(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111064010.8 (22)申请日 2021.09.10 (71)申请人 青岛理工大 学 地址 266525 山东省青岛市黄岛区嘉陵江 东路777号 (72)发明人 聂廷远　朱祖元　孔琪　徐坤鹏　 王振昊　周立俭　 (74)专利代理 机构 北京汇捷知识产权代理事务 所(普通合伙) 11531 代理人 盛君梅 (51)Int.Cl. G06F 30/398(2020.01) G06F 30/394(2020.01) G06F 30/392(2020.01) G06F 30/27(2020.01)G06N 20/00(2019.01) (54)发明名称 一种利用机 器学习预测电路性能的方法 (57)摘要 本发明将集成电路、 复杂网络理论与机器学 习相结合， 提供一种利用机器学习预测电路性能 的方法。 包括数据集的生成、 获得优化机器学习 模型和利用机器学习模型预测电路性能三部分。 数据集生成部分包括： 首先利用EDA工具对初始 电路进行布局与布线， 得到布线后电路性能与布 线版图， 然后将布线版图进行复杂网络建模， 最 后通过复杂网络分析工具提取对应的复杂网络 特征参数。 获得优化的机器学习模型部分包括： 把数据集划分成训练集和测试集， 利用训练集训 练机器学习模 型， 再用测试集评估 所得到的机器 学习模型， 并进行模型优化。 利用机器学习模型 预测电路性能部分包括： 将待测电路进行复杂网 络特征参数提取， 输入到优化后机器学习模型 中， 进行电路性能预测。 权利要求书1页 说明书3页 附图4页 CN 113901753 A 2022.01.07 CN 113901753 A 1.一种利用机器学习预测电路性能的方法， 其特 征在于包括以下步骤： 数据集生成， 具体包括以下步骤： (1)利用EDA 布局工具对初始电路进行布局； (2)利用EDA 布线工具对布局后的电路进行布线， 获得 版图的电路性能； (3)对电路版图进行复杂网络建模； (4)利用复杂网络分析工具计算 提取相应的复杂网络特 征参数； (5)将复杂网络特征参数作为机器学习的特征输入， 电路性能作为机器学习的标签输 出； (6)对若干个不同的电路重复执 行(1)～(5)， 产生足够的数据； 获得优化的机器学习模型， 具体包括以下步骤： (1)将数据集按一定的比例划分成训练集和 测试集； (2)在训练集上训练获得机器学习模型； (3)利用测试集测试机器学习模型的准确性， 计算出评价模型的评估指标， 优化机器学 习模型； 利用机器学习模型 预测电路性能， 具体包括以下步骤： (1)利用EDA 布局工具对待测电路进行布局； (2)利用EDA 布线工具对布局后的电路进行布线； (3)对布线得到的版图进行复杂网络建模； (4)利用复杂网络分析工具计算 提取相应的复杂网络特 征参数； (5)将复杂网络特 征参数作为模型的输入， 预测该电路的性能。 2.根据权利要求1所述的利用EDA工具对初始电路进行布局及布线， 得到电路性能， 将 布线后的版图转化为复杂网络模式， 通过复杂网络分析工具计算， 提取对应的复杂网络特 征参数。 3.根据权利要求1所述的利用训练集对机器学习模型进行训练， 用测试集测试模型， 计 算出模型的评估指标， 进行模型优化。 4.根据权利要求1所述的对待测电路进行复杂网络特征参数提取， 输入到机器学习模 型， 进行电路性能预测。权　利　要　求　书 1/1 页 2 CN 113901753 A 2一种利用机 器学习预测电路性能的方 法 技术领域 [0001]本发明属于将机器学习结合复杂网络理论应用到集成电路的技术领域， 是一种利 用机器学习预测集成电路性能的方法。 背景技术 [0002]近年来， 半导体由于技术的进步得到飞速发展。 随着集成电路的规模不断扩大和 严苛的设计规则， 使超大规模集成 电路(VLSI)的设计变得越来越困难。 电子设计自动化 (EDA)是解决VLSI设计问题的重要工具， 然而， 目前的EDA工具需要大量的计算， 且很难达到 最优的结果。 [0003]近年来， 复杂网络已经成为研究各个领域的热点， 在集成电路设计当中得到了一 定的应用， 证明了集成电路性能与其复杂网络特征参数的关联性。 结合机器学习的EDA方法 在超大规模集成电路的性能预测、 优化指导 等研究领域得到广泛应用。 [0004]本发明专利在超大规模集成电路的物理设计中， 得到电路版图， 并将其转换为复 杂网络， 提取复杂网络特征参数， 提供了一种利用复杂网络特征参数作为机器学习的输入 特征来预测集成电路性能的方法。 发明内容 [0005]本发明的目的是提供一种利用复杂网络特征参数作为机器学习的输入特征来预 测集成电路性能的方法。 [0006]本发明的利用机器学习预测电路性能的方法在集成电路后端设计层面。 首先， 在 超大规模集成电路的物理设计阶段中， 对基准电路进行布局和布线， 得到布线后的电路性 能， 然后， 将布线产生的布线图转换为复杂网络表示， 利用复杂网络 分析工具提取布线图所 对应的复杂网络的特征参数。 最后， 将复杂网络特征参数作为机器学习的输入特征， 电路性 能作为机器学习的输出标签， 训练和测试机器学习模型， 并进 行机器学习模型的优化。 最 终 得到的机器学习模型 可以对待测电路进行性能预测。 [0007]本发明所述的一种利用机器学习预测集成电路性能的方法包括以下步骤： [0008]数据集生成， 具体包括以下步骤： [0009](1)利用EDA 布局工具对初始电路进行布局； [0010](2)利用EDA 布线工具对布局后的电路进行布线， 获得 版图的电路性能； [0011](3)对电路版图进行复杂网络建模； [0012](4)利用复杂网络分析工具提取复杂网络特 征参数； [0013](5)将复杂网络特征参数作为机器学习的特征输入， 电路性能作为机器学习的标 签输出； [0014](6)对若干个不同的电路重复执 行(1)～(5)， 产生足够的数据。 [0015]获得优化的机器学习模型， 具体包括以下步骤： [0016](1)将数据集按一定的比例划分成训练集和 测试集；说　明　书 1/3 页 3 CN 113901753 A 3