[发明专利]一种基于深度自编码器网络的电路结构可靠性预测方法

权利要求书

1.一种基于深度自编码器网络的电路结构可靠性预测方法，其特征在于，所述预测方法包括以下步骤：

步骤1：网表解析及相关量的初始化，过程如下：

1.1)解析网表，并生成电路的完整性链表LC；

1.2)在LC中标识电路的层级数Ts；

步骤2：创建电路的特征集；

步骤3：基于基准电路集合采集对应特征集[TS,PF,AP]的数据集[ts,pf,ap]及其标签R所对应的数据r，TS为面向拓扑结构的电路特征，PF为面向过程性因子的电路特征，AP为面向应用环境的电路特征；

步骤4：依据数据集[ts,pf,ap,r]的特点与规模，构建面向电路可靠性预测的AEN模型；

构建面向电路可靠性预测的AEN模型的过程如下：

4.1)初始化隐含层的最大层数ly，隐含层的最大结点个数nd，模型的最大训练次数nt，训练增量sl，常量ln及计数器l＝1；

4.2)若l≤ly，初始化计数器i＝1并转到步骤4.3)，否则转到步骤4.10)；

4.3)若2^i+ln≤nd，转到步骤4.4)，否则转到步骤4.9)；

4.4)初始化隐含层节点数hn＝2^i+ln与模型的训练次数t＝ne；

4.5)构建并基于无监督学习逐层训练自编码器AE，过程如下：4.5.1)初始化计数器j＝1；

4.5.2)若t≤nt，则初始化h₀＝[ts,pf,ap]；否则转到步骤4.8)；

4.5.3)若j≤l，则构建第j个有hn个隐含层节点的AE，记为AE_l_i_t_j；否则转到步骤4.6)；

4.5.4)通过输入数据h_j-1对AE_l_i_t_j开展t次无监督学习训练；

4.5.5)基于AE_l_i_t_j的编码器对h_j-1进行编码，结果记为h_j；

4.5.6)执行j＝j+1，转到步骤4.5.3)；

4.6)构建并训练AEN模型；

4.7)执行t＝t+sl，转到步骤4.5)；

4.8)执行i＝i+1，转到步骤4.3)；

4.9)执行l＝l+1，转到步骤4.2)；

4.10)基于测试数据集测试所构建的AEN模型，并计算其对应的RMSE与MAPE，其中，N指测试集的规模，y_k与分别指测试集中的第k个记录值与预测值；

4.11)提取最小RMSE所对应的AEN模型；

步骤5：基于所选取的AEN模型，依据新输入的特征数据，实现对电路结构可靠性的快速预测。

2.如权利要求1所述的一种基于深度自编码器网络的电路结构可靠性预测方法，其特征在于，所述步骤2的过程如下：

2.1)依据电路结构，构建面向拓扑结构的电路特征TS＝{PIs,Ts,Gs,As,NAs,Os,NOs,Ns,XOs,XNOs,Bs,Fs,FOs}，其中，PIs指原始输入端数，Ts指层级数，Gs指门单元数，As指与门数，NAs指与非门数，Os指或门数，NOs指或非门数，Ns指非门数，XOs指异或门数，XNOs指同或门数，Bs指Buff数，Fs指扇出源数，FOs指扇出分支数；

2.2)基于当前工艺下器件的实际可靠性水平，构建面向过程性因子的电路特征PF，其取值pf＝{10^d|d＝-1,-2,…,-10}；

2.3)基于输入向量，构建面向应用环境的电路特征AP，其由随机生成的电路输入向量ap构成。

3.如权利要求2所述的一种基于深度自编码器网络的电路结构可靠性预测方法，其特征在于，所述步骤3的过程如下：

3.1)提取基准电路circuit.isc，针对其不同取值的pf与ap，基于步骤2.1)的特征，通过步骤1生成的circuit.isc的LC，生成其特征数据集[ts,pf,ap]；

3.2)基于circuit.isc的pf与ap，借助其LC，利用E-PTM模型方法，计算circuit.isc在[pf,ap]下所对应的r以生成circuit.isc的带标签数据集[ts,pf,ap,r]。

4.如权利要求1所述的一种基于深度自编码器网络的电路结构可靠性预测方法，其特征在于，所述4.6)中，构建并训练AEN模型的过程如下：

4.6.1)构建一个包含有l个隐含层且隐含层节点数为hn的深度神经网络结构AEN_l_i_t；

4.6.2)初始化计数器j＝1；

4.6.3)若j≤l，则用AE_l_i_t_j的输入层和隐含层的连接权重矩阵和偏置向量来初始化AEN_l_i_t第j层和第j+1层的连接权重矩阵和偏置向量；否则转到步骤4.6.5)；

4.6.4)执行j＝j+1，转到步骤4.6.3)；

4.6.5)基于有标签的训练数据集对AEN_l_i_t展开t次有监督训练。