电路的规模而非稠密度。另一个研究方向是使用分区技术求解原始电路的一个近似电路以得到近似求解结果，然后使用迭代法细化该结果直到满足精度需求，从而避免计算稠密的耦合电路。例如，施瓦兹方法将电路分割成
3、然而，对于大多数电路仿真场景，复杂的拓扑结构会导致电路矩阵变得不规则。直接法，例如lu分解，对于求解不规则或病态矩阵具有良好的鲁棒性。因此，在电路仿真中，它们依旧是被最广泛使用的方法。尽管基于lu分解的分区技术无法避免求解耦合电路，但是剪枝方法可以在牺牲微弱精度的前提下，显著减少稠密度，从而改善分区技术的可扩展性。一方面，过度的剪枝可能会移除必要的电路连接或重要的寄生效应，导致精度骤降。另一方面，不充足的剪枝无法最小化计算负载，没有达到最优性能。因此，如何找到合适的剪枝阈值，使得仿真精度在满足用户需求的前提下，最小化计算负载，是有必要的。
技术实现思路
1、本专利技术的目的在于针对电路仿真中耦合电路过于稠密导致分区技术可扩展性不佳的问题，提供一种面向电路仿真分区技术的基于机器学习的剪枝方法，使得仿真精度得到精确控制的同时最大限度的减少耦合电路的稠密度，从而改善分区技术的可扩展性；
2、为了实现上述目的，本专利技术采用以下技术方案：一种面向电路仿真分区技术的基于机器学习的剪枝方法，包括：
3、s01：使用电路仿真工具对给定的电路网表执行仿真任务并计算仿真精度，通过扫描子电路的数量和耦合电路的剪枝阈值，获得大量样本；
4、s02：将剪枝阈值作为样本的标签，通过对样本标签进行预处理，使得电路仿真工具在难以提升性能的前提下尽可能的维持高仿真精度；
5、s03：通过分析剪枝阈值与仿真精度之间的关系提取相关特征；
6、s04：将仿真步数、仿真精度、子电路数量、以及s03步骤中提取的特征作为样本的输入特征，基于生成的样本集训练机器学习模型；
7、s05：将训练完成的模型嵌入到电路仿真工具中，依据用户给定的仿真精度预测每个子电路的剪枝阈值，并对耦合电路进行剪枝。
8、进一步地，所述步骤s01中子电路的数量与电路仿真的并行度相等，由用户指定。
9、进一步地，所述步骤s01中剪枝阈值获取步骤包括：
10、步骤s011：确定每个子电路剪枝阈值的上限和每个电路网表需要生成的样本数量；
11、步骤s012：通过样本数量对每个子电路剪枝阈值的上限进行等分得到每个子电路剪枝阈值的扫描点；
12、步骤s013：针对每个子电路相同位置的扫描点使用约束随机扫描方法确定各自的剪枝阈值。
13、进一步地，所述步骤s02中每个子电路的剪枝阈值需要进行同等缩放，使得样本标签包含一个缩放因子和缩放之前的剪枝阈值。
14、进一步地，所述步骤s02中预处理过程涉及到将精度下降较快而性能提升缓慢的样本标签修改为呈现该趋势起点位置的样本所对应的标签。
15、进一步地，所述步骤s03中的特征是针对整体电路矩阵和连接各个子电路矩阵所提取的特征，主要包括稀疏度、对称度、带宽和变异系数。
16、进一步地，所述步骤s04中机器学习模型是包含两个隐藏层的多层感知机神经网络，其中两个隐藏层具体为：
17、第一个隐藏层由三个部分组成，第一个部分包含两个神经元，分别与仿真步数和仿真精度这两个输入特征相连，第二个部分包含n1个神经元，与子电路数量和针对整体矩阵所提取的特征全连接；第三个部分包括n2个神经元，与针对子电路所提取的特征全连接；
18、第二个隐藏层包含n3个神经元，与第一个隐藏层中的所有神经元全连接；
19、其中，n1、n2、n3为模型架构的超参数。
20、进一步地，所述机器学习模型的所有神经元的激活函数为sigmoid()函数，所述机器学习模型训练方法为反向传播算法。
21、进一步地，所述步骤s05中需要将模型预测的剪枝阈值缩小为原先数值的0.9～1.0倍，以防止模型预测失败使得剪枝阈值过大从而导致仿真精度可能不满足用户需求的问题。
22、有益效果：
23、1、基于机器学习的智能剪枝算法能够对剪枝阈值和仿真精度之间复杂的非线性关系进行高精度建模，进而能够确保仿真精度得到有效控制的同时，最大限度的减少耦合电路的稠密度。
24、2、提取的特征包括稀疏矩阵的固有特征和自定义特征，可以有效反映剪枝阈值对仿真精度的影响，进而能够帮助训练高精度的机器学习模型。
25、3、约束随机扫描方法能够在维持样本集高覆盖率的前提下，避免生成冗余的样本。
26、4、该方法在没有引入迭代法的前提下改善了分区技术的可扩展性，具有良好的鲁棒性和普适性。
本文档来自技高网...【技术保护点】
1.一种面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，包括：
2.根据权利要求1所述面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，所述步骤S01中子电路的数量与电路仿真的并行度相等，由用户指定。
3.根据权利要求1所述面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，所述步骤S01中剪枝阈值获取步骤包括：
4.根据权利要求1所述面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，所述步骤S02中每个子电路的剪枝阈值需要进行同等缩放，使得样本标签包含一个缩放因子和缩放之前的剪枝阈值。
5.根据权利要求1所述面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，所述步骤S02中预处理过程涉及到将精度下降较快而性能提升缓慢的样本标签修改为呈现该趋势起点位置的样本所对应的标签。
6.根据权利要求1所述面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，所述步骤S03中的特征是针对整体电路矩阵和连接各个子电路矩阵所提取的特征，主要包括稀疏度、对称度、带宽和变异系数。
7.
8.根据权利要求7所述面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，所述机器学习模型的所有神经元的激活函数为sigmoid()函数，所述机器学习模型训练方法为反向传播算法。
9.根据权利要求1所述面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，所述步骤S05中需要将模型预测的剪枝阈值缩小为原先数值的0.9～1.0倍，以防止模型预测失败使得剪枝阈值过大从而导致仿真精度可能不满足用户需求的问题。
...【技术特征摘要】
1.一种面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，包括：
2.根据权利要求1所述面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，所述步骤s01中子电路的数量与电路仿真的并行度相等，由用户指定。
3.根据权利要求1所述面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，所述步骤s01中剪枝阈值获取步骤包括：
4.根据权利要求1所述面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，所述步骤s02中每个子电路的剪枝阈值需要进行同等缩放，使得样本标签包含一个缩放因子和缩放之前的剪枝阈值。
5.根据权利要求1所述面向电路仿真分区技术的基于机器学习的剪枝方法，其特征在于，所述步骤s02中预处理过程涉及到将精度下降较快而性能提升缓慢的样本标签修改为呈现该趋势起点位置的样本所对应的标签。
6.根据权利要求1...
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。