[发明专利]FPGA电路的负载建模方法

说明书

本发明属于集成电路技术领域，具体为一种FPGA电路的负载建模方法。本发明方法包括：关键电路模块内负载建模，通过训练金属线寄生负载电阻和电容与线长和线端点晶体管尺寸之间的函数关系，建立寄生电阻电容关于线长的函数模型；关键电路模块间负载建模，通过增长线负载长度的方法得到金属线在最大耦合情况下的寄生电阻电容值随线长的变化关系；关键电路扇出单元负载建模，通过建立一种扇出单元的等效电路，使得等效单元具有和原扇出电路相同的对延时的影响能力。本发明运用在FPGA电路的仿真中，在不设计版图，仅有电路晶体管宽度的前提下就能够预测出带扇出负载的版图后仿延时值，从而能够辅助决策出最优的电路晶体管尺寸，节省电路设计优化时间。

技术领域

本发明属于集成电路技术领域，具体涉及FPGA电路负载建模方法。

背景技术

FPGA是一种基于重复单元TILE的规整阵列结构，如图1所示。正是这种规整性结构使其往往率先使用世界最前沿IC工艺与设计技术，集成度在各类IC中名列前茅、已达数百亿晶体管。这种规整FPGA电路一般采用全定制设计方法以获得其高性能[1-4]，FPGA电路晶体管快速优化方法不但可以缩短全定制FPGA芯片的设计时间，而且还可以提高性能。而FPGA电路的晶体管快速优化方法，主要基于FPGA架构参数和工艺参数进行关键电路解析和优化，所以FPGA关键电路解析是决定性的一步，另外，FPGA关键电路解析对FPGA芯片结构探讨、FPGA软件系统开发也十分重要，是FPGA设计自动化的重要前提。

人们期望有一种适合于任意架构FPGA电路的负载建模方法。负载建模的本质就是找到一组公式，通过这个公式计算出的金属线寄生电阻和电容值与真实电阻和电容值尽可能地近似。建模方法有很多种，从机器学习的角度可归为监督学习方法和无监督学习方法[5]，像回归、分类这样需要样本训练模型的属于监督学习；像聚类和降维这样直接操作数据集合的模型属于无监督学习。

在关键电路模块内和关键电路模块间负载建模时，我们需要得到线寄生电阻电容随着线长以及管子宽度之间的关系，而这个关系是正线性相关的——线长越大、导线两端管子宽度越大，线负载的值越大。因此在建模的时候需要建立一种由线长和晶体管宽度到线电阻和线电容之间的线性关系，属于回归类问题。同时这个关系可以从已有的版图中提取出实际值作为训练数据，因此可以采用监督学习中的回归方法作为建模的依据。

在关键电路扇出负载建模时，我们需要找到有源负载WP,WN,R随着负载增加时值的变化情况。在理想情况下，某一个模块内的有源负载并不会随着负载数量的增加而增加，它应当是一个该变量不大的数据，但是实际情况下，由于各种寄生参数的影响，有源负载的WP,WN和R不可能不改变，会在一个很小的范围内变动，因此可以采用无监督学习中的聚类方法作为建模的依据。

参考文献

[1]BETZ V,ROSE J,MARQUARDT A.Architecture and CAD forDeep-SubmicronFPGAS[J].Springer International,1999,497.

[2]AHMED E,ROSE J.The effect of LUT and cluster size on deep-submicron FPGAperformance and density[J].IEEE Transactions on Very LargeScaleIntegration Systems,2004,12(3):288-98.

[3]LEMIEUX G,LEE E,TOM M,et al.Directional and single-driver wiresinFPGAinterconnect[A]in:proceedings of the IEEE International Conference onField-ProgrammableTechnology,2004Proceedings[C],F,2004.