一种模拟电路原理图结构化特性表示的方法及系统与流程

1.本发明涉及电子技术领域，尤其涉及一种模拟电路原理图结构化特性表示的方法及系统。


背景技术：

2.新一代人工智能为各行各业实现数字化智能化升级转型和跨跃性发展提供了可行路径，电子设计自动化(electronic design automation，eda)技术作为集成电路设计的基础工具，，由于数字集成电路设计中的约束相对简单，其后端设计已实现了高度自动化。而模拟集成电路版图设计的自动化程度远低于数字集成电路，由于模拟集成电路中的约束复杂性，电路结构的结构多样性等多种问题，造成模拟集成电路目前大多数仍为手工设计。缺乏自动化辅助设计的版图工作将变得费时费力且易于出错，延长了版图交付的周期，使得模拟电路的设计成为芯片研发瓶颈。
3.随着芯片产业与人工智能技术的不断发展，从业人员与学者开始着眼于利用人工智能技术解决模拟芯片设计中的种种问题，电路结构中蕴含着丰富的专家经验，将电路结构以结构化的方式进行表述，是实现电路结构复用，专家经验应用的关键环节。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，本发明提供了一种模拟电路原理图结构化特性表示的方法及系统，从而可以快速实现电路结构以结构的方式进行表述，加快了模拟电路的设计。
5.为了解决上述问题，本发明提出了一种模拟电路原理图结构化特性表示的方法，所述方法包括：
6.对描述电路元件连接关系的网表进行预处理生成预处理数据；
7.将预处理数据基于孪生网络模型识别是否存在与标准原理图基础数据所对应的同一电路基础结构；
8.基于同一电路基础结构的数据对网表中的各模拟电路单元进行连接关系的向量化表达；
9.对向量化表达后的各个模拟电路单元进行各模拟电路单元间的参数化表达；
10.将实现参数化表达后的结果输出展示。
11.所述网表包括：模块对象、引脚对象、网线对象、端口对象和时钟对象。
12.所述对描述电路元件连接关系的网表进行预处理生成预处理数据包括：
13.对网格中的空白行进行删除，并对网格格式进行调整。
14.所述将预处理数据基于孪生网络模型识别是否存在与标准原理图基础数据所对应的同一电路基础结构包括：
15.使用公开数据集训练孪生网络，再以迁移学习的方式使用在公开数据集训练过的参数，初始化孪生网络，在小规模标准原理图基础结构数据集上进行再训练，得到训练好的
孪生网络；
16.通过将标准原理图基础数据与待分类的预处理数据同时送入孪生网络，其两个子网络各自接收一个输入，输出嵌入高维度空间的表征，通过计算两个表征的距离比较两个样本的相似程度，多次重复将相似度最高的作为待分类结构的识别结果。
17.所述通过计算两个表征的距离比较两个样本的相似程度包括：
18.通过计算两个表征的欧式距离比较两个样本的相似程度。
19.所述通过计算两个表征的欧式距离比较两个样本的相似程度包括：
20.使用对比损失函数来表达所生产的特性向量的欧式距离。
21.相应的，本发明还提供了一种模拟电路原理图结构化特性表示的系统，所述系统包括：
22.数据输入模块，用于对描述电路元件连接关系的网表进行预处理生成预处理数据；
23.基础结构识别模块，用于将预处理数据基于孪生网络模型识别是否存在与标准原理图基础数据所对应的同一电路基础结构；
24.特征表达模块，用于基于同一电路基础结构的数据对网表中的各模拟电路单元进行连接关系的向量化表达；
25.结构化表示模式，用于对向量化表达后的各个模拟电路单元进行各模拟电路单元间的参数化表达；
26.结果展示模块，用于将实现参数化表达后的结果输出展示。
27.所述网表包括：模块对象、引脚对象、网线对象、端口对象和时钟对象。
28.所述数据输入模块用于对网格中的空白行进行删除，并对网格格式进行调整。
29.所述基础结构识别模块用于使用公开数据集训练孪生网络，再以迁移学习的方式使用在公开数据集训练过的参数，初始化孪生网络，在小规模标准原理图基础结构数据集上进行再训练，得到训练好的孪生网络；通过将标准原理图基础数据与待分类的预处理数据同时送入孪生网络，其两个子网络各自接收一个输入，输出嵌入高维度空间的表征，通过计算两个表征的距离比较两个样本的相似程度，多次重复将相似度最高的作为待分类结构的识别结果。
30.本发明通过对模拟电路所表达的网表进行数据处理，然后通过孪生网络模型来匹配相应的电路基础结构，能快速匹配网络中各个模拟电路单元之间所表达的特征向量和参数向量，使得模拟电路结构化特性能得到较好的匹配和展示，从而能满足模拟电路的设计需求，使得对模拟电路原理图的版图设计能快速校验和交付，提升了模拟电路的设计需求。
