一种基于深度学习的模型仿真预测方法及系统与流程

本发明属于芯片设计，尤其涉及一种基于深度学习的模型仿真预测方法及系统。

背景技术：

1、在芯片设计技术领域，针对复杂继承电路的模型参数计算一直都是一项核心工作，模型仿真计算即输入一组模型参数，计算得出如电流、电容值作为输出。传统方法是通过复杂计算公式，用如拟牛顿方法计算，缺点是计算速度慢、输出与参数的偏导数不易得出，多组参数对应的多输出并行计算困难，不能直接获取仿真对参数的偏导数，迫不得已差分求导。

2、随着科技的发展，集成电路技术得到了长足的进步，集成度不断提高，功耗不断降低。与此各种复杂的应用场景对集成电路的性能和功耗提出了更高的要求。传统的硬件设计方法已经无法满足这些需求，需要借助算法设计来进行优化仿真。

技术实现思路

1、为解决上述问题，本发明的目的是提供一种基于深度学习的模型仿真预测方法及系统，能够准确的对模型的电阻、电容数据进行预测，通过神经网络训练和预测不同参数下电流、电容随bias变化曲线。

2、本发明的技术方案为：一种基于深度学习的模型仿真预测方法，包括以下步骤：确定所述模型仿真所需的多个参数，针对每个参数设定可调边界；调用nanospice仿真器获取所述多个参数的多组数据，对所述多个参数基于各自的可调边界进行归一化处理；将归一化处理后的多个参数的数据输入预先配置的深度学习模型中以训练所述深度学习模型；获取当前需要仿真预测模型的参数输入训练之后的所述深度学习模型进行预测以获取预测结果。优选的，本实施例中的所述机器学习模型可以是反卷积神经网络、全连接、gan、ae等网络，本技术方案的核心在于在以上机器学习模型的基础上，如何获取参数以及如何对参数进行预处理，使得最终能够对模型进行有效的训练，最终获得一个能够准确对模型(moudle)的电阻、电容进行预测的机器学习模型。

3、优选的，确定所述模型仿真所需的多个参数，针对每个参数设定可调边界进一步包括：基于历史真实工程经验确定所述多个参数，包括：k2、u0、ua、eu、uc、vsat、a1、a2、nfactor、eta0、etab、pclm、pdiblc、ndep；采取标准平均分布随机或是取对数后的平均分布进行随机以得到所述多个参数的多组数值；基于所述多个参数的多组数值替换预设模型卡中的对应数值。

4、优选的，在对所述多个参数基于各自的可调边界进行归一化处理之前所述方法还包括：基于预先构建的网表文件将所述多个参数的多组数值数据写入所述网表文件中，其中所述网表文件预先根据对应模型的真实测点构建；依据测量点进行划分，每个尺寸均包含多组不同的曲线。

5、优选的，对所述多个参数基于各自的可调边界进行归一化处理进一步包括：当采取标准平均分布随机方法对参数进行归一化处理时，基于每个参数的所述可调边界的上限和下限进行归一化处理，处理结果处于0～1之间；当采取取对数后的平均分布进行随机方法对参数进行归一化处理时，先将参数值取对数、每个参数的所述可调边界的上限和下限也取对数，进而基于值的对数、上限的对数以及下限的对数进行归一化处理，处理结果处于0～1之间。

6、优选的，所述方法还包括：在采取标准平均分布随机或是取对数后的平均分布进行随机以得到所述多个参数的多组数值之后，基于设定的可调边界以及物理事实进行初步筛选以预防所述仿真器出错。

7、优选的，将归一化处理后的多个参数的数据输入预先配置的所述深度学习模型中以训练所述所述深度学习模型之前还包括：通过解析模块将nanospice仿真器仿真的结果转译成tfrecord格式用于存储，以便于训练网络。

8、优选的，将归一化处理后的多个参数的数据输入预先配置的仿真器中以训练所述深度学习模型进一步还包括：采用了tensorflow.keras库中的model类的fit方法，训练集与验证集比例为6:1，每批的样本数量为600；采用adam作为优化器，学习率为1e-3，以电流、电容作为输出，损失函数选用mean squared logarithmic error。

