Что такое WLM?
Модели нагрузки проводов используются для прогнозирования сопротивления и емкости для раннего анализа и синтеза. Они являются неотъемлемой частью библиотек ASIC и состоят из сопротивления и емкости на разветвитель. Ниже показан образец WLM в популярном формате:
wire_load("PRPT_sample") {
resistance : 0.87;
capacitance : 0.134;
...
fanout_length(1,2000);
fanout_length(2,2500);
...
fanout_length(10,13000);
}
Почему машинное обучение?
Алгоритмы машинного обучения исключительно хорошо подходят для изучения общих тенденций в неструктурированных данных, модели нагрузки на провода не являются исключением. В потоках ASIC WLM используются для раннего анализа времени и мощности, синтеза и других этапов. Однако эти два анализа очень разные. Например, если емкость сброса / тактовой частоты пропущена на 50%, временной анализ будет предсказывать ложные сбои, тогда как (динамический) анализ мощности покажет неизмеримое влияние. Точно так же память WLM демонстрирует большую чувствительность к анализу мощности с незначительным влиянием на отчеты временного анализа. Модели машинного обучения легко обнаруживают эту тенденцию и генерируют разные модели для разных типов анализа.
Как настроить машинное обучение для создания WLM
Мы используем Здесь мы показываем, как эффективно создавать сопротивление и емкость в зависимости от длины. Мы используем хорошо известный алгоритм контролируемого обучения с использованием регрессии (линейный для оценки сопротивления и нелинейный для оценки емкости). Мы извлекли наш набор данных из 20-нанометрового дизайна.
Оценка сопротивления
Набор данных сопротивления представляет собой таблицу сопротивления проводов, формирующую двумерный массив длины и ширины проводов, температуры и сопротивления проводов. Мы будем использовать длину провода и сопротивление провода в качестве набора данных для примера линейной регрессии.
Модель оценки сопротивления с открытым исходным кодом предоставляется здесь с лицензией GPLV3.
Эту модель машинного обучения легко адаптировать, заменив набор данных на новый с разветвлением в качестве функции. Линейная модель для оценки сопротивления из 10 тыс. Образцов представлена на рисунке. Легко повысить точность этой модели, добавив больше функций с помощью одной строчки кода.
Оценка емкости
Набор данных емкости аналогичен набору данных сопротивления с разницей в зависимых переменных. Это двухмерный массив, состоящий из длины и ширины провода, температуры и емкости провода. Мы будем использовать длину, ширину, толщину и емкость провода в качестве набора данных для полиномиальной регрессии.
Модель оценки емкости с открытым исходным кодом предоставляется здесь с лицензией GPLV3.
Эту модель машинного обучения легко адаптировать, заменив набор данных на новый с разветвлением в качестве функции. Из-за полиномиальной регрессии точность этой модели находится в приемлемом диапазоне со средним значением 0,0004 и распределением = 0,014. На рисунке выше показана трехмерная модель емкости WLM.
Резюме
Вам удалось создать общую модель нагрузки на провод. Следующим шагом является адаптация структуры для вашего набора данных.
Вот еще несколько примеров машинного обучения по проблемам автоматизации проектирования. Удачи !
srohit0 / mida
Избранные проблемы и способы их решения из книги« Машинный интеллект в автоматизации проектирования - srohit0 / mida github.com»