附图说明
31.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
32.图1是本发明实施例中的模拟电路原理图结构化特性表示的方法流程图；
33.图2是本发明实施例中的模拟电路原理图结构化特性表示的系统结构示意图；
34.图3是本发明实施例中的模拟电路原理图的参考示例图。
具体实施方式
35.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
36.具体的，图1示出了本发明实施例中的模拟电路原理图结构化特性表示的方法流程图，所述方法包括：
37.s11、对描述电路元件连接关系的网表进行预处理生成预处理数据；
38.需要说明的是，网表(netlist)是用于描述电路元件相互之间连接关系的，是在电路设计过程中生成的文件，网表中有5类重要的对象，分别为模块(cell)、引脚(pin)、网线(net)、端口(port)和时钟(clock)，即网表包括：模块对象、引脚对象、网线对象、端口对象和时钟对象。
39.具体的，对描述电路元件连接关系的网表进行预处理生成预处理数据包括：对网格中的空白行进行删除，并对网格格式进行调整，完成预处理过程后的数据就是预处理数据。
40.s12、将预处理数据基于孪生网络模型识别是否存在与标准原理图基础数据所对应的同一电路基础结构；
41.这里将预处理数据基于孪生网络模型识别是否存在与标准原理图基础数据所对应的同一电路基础结构包括：使用公开数据集训练孪生网络，再以迁移学习的方式使用在公开数据集训练过的参数，初始化孪生网络，在小规模标准原理图基础结构数据集上进行再训练，得到训练好的孪生网络；通过将标准原理图基础数据与待分类的预处理数据同时送入孪生网络，其两个子网络各自接收一个输入，输出嵌入高维度空间的表征，通过计算两个表征的距离比较两个样本的相似程度，多次重复将相似度最高的作为待分类结构的识别结果。
42.这里通过计算两个表征的距离比较两个样本的相似程度包括：通过计算两个表征的欧式距离比较两个样本的相似程度。这里通过计算两个表征的欧式距离比较两个样本的相似程度包括：使用对比损失函数来表达所生产的特性向量的欧式距离。
43.需要说明的是，s12用于判断输预处理数据是否属于同一电路基础结构，该识别判断的过程是通过一个孪生网络来完成，首先使用利用公开数据集训练孪生网络，再以迁移学习的方式使用在公开数据集训练过的参数，初始化孪生网络，在小规模标准原理图基础结构数据集上进行再训练，得到训练好的孪生网络。通过将标准原理图基础数据与待分类的预处理数据同时送入孪生网络，其两个子网络各自接收一个输入，输出其嵌入高维度空间的表征，通过计算两个表征的距离，例如欧式距离，以比较两个样本的相似程度，多次重复将相似度最高的作为待分类结构的识别结果。
44.孪生网络模型可以采用经典的分类模型结构包括，resnet、vgg、transformer等经典网络架构，孪生网络有两个对称的神经网络组成，具有相同的权重和架构。两个不同的输入分别输入两个分支网络，得到特征向量，通过计算两个特征向量的相似度，判断两个输入
是否为同类。
45.孪生网络训练的目的是尽量使同种之间生成的特征向量的距离尽量靠近，不同种之间的生成的特征向量的距离尽量远离。为了实现以上功能，特别的使用对比损失函数(contrastive loss)，表达如下：
[0046][0047]
其中d＝‖a
n-bn‖2，d代表两个样本特征的欧氏距离，an为一个样本，bn为一个样本；n代表同一批有几个数据，y为两个样本是否匹配的标签，y＝1代表两个样本相似或者匹配，y＝0则代表不匹配，margin为设定的阈值，l为所求的损失函数值，主要是用在降维中，即本来相似的样本，在经过降维(特征提取)后，在特征空间中，两个样本仍旧相似；而原本不相似的样本，在经过降维后，在特征空间中，两个样本仍旧不相似。
[0048]
s13、基于同一电路基础结构的数据对网表中的各模拟电路单元进行连接关系的向量化表达；
[0049]
例如：晶体管1与晶体管2的连接关系可以表示为：
[0050]
tc
1-2
＝{tc
d1-2
，tc
g1-2
，tc
s1-2
}
[0051]
其中：d表示漏极、g表示栅极、s表示源极。
[0052]
tc
d1-2
可以被以下表示：
[0053]
tc
d1-2
＝{tc
d-d1-2
，tc
d-g1-2
，tc
d-s1-2
}；
[0054]
tcg1-2、tcs1-2也可以被类似的表示。
[0055]
