公开(公告)号：CN113326656A

公开(公告)日：2021-08-31

申请号：CN202110582508.7

申请日：2021-05-26

Applicant: 东南大学

Inventor： 曹鹏 ,  王凯 ,  杨泰 ,  鲍威

IPC: G06F30/27 ,  G06F30/3312 ,  G06N3/04

Abstract: 本发明公开了一种数字集成电路众工艺角延时预测方法，能够应用于众工艺角下的时序签核问题中。在特征工程方面，通过膨胀卷积神经网络(Dilated CNN)对邻近工艺角下的路径延时关系进行抽取，并通过双向长短期记忆模型(Bi‑directional Long Short‑Term Memory,BLSTM)学习得到路径拓扑信息，最后，采用多门控混合专家网络模型(Multi‑gate Mixture‑of‑Experts,MMoE)输出得到多个工艺角下路径延时的预测结果。与传统机器学习方法相比，本发明通过更为有效的特征工程处理，能够在较低的仿真开销情况下，取得更高精度的预测效果，对于数字集成电路的众工艺角下时序签核具有重要意义。

公开(公告)号：CN113326656B

公开(公告)日：2022-11-01

申请号：CN202110582508.7

申请日：2021-05-26

Applicant: 东南大学

Inventor： 曹鹏 ,  王凯 ,  杨泰 ,  鲍威

IPC: G06F30/27 ,  G06F30/3312 ,  G06N3/04

Abstract: 本发明公开了一种数字集成电路众工艺角延时预测方法，能够应用于众工艺角下的时序签核问题中。在特征工程方面，通过膨胀卷积神经网络(Dilated CNN)对邻近工艺角下的路径延时关系进行抽取，并通过双向长短期记忆模型(Bi‑directional Long Short‑Term Memory,BLSTM)学习得到路径拓扑信息，最后，采用多门控混合专家网络模型(Multi‑gate Mixture‑of‑Experts,MMoE)输出得到多个工艺角下路径延时的预测结果。与传统机器学习方法相比，本发明通过更为有效的特征工程处理，能够在较低的仿真开销情况下，取得更高精度的预测效果，对于数字集成电路的众工艺角下时序签核具有重要意义。