-
公开(公告)号：CN119670672B
公开(公告)日：2025-04-29
申请号：CN202510180813.1
申请日：2025-02-19
Applicant: 安徽大学
IPC: G06F30/392 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/082 , G06N3/092
Abstract: 本发明涉及集成电路布线技术领域，具体涉及基于深度强化学习和RSMT的集成电路布线方法、系统。本发明提出了改进型的电路布线模型来进行RES的求解，其在编码器中不仅引入了选择性卷积层，还融入了基于马卡龙变形层设计的特征处理层：前者实现了对多尺度特征的提取和动态融合，有效捕获点集的局部细节与多尺度特征，从而提高了模型对复杂点分布的适应能力，为解的构建提供更精确的特征表示；后者增加了残差路径和分层特征处理，进一步提升了解构建的全局优化能力，使得生成的解更精确，误差更低。本发明解决了现有REST法在特征表达能力、训练效率和大规模点集的适应性方面仍需改进的问题。
-
公开(公告)号：CN119294342B
公开(公告)日：2025-04-18
申请号：CN202411209869.7
申请日：2024-08-30
Applicant: 安徽大学
IPC: G06F30/392 , G06F30/398 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/0455 , G06N3/047 , G06N3/092
Abstract: 本发明属于集成电路设计领域，具体涉及一种基于改进强化学习的芯片布局优化方法、系统、装置。该方法包括如下步骤：S1：构建包含特征编码模块、特征融合模块、经验池、策略网络和价值网络的布局优化模型。特征编码模块用于提取网表文件的位置掩码、线掩码和视图掩码；特征融合模块提取局部特征和全局特征，并生成综合特征；经验池、策略网络和价值网络构成强化学习框架。S2：将大量随机网表作为样本数据用于训练布局优化模型。S3：将待优化的图表文件输入到完成训练后的布局优化模型中，由布局优化模型输出优化后的网表文件，再根据网表文件生成对应的优化后的电路布局图。本发明解决了现有芯片布局优化方法效率较低、泛化性不足的问题。
-
公开(公告)号：CN119670672A
公开(公告)日：2025-03-21
申请号：CN202510180813.1
申请日：2025-02-19
Applicant: 安徽大学
IPC: G06F30/392 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/082 , G06N3/092
Abstract: 本发明涉及集成电路布线技术领域，具体涉及基于深度强化学习和RSMT的集成电路布线方法、系统。本发明提出了改进型的电路布线模型来进行RES的求解，其在编码器中不仅引入了选择性卷积层，还融入了基于马卡龙变形层设计的特征处理层：前者实现了对多尺度特征的提取和动态融合，有效捕获点集的局部细节与多尺度特征，从而提高了模型对复杂点分布的适应能力，为解的构建提供更精确的特征表示；后者增加了残差路径和分层特征处理，进一步提升了解构建的全局优化能力，使得生成的解更精确，误差更低。本发明解决了现有REST法在特征表达能力、训练效率和大规模点集的适应性方面仍需改进的问题。
-
公开(公告)号：CN119294342A
公开(公告)日：2025-01-10
申请号：CN202411209869.7
申请日：2024-08-30
Applicant: 安徽大学
IPC: G06F30/392 , G06F30/398 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/0455 , G06N3/047 , G06N3/092
Abstract: 本发明属于集成电路设计领域，具体涉及一种基于改进强化学习的芯片布局优化方法、系统、装置。该方法包括如下步骤：S1：构建包含特征编码模块、特征融合模块、经验池、策略网络和价值网络的布局优化模型。特征编码模块用于提取网表文件的位置掩码、线掩码和视图掩码；特征融合模块提取局部特征和全局特征，并生成综合特征；经验池、策略网络和价值网络构成强化学习框架。S2：将大量随机网表作为样本数据用于训练布局优化模型。S3：将待优化的图表文件输入到完成训练后的布局优化模型中，由布局优化模型输出优化后的网表文件，再根据网表文件生成对应的优化后的电路布局图。本发明解决了现有芯片布局优化方法效率较低、泛化性不足的问题。
-
-
-
Search Results
4
records
(took 0.021 seconds)
