[发明专利]基于贝叶斯筛选器与重采样的电路的良率预测方法及系统

权利要求书

1.一种电路的良率预测方法，其特征在于，包括：

采用Scrambled Sobol序列对用户输入的参数域进行预采样得到预采样点；

根据预采样点得到初始失效域以及初始非失效域，并构建初始采样分布，将初始失效域作为当前失效域进行迭代运算；

迭代运算时根据相应的规则选择当前失效域的采样中心进行重采样，并进行分类器筛选、SPICE仿真得到新的失效域；

当当前失效域不是初始失效域时，计算当前失效率的无偏估计量以及失效率估计值的品质因数，若当前失效率估计值的品质因数达到收敛标准，则停止迭代输出当前失效率的无偏估计量，否则将新的失效域作为当前失效域继续迭代运算；

所述新的失效域采用以下步骤得到：

对新的采样中心进行重采样产生随机样本点；

基于分类器判定所述随机样本点是否失效；

将失效的随机样本点记录为临时失效域；将非失效的随机样本点记录为临时非失效域；

对临时非失效域中的样本点进行SPICE仿真，得到失效集合；

将临时失效域与失效集合中的样本点进行合并，得到所述新的失效域。

2.如权利要求1所述的电路的良率预测方法，其特征在于，对所述预采样点进行SPICE仿真，得到所述初始失效域以及初始非失效域。

3.如权利要求1所述的电路的良率预测方法，其特征在于，根据当前失效域内的元素构建对应的高斯分布q_i^(t)(x)＝q_i^(t)(x|μ_i^(t),∑_i)，i＝1,2,..,N；t＝0,1,…,M，N为当前失效域内的元素的数量，M为用户设置的最大迭代次数，μ_i是定位参数，∑_i是协方差矩阵，根据高斯分布构建当前失效域对应的采样分布

4.如权利要求3所述的电路的良率预测方法，其特征在于，计算当前失效域内的元素的权重并选择权重大于预设权重的元素作为当前失效域的采样中心。

5.如权利要求4所述的电路的良率预测方法，其特征在于，所述无偏估计量采用公式计算得到。

6.如权利要求5所述的电路的良率预测方法，其特征在于，当前失效率估计值的品质因数采用公式计算，fp为当前失效率估计值的品质因数，所述为当前失效率的无偏估计量，所述为标准差。

7.如权利要求1所述的电路的良率预测方法，其特征在于，所述分类器是通过初始失效域和初始非失效域进行训练得到的朴素贝叶斯筛选器。

8.一种采用如权利要求1至7任意一项权利要求所述的电路的良率预测方法的系统，其特征在于，包括：

输入模块，用于获取用户输入的配置信息；

预采样模块，用于进行预采样并获得初始失效域；

重采样模块，用于在失效域相邻区域进行再次采样，提高失效域信息精度；

筛选模块，采用筛选器选出大概率失效的样本点；

仿真模块，对对应的非失效域的样本点进行仿真，并得到对应的失效集合；

收敛判断模块，用于判断当前失效率估计值的品质因数是否达到收敛标准；

输出模块，用于输出达到收敛标准的当前失效率的无偏估计量。

9.如权利要求8所述的系统，其特征在于，还包括筛选器建立模块，所述筛选器建立模块根据初始失效域以及初始非失效域建立朴素贝叶斯二分类模型。