多目标芯片电路参数优化设计方法

本发明属于芯片优化设计领域，具体涉及一种多目标芯片电路参数优化设计方法。

背景技术：

1、在芯片设计领域中，电路设计扮演着关键的角色。它是将各种电子元件（如晶体管、电阻、电容等）按照特定的功能和性能要求组合在一起，构成一个完整的电路系统的过程。而电路设计的作用主要包括实现功能（电路设计通过选择合适的电子元件和电路拓扑结构，实现芯片所需的具体功能。比如，如果设计一个音频芯片，电路设计需要实现音频信号的输入、放大、滤波、输出等功能）、优化性能（电路设计可以通过优化电路结构、调整参数等手段，提高芯片的性能。例如，提高工作频率、降低功耗、提高信噪比等）、节约资源（电路设计需要考虑资源利用效率，使芯片在有限的资源下达到最佳性能。这包括考虑电路复杂度、占用面积、功耗等方面）等几个方面。

2、随着计算机技术的不断发展，智能化的手段越来越多地应用于芯片优化设计中。但现有的方法大多集中在用神经网络进行建模学习和预测，抑或是未使用多目标优化算法去同时权衡多个目标。虽然有很多智能化仿真工具可以对电路进行快速准确的仿真分析，但需要人工经验的介入与调整，导致芯片设计的整体开发周期较长，并且人力投入较大。

3、以上利用神经网络进行建模学习和预测、人工经验的介入与调整智能化仿真工具等方法存在着预测结果和实际结果较大的误差，或是无法同时考虑多个冲突的目标，抑或是需要人工大量的时间成本去调整智能化仿真工具等问题。

技术实现思路

1、本发明的目的在于：提供多目标芯片电路参数优化设计方法，以解决上述现有的芯片优化设计方法中需要人工调整智能化仿真工具参数，无法兼顾多个冲突的目标，未充分利用智能化仿真工具中获取的数据用于动态构建优化模型的问题。

2、本发明采用的技术方案如下：

3、多目标芯片电路参数优化设计方法，所述方法下列步骤：

4、步骤1、根据需求确定合适的电子元件和电路拓扑结构，以实现芯片所需的具体功能；并确定该芯片两个及以上的指标作为优化的目标；

5、步骤2、选择编码方式将电路元器件参数编码，表征进化算法中的 n个个体，作为决策变量；

6、步骤3、初始化 n个个体，表征不同电路元器件参数；

7、步骤4、对初始化的n个个体进行适应度评估；即将 n个个体用智能化仿真工具获得关注的电路目标性能中的结果；

8、步骤5、对 n个个体执行进化算法中的后代生成算子操作获得 n个子代，并表征n个子代的元器件参数；

9、步骤6、对n个子代进行基于迭代选择的适应度评估；如果本次进化迭代次数为奇数，就借助真实的智能化仿真工具进行适应度的评估；如果本次进化迭代次数为偶数，就借助集成代理模型进行适应度的评估；

10、步骤7、最优档案的创建与更新；建立最优个体档案，用于储存n个最优个体，初始状态下档案中包含n个个体中的部分或全部，然后基于多模型随机排序和帕累托占优的方式去更新对当前档案里的最优个体，具体操作如下：

11、首先使用多模型随机排序方法选取部分代理模型，并将这些代理模型对于子代电路的优化目标进行预测，随后将子代和档案中原本存在的个体进行融合并更新；如果子代和原本存在的个体融合后未超过档案的设定大小 n，那么将子代直接融合进当前档案；如果子代和原本存在的个体融合后超过档案的设定大小 n，那么需要先对个体进行帕累托分层支配排序，并寻找到帕累托占优层级的最后一层，并将帕累托占优层级的最后一层的个体进行拥挤度排序，最后将拥挤度过高的个体删除，直到满足档案的设定大小 n。

12、步骤8、集成代理模型的创建与更新；如果代理模型还未构建，首先构建集成代理模型，具体步骤如下：

13、步骤8.1：使用异构集成学习策略，具体为分别使用多个代理模型去拟合芯片的历史数据，并按照划分训练数据和测试数据；

14、步骤8.2：使用训练数据对代理模型进行训练，在训练过程中采用均方差和正则化项作为代理模型的两个损失函数；

15、步骤8.3：采用多目标粒子群算法优化两个损失函数并获取对应的训练误差和正则化项的帕累托阈值前沿；

16、步骤8.4：采用两级最优决策方法在训练误差帕累托阈值前沿中选出指定数量的候选解集，并根据解集在预测数据上的最终性能来确定代理模型的参数；具体而言，第一级决策先根据每个代理模型中帕累托前沿分布的多样性情况选择均匀分布的n个范围，然后在第二级决策的时候每个范围里根据领域知识经验选择一个确定的候选解集，在训练误差帕累托阈值前沿中选出n个候选解集，通过这n个解集所对应的参数构建成所对应的代理模型，然后使用测试数据预测并计算对应的均方差，最后选择在测试数据上的均方差最小的参数并完成集成代理模型的构建；

17、在迭代时使用之前通过智能化仿真工具获取到的数据样本用于代理模型的更新。

18、步骤9：若当前档案中的最优个体的适应度评估满足用户指定的性能指标，则从档案中获取最终的包含当前电路拓扑结构和元器件数量下的最优元器件参数，用于用户最终的决策；若当前档案中的最优个体的适应度评估未满足用户指定的性能指标，则重复步骤5-步骤9，直至满足迭代终止条件。

19、作为优选，步骤1中所述芯片的优化指标包括增益、带宽、功耗、处理速度、面积、可靠性、安全性、兼容性、成本。

20、作为优选，步骤2中将电路元器件参数编码的编码方式为根据设定的规则将元器件参数实数化为一条实数串。

21、作为优选，设定的规则包括但不限于按照元器件实际电路连接走线决定顺序。

22、作为优选，智能化仿真工具为仿真器cadence。

23、作为优选，后代生成算子操作为遗传算法，粒子群优化算法，退火算法中的任意一种。

24、作为优选，帕累托占优的方式为帕累托占优比较方法、松弛帕累托占优比较方法或任意一种用于区分多维变量的比较方法；

25、作为优选，多模型随机排序方法为每次随机选取一半的代理模型进行集成预测。

26、作为优选，代理模型包括但不限于不同核函数的径向基神经网络中的一种、不同激活函数的前向全连接神经网络中的一种、高斯过程回归、随机森林。

27、由于采用了上述技术方案，本发明的有益效果是：

28、1、使用了数据驱动的多目标优化方法解决电路参数设计问题，充分利用了智能化仿真工具的准确性，和传统的只使用代理模型的方法相比，能在进化过程中适当的矫正代理模型，使其能随着进化后期样本数据的增加，提高整个进化过程的搜索准确性。

29、2、使用了集成代理模型策略。在代理模型的构建过程中，使用了异构集成学习策略，能够充分互补不同模型在不同区域预测能力的差异性，用于提高整体算法获取的电路参数的优越性。

30、3、通过多目标粒子群方法和帕累托占优等多目标智能优化方法，可以快速找到同时满足芯片电路设计要求的多个冲突性能，提高芯片优化设计的可操作性。