这里结合图3所示的模拟电路原理图为例进行说明，其作为本实施例中的模拟电路原理图的参考示例图，这里关于m1、m2的网表为：
[0056]
m1 a a vdd vdd pm；
[0057]
m2 b a vdd vdd pm。
[0058]
m1与m2的连接关系可以表示为
[0059]
tc
1-2
＝{tc
d-g1-2
，tc
g-g1-2
，tc
s-s1-2
}；
[0060]
tc
2-1
＝{tc
g-d2-1
，tc
g-g2-1
，tc
s-s2-1
}。
[0061]
s14、对向量化表达后的各个模拟电路单元进行各模拟电路单元间的参数化表达；
[0062]
需要说明的是，这里结合s13中各模拟电路间的向量化表达进行参数化表达，这里通过以下公式计算连接权重：
[0063][0064]
连接权重为γi→j/γj→i，当i与j相连时，当i与j不相连时，γi→j代表器件i到器件j的连接权重；代表一个电路模块内部i器件到j器件的由p引脚到q引脚的连接权重；p代表i器件的p引脚，q代表j器件的q引脚，np代表器件i中共有n
p
个引脚，nq代表器件j中共有nq个引脚。
[0065]
这里以图3为例进行说明如下：
[0066]
tc
1-2＝
{2，16，256}；
[0067]
tc
2-1
＝{8，16，256}；
[0068][0069]
最终得到m1与m2连接关系的参数化表达：m1 274/280 m2。
[0070]
s15、将实现参数化表达后的结果输出展示。
[0071]
该步骤可以实现对结构化表示结果进行随机展示。
[0072]
相应的，本发明还提供了一种模拟电路原理图结构化特性表示的系统，所述系统包括：
[0073]
数据输入模块，用于对描述电路元件连接关系的网表进行预处理生成预处理数据；
[0074]
基础结构识别模块，用于将预处理数据基于孪生网络模型识别是否存在与标准原理图基础数据所对应的同一电路基础结构；
[0075]
特征表达模块，用于基于同一电路基础结构的数据对网表中的各模拟电路单元进行连接关系的向量化表达；
[0076]
结构化表示模式，用于对向量化表达后的各个模拟电路单元进行各模拟电路单元间的参数化表达；
[0077]
结果展示模块，用于将实现参数化表达后的结果输出展示。
[0078]
所述网表包括：模块对象、引脚对象、网线对象、端口对象和时钟对象。
[0079]
所述数据输入模块用于对网格中的空白行进行删除，并对网格格式进行调整。
[0080]
所述基础结构识别模块用于使用公开数据集训练孪生网络，再以迁移学习的方式使用在公开数据集训练过的参数，初始化孪生网络，在小规模标准原理图基础结构数据集上进行再训练，得到训练好的孪生网络；通过将标准原理图基础数据与待分类的预处理数据同时送入孪生网络，其两个子网络各自接收一个输入，输出嵌入高维度空间的表征，通过计算两个表征的距离比较两个样本的相似程度，多次重复将相似度最高的作为待分类结构的识别结果。
[0081]
孪生网络模型可以采用经典的分类模型结构包括，resnet、vgg、transformer等经典网络架构，孪生网络有两个对称的神经网络组成，具有相同的权重和架构。两个不同的输入分别输入两个分支网络，得到特征向量，通过计算两个特征向量的相似度，判断两个输入是否为同类。
[0082]
孪生网络训练的目的是尽量使同种之间生成的特征向量的距离尽量靠近，不同种之间的生成的特征向量的距离尽量远离。为了实现以上功能，特别的使用对比损失函数(contrastive loss)，表达如下：
[0083][0084]
其中d＝‖a
n-bn‖2，d代表两个样本特征的欧氏距离，an为一个样本，bn为一个样本；n代表同一批有几个数据，y为两个样本是否匹配的标签，y＝1代表两个样本相似或者匹配，y＝0则代表不匹配，margin为设定的阈值，l为所求的损失函数值，主要是用在降维中，即本来相似的样本，在经过降维(特征提取)后，在特征空间中，两个样本仍旧相似；而原本不相似的样本，在经过降维后，在特征空间中，两个样本仍旧不相似。
[0085]
综上，本发明实施例通过对模拟电路所表达的网表进行数据处理，然后通过孪生网络模型来匹配相应的电路基础结构，能快速匹配网络中各个模拟电路单元之间所表达的特征向量和参数向量，使得模拟电路结构化特性能得到较好的匹配和展示，从而能满足模拟电路的设计需求，使得对模拟电路原理图的版图设计能快速校验和交付，提升了模拟电路的设计需求。
[0086]
以上对本发明实施例进行了详细介绍，本文中采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。