公开(公告)号：CN109255159B

公开(公告)日：2023-04-07

申请号：CN201810940335.X

申请日：2018-08-17

Applicant: 东南大学

Inventor： 曹鹏 ,  徐冰倩 ,  郭静静 ,  李梦潇 ,  杨军

IPC: G06F30/3308 ,  G06F30/3312 ,  G06F30/27 ,  G06N20/10 ,  G06F18/2431

Abstract: 本发明公开了一种基于机器学习的电路路径延时波动预测方法，包括以下步骤：S1：通过分析电路特征与路径延时的关系选择合适的样本特征量；S2：通过枚举随机化参数的值生成随机路径，通过对随机路径进行蒙特卡洛仿真获得路径最大延时，通过3σ标准选取可靠路径，将可靠路径的样本特征量以及路径延时作为样本集；S3：建立路径延时预测模型，调整模型参数；S4：验证路径延时预测模型的精度和稳定性；S5：得到路径延时。本发明具有高精度和低运行时间的优点，在时序分析准确性和效率方面优势显著。

公开(公告)号：CN109255160B

公开(公告)日：2020-10-16

申请号：CN201810940886.6

申请日：2018-08-17

Applicant: 东南大学

Inventor： 曹鹏 ,  李梦潇 ,  郭静静 ,  徐冰倩 ,  杨军

IPC: G06F30/367 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于神经网络的单元延时预测方法，包括以下步骤：S1：选取SPICE仿真和神经网络训练所需的特征量；S2：随机选取特征量值，采用SPICE仿真测量单元延时，建立单元延时样本集；S3：将SPICE仿真获得的单元延时样本集分为训练样本集和测试样本集两部分，采用训练样本集训练神经网络模型，采用测试样本集验证神经网络精度，比较测试样本集预测的单元延时与SPICE仿真测量的单元延时之间的误差，反复优化调整神经网络参数降低误差；所述神经网络模型即为单元延时的预测模型。本发明还公开了单元延时灵敏度计算方法。本发明精度高、建模开销低、预测速度快。

公开(公告)号：CN109255159A

公开(公告)日：2019-01-22

申请号：CN201810940335.X

申请日：2018-08-17

Applicant: 东南大学

Inventor： 曹鹏 ,  徐冰倩 ,  郭静静 ,  李梦潇 ,  杨军

IPC: G06F17/50 ,  G06K9/62

Abstract: 本发明公开了一种基于机器学习的电路路径延时波动预测方法，包括以下步骤：S1：通过分析电路特征与路径延时的关系选择合适的样本特征量；S2：通过枚举随机化参数的值生成随机路径，通过对随机路径进行蒙特卡洛仿真获得路径最大延时，通过3σ标准选取可靠路径，将可靠路径的样本特征量以及路径延时作为样本集；S3：建立路径延时预测模型，调整模型参数；S4：验证路径延时预测模型的精度和稳定性；S5：得到路径延时。本发明具有高精度和低运行时间的优点，在时序分析准确性和效率方面优势显著。

公开(公告)号：CN109255160A

公开(公告)日：2019-01-22

申请号：CN201810940886.6

申请日：2018-08-17

Applicant: 东南大学

Inventor： 曹鹏 ,  李梦潇 ,  郭静静 ,  徐冰倩 ,  杨军

IPC: G06F17/50 ,  G06N3/08

Abstract: 本发明公开了一种基于神经网络的单元延时预测方法，包括以下步骤：S1：选取SPICE仿真和神经网络训练所需的特征量；S2：随机选取特征量值，采用SPICE仿真测量单元延时，建立单元延时样本集；S3：将SPICE仿真获得的单元延时样本集分为训练样本集和测试样本集两部分，采用训练样本集训练神经网络模型，采用测试样本集验证神经网络精度，比较测试样本集预测的单元延时与SPICE仿真测量的单元延时之间的误差，反复优化调整神经网络参数降低误差；所述神经网络模型即为单元延时的预测模型。本发明还公开了单元延时灵敏度计算方法。本发明精度高、建模开销低、预测速度快。