9、基于相同的构思，本发明还提供一种基于深度学习的模型仿真预测系统，包括：参数确定模块，用于确定所述模型仿真所需的多个参数，针对每个参数设定可调边界；预处理模块，用于调用nanospice仿真器获取所述多个参数的多组数据，对所述多个参数基于各自的可调边界进行归一化处理；模型训练模块，用于将归一化处理后的多个参数的数据输入预先配置的深度学习模型中以训练所述深度学习模型；结果预测模块，用于获取当前需要仿真预测模型的参数输入训练之后的所述深度学习模型进行预测以获取预测结果。

10、基于相同的构思，本发明还提供一种电子设备，其特征在于，包括：存储器，所述存储器用于存储处理程序；处理器，所述处理器执行所述处理程序时实现上述任意一项所述的基于深度学习的模型仿真预测方法。

11、基于相同的构思，本发明还提供一种可读存储介质，其特征在于，所述可读存储介质上存储有处理程序，所述处理程序被处理器执行时实现上述任意一项所述的基于深度学习的模型仿真预测方法。

12、本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：

13、1、本发明的技术方案中，通过随机自动生成多个参数的多组数据，进行预处理，基于预处理之后的数据以及调用nanospice仿真器仿真得到的电阻、电容仿真结果输入深度学习模型对其进行训练，从而实现基于深度学习模型对电阻、电容数据进行仿真预测，通过神经网络训练和预测不同参数下电流、电容随bias变化曲线，提高仿真预测效率。

14、2、本发明中采用nanospice仿真器，通过网表来定义具体电路情况以及具体的测量情况。在生成仿真网表中时，根据一组代工厂的真实测量点构建相应的网表文件，为机器学习模型赋予了该应用场景之下的物理意义。

技术特征：

1.一种基于深度学习的模型仿真预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的模型仿真预测方法，其特征在于，确定所述模型仿真所需的多个参数，针对每个参数设定可调边界进一步包括：

3.根据权利要求2所述的基于深度学习的模型仿真预测方法，其特征在于，在对所述多个参数基于各自的可调边界进行归一化处理之前所述方法还包括：

4.根据权利要求1所述的基于深度学习的模型仿真预测方法，其特征在于，对所述多个参数基于各自的可调边界进行归一化处理进一步包括：

5.根据权利要求2所述的基于深度学习的模型仿真预测方法，其特征在于，所述方法还包括：在采取标准平均分布随机或是取对数后的平均分布进行随机以得到所述多个参数的多组数值之后，基于设定的可调边界以及物理事实进行初步筛选以预防所述仿真器出错。

6.根据权利要求5所述的基于深度学习的模型仿真预测方法，其特征在于，将归一化处理后的多个参数的数据输入预先配置的所述深度学习模型中以训练所述所述深度学习模型之前还包括：

7.根据权利要求6所述的基于深度学习的模型仿真预测方法，其特征在于，将归一化处理后的多个参数的数据输入预先配置的仿真器中以训练所述深度学习模型进一步还包括：

8.一种基于深度学习的模型仿真预测系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有处理程序，所述处理程序被处理器执行时实现如权利要求1至7中任意一项所述的基于深度学习的模型仿真预测方法。

技术总结
本发明公开一种基于深度学习的模型仿真预测方法，包括以下步骤：确定所述模型仿真所需的多个参数，针对每个参数设定可调边界；调用nanospice仿真器获取所述多个参数的多组数据，对所述多个参数基于各自的可调边界进行归一化处理；将归一化处理后的多个参数的数据输入预先配置的深度学习模型中以训练所述深度学习模型；获取当前需要仿真预测模型的参数输入训练之后的所述深度学习模型进行预测以获取预测结果。能够准确的对模型的电阻、电容数据进行预测，通过神经网络训练和预测不同参数下电流、电容随bias变化曲线，提高仿真预测效率。

技术研发人员：李永胜,石凯,王可亮
受保护的技术使用者：上海概伦电子股份有限公司
技术研发日：
技术公布日：2024/4/7