公开(公告)号：CN116663465B

公开(公告)日：2023-10-27

申请号：CN202310739359.X

申请日：2023-06-21

Applicant: 南京邮电大学

Inventor： 郭静静 ,  宗璟宜 ,  王子轩 ,  刘璐 ,  谢祖帅 ,  蔡志匡

IPC: G06F30/3315 ,  G06F30/3308 ,  G06N3/04 ,  G06N3/084

Abstract: 本发明涉及集成电路技术，公开基于深度学习的考虑MIS效应的单元统计延时模型构建方法，属于计算、推算或计数的技术领域。该方法：在考虑SIS和MIS的情况下，对门单元进行SPICE MC仿真，获取不同条件下的MIS延迟和SIS延迟的均值和标准差；使用深度学习方法构建预测MIS延时均值与SIS延时均值的差值以及和MIS延时标准差与SIS延时标准差的差值的ANN模型，并揭示MIS延时和SIS延时的均值和标准差的差异的表示；将基于深度学习的模型集成到现有的时序库中。本发明通过利用深度学习预测MIS延时均值和SIS延时均值差异以及MIS延时标准差和SIS延时标准差的差异，实现考虑MIS效应的统计时序建模。

公开(公告)号：CN116663465A

公开(公告)日：2023-08-29

申请号：CN202310739359.X

申请日：2023-06-21

Applicant: 南京邮电大学

Inventor： 郭静静 ,  宗璟宜 ,  王子轩 ,  刘璐 ,  谢祖帅 ,  蔡志匡

IPC: G06F30/3315 ,  G06F30/3308 ,  G06N3/04 ,  G06N3/084

Abstract: 本发明涉及集成电路技术，公开基于深度学习的考虑MIS效应的单元统计延时模型构建方法，属于计算、推算或计数的技术领域。该方法：在考虑SIS和MIS的情况下，对门单元进行SPICE MC仿真，获取不同条件下的MIS延迟和SIS延迟的均值和标准差；使用深度学习方法构建预测MIS延时均值与SIS延时均值的差值以及和MIS延时标准差与SIS延时标准差的差值的ANN模型，并揭示MIS延时和SIS延时的均值和标准差的差异的表示；将基于深度学习的模型集成到现有的时序库中。本发明通过利用深度学习预测MIS延时均值和SIS延时均值差异以及MIS延时标准差和SIS延时标准差的差异，实现考虑MIS效应的统计时序建模。