【】本发明涉及半导体芯片,具体涉及一种基于k-means聚类算法的芯片内部温度传感器布置方法。
背景技术
0、
背景技术:
1、当前芯片内部温度传感器的布置大部分是凭借经验,或通过热仿真在热点上放置温度传感器,大的处理器或计算单元一般放置1-2个温度传感器,用于提升覆盖度和可靠性。但对于小的ip或模拟电路热点比较分散且数量较大,考虑到温度传感器的通路数量和成本,不能每个点都放置一个温度传感器,一是成本和面积不允许,二是设计复杂度也大大增加。所以需要在检测精度允许的条件下,多个热点共用一个温度传感器,这样可以节约成本、面积和降低设计复杂度。
2、k-means聚类算法,即k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法,其步骤是,预将数据分为k组,则随机选取k个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。
3、对专利数据库进行检索,检索到以下相关专利。
4、相关检索结果1:美国申请(专利)号:us20180073933a1,名称:动态快速的局部热点搜索和实时温度监测(dynamic and fast local hotspot search and real timetemperature monitoring)。1、该专利技术实现上,主要实现通过已经布置的温度传感器采集到的温度信息计算加权平均从而得到周边热点的温度值,根据计算得到的周边热点的温度值与阈值一比较,温度传感器检测到的热点的温度值与阈值二比较,如超出阈值则进行相应的防护;改专利并非半导体芯片技术,并非实现芯片设计成本与温度检测准确性的平衡;2.在面向对象上,该专利针对的是温度传感器的采集和计算,并非针对温度传感器布置。
5、相关检索结果2:中国专利文献:cn102662914b,名称:一种微处理器热传感器的配置方法,该方法包括在微处理器上运行多种工作模式的步骤,利用功耗计算单元计算微处理器在不同工作模式下的功耗,以及利用温度分布计算单元计算功耗下的温度分布;对不同工作模式下获得的温度分布进行数据处理,获取微处理器各模块的热点分布堆叠图;设置热点监测误差上限值,根据上限值对热点堆叠图中数据点进行考虑奇异点的优化双聚类,得到热点聚类结果;并根据聚类结果为每个聚类配置一个热传感器,将热传感器放置在聚类所包含的所有热点的质量中心,即温度值的平均权重点,并确保所有热点的温度在设定的最大误差范围内被监测;具有测量精度高、成本低等优点。该专利使用到了k-means聚类算法,但是没有通过轮廓系数优化k值,温度传感器的布置需要在成本和面积允许的条件下优化。
6、本发明针对没有通过轮廓系数优化k值,温度传感器的布置需要在成本和面积允许的条件下优化的技术问题,对基于k-means聚类算法的芯片内部温度传感器布置方法进行了技术改进。
技术实现思路
0、
技术实现要素:
1、本发明的目的是,提供一种基于k-means聚类算法,通过轮廓系数优化k值,实现成本与准确性之间平衡的芯片内部温度传感器布置方法。
2、为实现上述目的,本发明采取的技术方案是一种基于k-means聚类算法的芯片内部温度传感器布置方法,包括以下步骤:
3、s1、通过热仿真确定芯片内部热点位置坐标;
4、s2、根据芯片内部热点分布和预期布置温度传感器数量,将芯片内部热点分为k组;
5、s3、通过k-means算法,随机生成k组芯片内部热点的k个质心位置,不断优化质心与本组热点之间的欧氏距离,最终质心收敛到欧氏距离最短位置;
6、s4、根据轮廓系数与k值的关系,合并符合聚类条件的本组及离本组距离最近组芯片内部热点为一组芯片内部热点,获得最佳k值,并根据最佳k值执行步骤s3,重新计算k组芯片内部热点质心;
7、s5、根据步骤s4最终计算得到的k组芯片内部热点质心坐标布置温度传感器,并通过热仿真查看k组芯片内部热点质心温度值,确认在误差允许范围之内。
8、优选地,所述的一种基于k-means聚类算法的芯片内部温度传感器布置方法,还包括以下步骤:
9、s6、如步骤s5本组芯片内部热点质心温度值超出误差允许范围,则通过增加本组芯片内部热点质心的方式进行优化。
10、优选地,步骤s4:所述轮廓系数其中,a表示本组芯片内部热点质心与本组芯片内部热点的平均距离,b表示本组芯片内部热点质心与离本组距离最近组芯片内部热点的平均距离。
11、优选地,所述轮廓系数s取值范围为(-1,1),当s越接近于1,则本组及离本组距离最近组芯片内部热点聚类效果越好,越接近-1,则本组及离本组距离最近组芯片内部热点聚类效果越差。
12、优选地,所述聚类条件为所述轮廓系数接近于1。
13、优选地,所述聚类条件为所述轮廓系数>0.5。
14、本发明一种基于k-means聚类算法的芯片内部温度传感器布置方法有益效果如下:使用k-means聚类算法解决了大量分散热点的温度传感器布置合理性问题,通过k-means聚类算法快速找到分散热点质心,并根据预期放置的温度传感器数量设置k值,以保证在成本和面积允许的条件下更加合理和高效的布置温度传感器。
1.一种基于k-means聚类算法的芯片内部温度传感器布置方法,其特征在于包括以下步骤:
2.根据权利要求1所述的一种基于k-means聚类算法的芯片内部温度传感器布置方法,其特征在于还包括以下步骤:
3.根据权利要求1所述的一种基于k-means聚类算法的芯片内部温度传感器布置方法,其特征在于步骤s4:所述轮廓系数其中,a表示本组芯片内部热点质心与本组芯片内部热点的平均距离,b表示本组芯片内部热点质心与离本组距离最近组芯片内部热点的平均距离。
4.根据权利要求3所述的一种基于k-means聚类算法的芯片内部温度传感器布置方法,其特征在于:所述轮廓系数s取值范围为(-1,1),当s越接近于1,则本组及离本组距离最近组芯片内部热点聚类效果越好,越接近-1,则本组及离本组距离最近组芯片内部热点聚类效果越差。
5.根据权利要求4所述的一种基于k-means聚类算法的芯片内部温度传感器布置方法,其特征在于:所述聚类条件为所述轮廓系数接近于1。
6.根据权利要求5所述的一种基于k-means聚类算法的芯片内部温度传感器布置方法,其特征在于:所述聚类条件为所述轮廓系数>0.5。