[发明专利]一种基于BP神经网络的过孔反焊盘尺寸确定方法、装置

说明书

本申请公开了一种基于BP神经网络的过孔反焊盘尺寸确定方法，能够构建以影响寄生电容的参数为输入并以衡量寄生电容的指标为输出的BP神经网络，利用训练完成的BP神经网络可以自适应优化过孔，只需要设定好预期值，就会自适应调整反焊盘的尺寸，得到符合预期的最优尺寸。无需人工设置变量优先级，对设计者的经验要求比较低，可以提高优化精度和效率。此外，本申请还提供了一种基于BP神经网络的过孔反焊盘尺寸确定装置、设备及可读存储介质，其技术效果与上述方法的技术效果相对应。

技术领域

本申请涉及集成电路技术领域，特别涉及一种基于BP神经网络的过孔反焊盘尺寸确定方法、装置、设备及可读存储介质。

背景技术

随着信号速率不断提高，信号上升边不断减小，过孔对整个高速链路的影响越来越大。对于服务器行业来说，随着PCIE5.0的到来，信号速率达到32G，信号上升边进一步减小，因此对过孔的优化就显得尤为重要。

过孔的很多结构参数都对信号有重要的影响。比如，过孔残桩会导致高速信号质量严重退化，会造成严重的反射和谐振。过孔的孔径大小、焊盘大小、回流地孔的位置、反焊盘尺寸等参数决定了过孔的寄生参数。目前，对于过孔残桩可以通过PCB布局时层面合理规划或加背钻的方式很好的解决，过孔对信号的影响主要由寄生电容和电感效应造成，其中寄生电容对信号的影响占主导地位，而过孔焊盘、回流地孔、反焊盘大小都会影响寄生电容，因此，对过孔焊盘、反焊盘进行优化成为降低过孔容性的主要优化手段，这也是目前PCB设计中过孔优化的主要方向之一。

目前，行业内在做过孔优化时，通常都是将焊盘、GND孔位置坐标、反焊盘的尺寸设定为变量，给变量设定一个扫描范围，通过遍历每一个变量对阻抗和回波损耗的影响，找到最优值。当变量比较多的情况下，为了简化优化过程，需要设计者凭经验确定变量优先级，然后需要按变量优先级一步一步的进行，这样会耗费大量时间，而且这样得到的优化值可能无法同时满足实际需求。

可见，目前的过孔优化方案需要设计者有丰富的经验，优化效果较差，且耗费时间比较长。

发明内容

本申请的目的是提供一种基于BP神经网络的过孔反焊盘尺寸确定方法、装置、设备及可读存储介质，用以解决目前的过孔优化方案需要根据经验设置变量优先级，优化效果较差，耗费时间较长的问题。

其具体方案如下：

第一方面，本申请提供了一种基于BP神经网络的过孔反焊盘尺寸确定方法，包括：

获取训练样本，所述训练样本包括输入向量和输出向量，其中所述输入向量包括两个以上影响寄生电容的参数，所述影响寄生电容的参数包括反焊盘尺寸，所述输出向量包括用于衡量寄生电容的指标；

根据所述输入向量和所述输出向量，构建BP神经网络；

利用所述训练样本对所述BP神经网络进行训练，在训练过程中，所述反焊盘的尺寸为变量，除所述反焊盘尺寸之外的影响寄生电容的参数均为常数；

利用训练完成的BP神经网络，通过反向传播根据所述用于衡量寄生电容的指标的目标数值，得到反焊盘的最优尺寸。

优选的，所述输入向量包括反焊盘尺寸，还包括以下任意一项或多项：钻孔尺寸、过孔焊盘尺寸、叠层材料介电常数、铜箔粗糙度、损耗因子。

优选的，所述输出向量包括阻抗和/或回波损耗。

优选的，所述根据所述输入向量和所述输出向量，构建BP神经网络，包括：

根据所述输入向量和所述输出向量，按照目标公式构建BP神经网络，其中所述目标公式为：

RL＝f₁(v₁*Df+v₂*d_hole+v₃*d_pad_sigal+v₄*d_void_via)，