[发明专利]一种芯片辅助设计方法、装置、设备及可读介质

说明书

本发明公开了一种芯片辅助设计方法，包括：获取原始芯片数据并进行预处理以得到预处理后的芯片数据；基于复式加权结构进行特征提取，即，基于芯片经验对预处理后的芯片数据进行探索性分析、基于统计检验对预处理后的芯片数据进行过滤法分析、基于模型方向对预处理后的芯片数据进行嵌入法分析，以分别得到第一、第二和第三特征化数据；对第一、第二和第三特征化数据进行加权处理并进行分析以得到特征化数据集；选择不同的算法基于特征化数据集建立不同的预测模型，并对预测模型进行训练和评估以得到最优预测模型；基于最优预测模型对芯片数据的数据特征进行分析以得到数据特征的重要性排序，基于重要性排序并且通过最优预测模型进行芯片辅助设计。

技术领域

本发明涉及芯片设计技术领域，尤其涉及一种芯片辅助设计方法、装置、设备及可读介质。

背景技术

芯片一般是指集成电路的载体，其设计分为前端设计（逻辑设计）和后端设计（物理设计），前端设计涉及功能设计，后端设计涉及工艺有关的设计，具体包括RTL编写、功能验证、逻辑综合、形式验证、DFT（Design for Testability，可测试性设计）、布局布线、SignOff、版图验证等多个流程，使其具备制造意义的芯片。

随着人工智能的发展，工业界正在经历着一场变革，朝着更加智能化的发展方向迈进。据统计，每一款芯片设计生成的数据量平均超过500TB，这对于数据科学来说是一笔不菲的财富，特别是开发具有不同功耗、性能和温度的芯片时，具有极高的利用价值。一般来说，芯片设计工程师面临大量的设计数据和可变性，往往只是利用主观经验浅度参考，导致过度设计或欠设计芯片，造成高昂的决策成本。或者说，怎样利用芯片数据，设计出在性能、功耗、面积等方面表现最佳，去实现更高性能的芯片，机器学习技术是极佳的领域。

目前在芯片设计领域，机器学习的主流发展形式是伴随EDA（Electronic designautomation，电子设计自动化）工具，EDA厂商将机器学习模块嵌入到EDA工具中，利用内部的芯片设计数据支持训练模型，智能化分析决策，生成高性能的预期芯片，代表厂商有Cadence、Solido等。在晶圆厂中，机器学习技术被应用在芯片的计量和检测中，以查明芯片中的缺陷。然而，该技术的具体实现被禁止访问，其技术逻辑在内部实现，细节设计在机器学习实验室中完成，所以无法给予特定评价，目前存在的问题包括：芯片数据特征的理解处于较低水平，导致芯片数据的有效利用率不足；技术实现角度固化，并不是自动利用数据，而是把实验室训练好的模型安装进EDA，这便会导致功能的灵活度较差，而且约束较多，不利于发展。

发明内容

有鉴于此，本发明实施例的目的在于提出一种芯片辅助设计方法、装置、设备及可读介质，通过特征工程上设计复式加权结构，能够增强对芯片数据特征的理解程度，提高芯片数据的有效利用率，输出更可靠的结果，基于机器学习的芯片辅助设计思路，灵活性更加，约束较少，且成本较低，技术角度能够适用多变的应用场景。

基于上述目的，本发明实施例的一方面提供了一种芯片辅助设计方法，包括以下步骤：获取原始芯片数据，并对所述原始芯片数据进行预处理以得到预处理后的芯片数据；基于芯片经验对所述预处理后的芯片数据进行探索性分析以得到第一特征化数据，基于统计检验对所述预处理后的芯片数据进行过滤法分析以得到第二特征化数据，基于模型方向对所述预处理后的芯片数据进行嵌入法分析以得到第三特征化数据；对所述第一特征化数据、所述第二特征化数据和所述第三特征化数据进行加权处理并进行分析以得到特征化数据集；选择不同的算法基于所述特征化数据集建立不同的预测模型，并对所述预测模型进行训练和评估以得到最优预测模型；以及基于所述最优预测模型对芯片数据的数据特征进行分析以得到数据特征的重要性排序，基于所述重要性排序并且通过所述最优预测模型进行芯片辅助设计。

在一些实施方式中，获取原始芯片数据包括：通过EDA工具获取原始芯片数据；或通过测试数据获取原始芯片数据；或通过服务器数据获取原始芯片数据。