基于图学习的签核级互连线延时估算方法及系统

本发明涉及芯片互连线延时估算，具体地，涉及一种基于图学习的签核级互连线延时估算方法及系统。

背景技术：

1、当前针对签核阶段的互连线延时预测主要还是采用数学方法，目前基于机器学习的方法还处于实验阶段，且需要提取大量的特征，因此降低了预测效率。

2、专利文献cn116151324a公开了一种基于图神经网络的rc互连延时预测方法，本方法根据spef寄生参数网表，首先基于dfs(depthfirstsearch)算法搜索得到若干rc路径，并将每条rc路径进行图表示，其中rc路径中的节点对应图的节点，节点之间的连接关系对应图的边，对地电容值、耦合电阻值分别定义为图的节点属性和边属性；然后再经由基于图卷积神经网络的推理框架进行延时推理得到结果。

3、但是专利文献cn116151324a主要针对于布局布线阶段的rc互连延时估算，而对于签核阶段的互连线延时预测准确度及效率均还有提高空间，同时其基于dfs(depthfirstsearch)算法搜索得到若干rc路径，并将每条rc路径进行图表示的过程时间复杂度较高，在实际应用中会导致内存占用过大，处理时间过长。

4、专利文献cn102495917a公开了一种耦合互连线的静态时序分析的优化，但是该方案主要集中于求解耦合电感，而且只能用于设计前期的工艺节点数据计算互连延时估算。

5、专利文献cn102495821b公开了一种fpga可编程互连线延时分析的方法，将fpga芯片的可编程互连线网络构建成了一个rc延时网络，但是该方案主要限定于fpga芯片类型，不具有普适性。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种基于图学习的签核级互连线延时估算方法及系统。

2、根据本发明提供的一种基于图学习的签核级互连线延时估算方法，包括：

3、步骤s1：获取芯片布局版图；

4、步骤s2：提取所述芯片布局版图中的相关参数，生成对应的寄生参数文件；

5、步骤s3：对所述寄生参数文件进行解析，得到已解析的阻容网络；

6、步骤s4：根据每条互连线的阻容网络进行逐个建图，得到阻容图；

7、步骤s5：构建定制化的图神经网络，并训练所述图神经网络，用训练好的神经网络对所述阻容网络进行签核级互连线延时估算。

8、优选地，所述寄生参数文件的格式包括spef格式；

9、对所述寄生参数文件的解析步骤包括，根据寄生参数提取工具提取的标准寄生交换格式spef网表相关信息解析建立阻容网络，将商用签核工具获得的路径延时标签值标记于阻容rc网络。

10、优选地，步骤s4包括：

11、步骤s4.1：将头文件读取为列表结构，用于建立互连线代号索引；

12、步骤s4.2：遍历寄生参数文件剩余的所有互连线，对于每一个互连线建立阻容网络，将读取到的所有结点电容值写入节点，将读取到的电阻值写入到边信息，并且存为不同方向；

13、步骤s4.3：根据互连线代号索引，从签核工具生成的文件中查找输出节点对应的延时标记为标签，从工艺库中查找输出节点对应的负载电容并写入节点；

14、重复执行步骤s4.2至步骤s4.3，直至读取完寄生参数文件的所有行。

15、优选地，所述定制化的图神经网络包括反向传播层、无向传播层、正向传播层和特征聚合层；

16、所述反向传播层、无向传播层和正向传播层分别在反向边、无向和正向边上进行阻容网络的应用；

17、所述特征聚合层用于将反向传播层、无向传播层和正向传播层的隐藏特征聚合并输入回归层进行回归拟合。

18、优选地，步骤s5包括：

19、步骤s5.1：确定目标工艺，选取训练芯片用于制作数据集；

20、步骤s5.2：对于所述训练芯片在目标工艺下获取加工好的数据集及对应标签，将加工好的数据集加载到dgldataset类中；

21、步骤s5.3：通过训练函数，调用dgldataset类训练搭建好的模型，同时调整相关超参数；

22、所述超参数包括学习率、批量大小、损失函数。

23、根据本发明提供的一种基于图学习的签核级互连线延时估算系统，包括：

24、模块m1：获取芯片布局版图；

25、模块m2：提取所述芯片布局版图中的相关参数，生成对应的寄生参数文件；

26、模块m3：对所述寄生参数文件进行解析，得到已解析的阻容网络；

27、模块m4：根据每条互连线的阻容网络进行逐个建图，得到阻容图；

28、模块m5：构建定制化的图神经网络，并训练所述图神经网络，用训练好的神经网络对所述阻容网络进行签核级互连线延时估算。

29、优选地，所述寄生参数文件的格式包括spef格式；

30、对所述寄生参数文件的解析模块包括，根据寄生参数提取工具提取的标准寄生交换格式spef网表相关信息解析建立阻容网络，将商用签核工具获得的路径延时标签值标记于阻容rc网络。

31、优选地，模块m4包括：

32、模块m4.1：将头文件读取为列表结构，用于建立互连线代号索引；

33、模块m4.2：遍历寄生参数文件剩余的所有互连线，对于每一个互连线建立阻容网络，将读取到的所有结点电容值写入节点，将读取到的电阻值写入到边信息，并且存为不同方向；

34、模块m4.3：根据互连线代号索引，从签核工具生成的文件中查找输出节点对应的延时标记为标签，从工艺库中查找输出节点对应的负载电容并写入节点；

35、重复触发模块m4.2至模块m4.3，直至读取完寄生参数文件的所有行。

36、优选地，所述定制化的图神经网络包括反向传播层、无向传播层、正向传播层和特征聚合层；

37、所述反向传播层、无向传播层和正向传播层分别在反向边、无向和正向边上进行阻容网络的应用；

38、所述特征聚合层用于将反向传播层、无向传播层和正向传播层的隐藏特征聚合并输入回归层进行回归拟合。

39、优选地，模块m5包括：

40、模块m5.1：确定目标工艺，选取训练芯片用于制作数据集；

41、模块m5.2：对于所述训练芯片在目标工艺下获取加工好的数据集及对应标签，将加工好的数据集加载到dgldataset类中；

42、模块m5.3：通过训练函数，调用dgldataset类训练搭建好的模型，同时调整相关超参数；

43、所述超参数包括学习率、批量大小、损失函数。

44、与现有技术相比，本发明具有如下的有益效果：

45、1、本发明通过用定制化的图神经网络进行签核阶段的互连线时序估算，提高了签核阶段由复杂寄生参数和阻容网络所决定的互连线延时估算效率，并在保证准确度接近的情况下，相比传统的估算方法效率大幅度提供的效果。

46、2、本发明利用spef文件建立图，省去耗时的处理过程，通过增加图神经网络层数获取全局特征信息，在实际应用中减少了内存占用以及处理时间。