公开(公告)号：CN116720468B

公开(公告)日：2024-01-19

申请号：CN202310695252.X

申请日：2023-06-12

Applicant: 南京邮电大学

Inventor： 郭静静 ,  宁雪洁 ,  蔡志匡 ,  王子轩 ,  刘璐 ,  谢祖帅 ,  郭宇锋

IPC: G06F30/367 ,  G06F30/373 ,  G06N3/048 ,  G06N3/08 ,  G06F30/3315

Abstract: 本发明公开一种结合神经网络的单元库时序模型构建方法，属于计算、推算或计数的技术领域。该方法包括：提出一种基于电流源模型的单元时序库建模方法，同时克服多端口输入导致的延迟计算误差；结合神经网络训练预测模型，使用模型预测替代传统的查找表形式。将单元时序库模型和神经网络相结合运用到静态时序分析中，进行延迟计算，从而提高时序分析精度和运行效率。

公开(公告)号：CN117709258A

公开(公告)日：2024-03-15

申请号：CN202311711252.0

申请日：2023-12-12

Applicant: 南京邮电大学

Inventor： 郭静静 ,  宁雪洁 ,  姜玻 ,  李梦可欣 ,  张铭臻 ,  蔡志匡

IPC: G06F30/3312 ,  G06N3/0442 ,  G06N3/06

Abstract: 本发明公开基于图神经网络的路径时序预测方法，属于计算，推算或计数的技术领域。该方法包括：提出一种将电路门级网表转化为电路时序路径图的方法，将时序路径上的门单元的特征用特征向量表示，通过邻接矩阵表示时序路径中门单元的连接关系；使用图神经网络和自注意力机制，通过输入时序路径的门单元特征向量和邻接矩阵，预测路径的延迟数据。将图神经网络和自注意力机制结合到静态时序分析中，进行延迟计算，保留了时序路径中门单元的连接拓扑关系，同时保留了时序路径中整条路径的全局信息，从而提高了神经网络的预测精度，进而提高时序分析精度和运行效率。

公开(公告)号：CN116720468A

公开(公告)日：2023-09-08

申请号：CN202310695252.X

申请日：2023-06-12

Applicant: 南京邮电大学

Inventor： 郭静静 ,  宁雪洁 ,  蔡志匡 ,  王子轩 ,  刘璐 ,  谢祖帅 ,  郭宇锋

IPC: G06F30/367 ,  G06F30/373 ,  G06N3/048 ,  G06N3/08 ,  G06F30/3315

Abstract: 本发明公开一种结合神经网络的单元库时序模型构建方法，属于计算、推算或计数的技术领域。该方法包括：提出一种基于电流源模型的单元时序库建模方法，同时克服多端口输入导致的延迟计算误差；结合神经网络训练预测模型，使用模型预测替代传统的查找表形式。将单元时序库模型和神经网络相结合运用到静态时序分析中，进行延迟计算，从而提高时序分析精度和运行效率。

公开(公告)号：CN118446147A

公开(公告)日：2024-08-06

申请号：CN202410453802.1

申请日：2024-04-16

Applicant: 南京邮电大学

Inventor： 郭静静 ,  宁雪洁 ,  蔡志匡

IPC: G06F30/3312 ,  G06F18/213 ,  G06F18/25 ,  G06N3/042 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0895 ,  G06N3/0464 ,  G06F123/02

Abstract: 本发明公开基于图注意力网络的物理设计后的路径延迟预测方法，属于计算、推算或计数的技术领域。该方法包括：将电路的门级网表转化为电路时序路径图，通过邻接矩阵表示时序路径中单元的连接关系；从门级网表，时序报告和物理布局文件中提取单元特征，将单元特征进行特征预处理后进行拼接生成特征向量矩阵；通过残差连接的多层图注意力网络和门控单元相结合，进行物理设计后的路径延迟预测，保证模型性能不衰减的同时传递时序路径中远距离的单元特征信息，并通过自适应函数得到精确的单元最终特征值和图级表示，从而提高了神经网络的预测精度，进而提高时序分析精度和运行效率。

公开(公告)号：CN117709258B

公开(公告)日：2024-07-02

申请号：CN202311711252.0

申请日：2023-12-12

Applicant: 南京邮电大学

Inventor： 郭静静 ,  宁雪洁 ,  姜玻 ,  李梦可欣 ,  张铭臻 ,  蔡志匡

IPC: G06F30/3312 ,  G06N3/0442 ,  G06N3/06

Abstract: 本发明公开基于图神经网络的路径时序预测方法，属于计算，推算或计数的技术领域。该方法包括：提出一种将电路门级网表转化为电路时序路径图的方法，将时序路径上的门单元的特征用特征向量表示，通过邻接矩阵表示时序路径中门单元的连接关系；使用图神经网络和自注意力机制，通过输入时序路径的门单元特征向量和邻接矩阵，预测路径的延迟数据。将图神经网络和自注意力机制结合到静态时序分析中，进行延迟计算，保留了时序路径中门单元的连接拓扑关系，同时保留了时序路径中整条路径的全局信息，从而提高了神经网络的预测精度，进而提高时序分析精度和运行效率。