[发明专利]一种基于机器学习的电路路径延时波动预测方法

权利要求书

1.一种基于机器学习的电路路径延时波动预测方法，其特征在于：包括以下步骤：

S1：通过分析电路特征与路径延时的关系选择合适的样本特征量；样本特征量包括电路路径级数、每级单元类型、每级单元尺寸、每级单元极性、每级负载电容和路径本征延时；

S2：通过枚举随机化参数的值生成随机路径，通过对随机路径进行蒙特卡洛仿真获得路径最大延时，通过3σ标准选取可靠路径，将可靠路径的样本特征量以及路径延时作为样本集；生成随机路径包括以下过程：选取并随机化设置路径的电路结构参数和寄生参数，生成随机路径对应的SPICE网表文件；电路结构参数包括电路路径级数、每级单元类型、每级单元尺寸、路径输入信号极性，寄生参数包括每级负载电容；

S3：建立路径延时预测模型，调整模型参数；路径延时预测模型通过以下步骤建立：

S3.1：从训练集数据中随机、有放回地选取n个样本，作为生成回归树的训练集；

S3.2：对于每个自举样本，生成未修剪的回归树，并且进行修改，在每个节点处随机抽样预测变量，并从这些预测变量中选择最佳分割点；

S3.3：通过聚类n棵树的数据来建立路径延时预测模型预测新的路径延时，聚类结果的平均值就是路径延时预测模型输出的路径延时；

调整模型参数的过程包括：不断增加决策树的数量和每个节点处的变量数，选择误差最小时的参数值优化模型；

S4：验证路径延时预测模型的精度和稳定性；包括以下过程：通过计算训练集的平均误差、测试集的平均误差和最大绝对误差来验证路径延时预测模型的精度；通过改变测试集样本数，观察测试集平均误差变化来验证路径延时预测模型的稳定性；

S5：得到路径延时。