[发明专利]时钟树综合最优策略预测方法、系统及应用

权利要求书

1.一种时钟树综合最优策略预测方法，其特征在于，包括：

利用粒子群优化算法对待用芯片的时钟树进行最优化处理，获得最优设计方案；

通过采集脚本，记录针对所述待用芯片的普通设计方案以及所述最优设计方案的设计信息数据构成总设计数据集；

设置神经网络模型，并利用所述神经网络模型对所述总设计数据集进行学习，训练所述神经网络模型，得到训练后模型；

利用所述训练后模型，对所述时钟树综合最优策略进行预测。

2.根据权利要求1所述的一种时钟树综合最优策略预测方法，其特征在于，所述“利用所述神经网络模型对所述总设计数据集进行学习”，包括：

利用所述总设计数据集的数据作为机器学习预测模型的数据集；

将所述普通设计方案的设计信息数据作为特征向量；将所述最优设计方案的脚本作为标签信息，训练所述神经网络模型。

3.根据权利要求1所述的一种时钟树综合最优策略预测方法，其特征在于，所述“设计信息数据”，包括：

设计方案中的时序、时钟树、物理设计信息中的一种或几种。

4.根据权利要求1所述的一种时钟树综合最优策略预测方法，其特征在于，所述“利用粒子群优化算法对待用芯片的时钟树进行最优化处理”，包括：

根据使用者的需求，定义粒子为时钟树中某一个约束对象或者全部约束的组合；

设置适应度函数、确定粒子数量、确定学习因子、惯性权重的值以及所述粒子的速度和位置更新函数；

通过设置迭代次数或者优化退出条件，得到最优约束解。

5.根据权利要求1所述的一种时钟树综合最优策略预测方法，其特征在于，所述“设置神经网络模型，并利用所述神经网络模型对所述总设计数据集进行学习，训练所述神经网络模型，得到训练后模型”，包括：

将所述粒子群优化算法对待用芯片的时钟树进行最优化处理时，获得的优化约束解作为机器学习的标签信息；

利用数据抽取脚本，在时钟树综合优化之前抽取的数据特征，作为机器学习的特征向量；

将所述优化约束解和所述数据特征，合成机器学习的数据集，划分为训练集、测试集以及验证集；

利用所述数据集，通过设置训练算法和模型结构，利用监督式机器学习方法，训练输出一个带最优约束预测输出的模型；

输出一个最优的机器学习预测模型。

6.根据权利要求5所述的一种时钟树综合最优策略预测方法，其特征在于，所述“输出一个最优的机器学习预测模型”，包括：

根据预测的精度，调整训练算法，直至得到一个理想的预测精度，最后输出一个最优的机器学习预测模型。

7.根据权利要求1所述的一种时钟树综合最优策略预测方法，其特征在于，所述“利用所述训练后模型，对所述时钟树综合最优策略进行预测”，包括：

在进行预测之前，将所述总设计数据集存储在指定位置；

将所述总设计数据集输入到所述神经网络模型中，获得预测的约束值，并将所述预测的约束值的内容与设定的约束值内容进行对应；

将所述预测的约束值与设定的时钟树综合脚本命令进行合并，得到专用的时钟树综合脚本；

在进行所述时钟树综合最优策略预测之前读取该脚本，进行约束设置；

进行所述时钟树综合最优策略预测，得到一个最优的时钟树综合结果。

8.一种时钟树综合最优策略预测系统，其特征在于，包括：

粒子群优化模块，用于利用粒子群优化算法对待用芯片的时钟树进行最优化处理，获得最优设计方案；

预测模型模块，与所述粒子群优化模块进行数据交换，用于通过采集脚本，记录针对所述待用芯片的普通设计方案以及所述最优设计方案的设计信息数据构成总设计数据集并设置神经网络模型，训练所述神经网络模型，得到训练后模型；

最优策略预测模块，与所述预测模型模块进行数据交换，用于利用所述训练后模型，对所述时钟树综合最优策略进行预测。