[发明专利]使用设计和辅助构造的基于监督机器学习的存储器和运行时间预测

说明书

本公开涉及使用设计和辅助构造的基于监督机器学习的存储器和运行时间预测。本文描述了一种机器学习(ML)模型，其基于从IC设计提取的设计特征和与IC设计相关的辅助特征来预测用于评估集成电路(IC)设计(例如，静态验证)的计算资源需求(例如，存储器和/或运行时间度量)。该模型可以被使用以预测用于IC设计的子块的度量。平台选择器可以选择多个平台中的一个平台，在其上基于(多个)经预测的度量和平台的规范来评估IC设计或IC设计的子块。该模型可以被训练以将从训练IC设计提取的设计特征和与训练IC设计相关的辅助特征的组合与在训练IC设计的评估中使用的计算资源的度量相关，诸如利用基于多线性回归的监督学习技术。

技术领域

本公开涉及使用设计和辅助构造的基于监督机器学习的存储器和运行时间预测。

背景技术

电子设计自动化(EDA)是用于设计、验证和模拟基于半导体的集成电路(IC)的操作的一类计算工具。EDA在运行时间、存储器需求、功率消耗和/或其它因素方面可能是计算上昂贵的。

各种计算平台可以用于EDA任务，诸如在云或分布式计算环境中。基于特定IC设计的复杂性和相应的计算平台的规范，计算平台中的一个计算平台可能比其它计算平台更合适。

发明内容

用于使用设计和辅助构造的基于监督机器学习的存储器和运行时间预测的技术被描述。

一个示例是包括以下的方法：提取IC设计的训练集的设计特征，基于所提取的设计特征与被用于以评估IC设计的处理资源的度量相关的程度来选择所提取的设计特征中的一个或多个设计特征，以及训练机器学习(ML)模型以将IC设计的所选择的设计特征与IC设计的度量相关。

在其他示例中，所选择的设计特征可以从新IC设计被提取，并且经训练的模型可以被使用以基于从新IC设计提取的所选择的设计特征来预测用于新IC设计的度量。

本文所描述的另一示例是包括计算平台的一种系统，该计算平台被配置为：提取IC设计的训练集的设计特征，基于所提取的设计特征与被利用以评估IC设计的处理资源的度量相关的程度来选择所提取的设计特征中的一个或多个设计特征，基于辅助特征与IC设计的度量相关的程度来选择IC设计的一个或多个辅助特征，以及训练人工智能/机器学习(AI/ML)模型以将IC设计的所选择的设计特征和新IC设计的所选择的辅助特征的组合与IC设计的度量相关。

本文所描述的另一示例是包括计算平台的一种系统，计算平台被配置为：提取IC设计的训练集的设计特征，基于所提取的设计特征与被利用以评估IC设计的处理资源的度量相关的程度来选择所提取的特征中的一个或多个特征，基于辅助特征与IC设计的度量相关的程度来选择IC设计的一个或多个辅助特征，训练人工智能/机器学习(AI/ML)模型以将IC设计的所选择的设计特征和IC设计的所选择的辅助特征的组合与IC设计的度量相关，从新IC设计提取所选择的设计特征，以及基于新IC设计的所选择的设计特征和新IC设计的所选择的辅助特征的组合，使用经训练的模型来预测用于新IC设计的度量。

在又一示例中，提供了一种非瞬态计算机可读介质，具有指令，指令在由处理设备执行时使得处理设备：提取IC设计的训练集的设计特征，基于所提取的设计特征与被利用以评估IC设计的处理资源的度量相关的程度来选择所提取的特征中的一个或多个特征，基于辅助特征与IC设计的度量相关的程度来选择IC设计的一个或多个辅助特征，训练机器学习(ML)模型以将IC设计的所选择的设计特征和IC设计的所选择的辅助特征的组合与IC设计的度量相关，从新IC设计提取所选择的设计特征，以及基于新IC设计的所选择的设计特征及新IC设计的所选择的辅助特征的组合使用经训练的模型来预测用于新IC设计的度量。

附图说明

本公开将从以下给出的详细描述和从本公开的实施例的附图被更全面地理解。附图被使用以提供对本公开的实施例的知识和理解，并且不将本公开的范围限制于这些特定实施例。此外，附图不必按比例绘制。