[发明专利]时钟树综合最优策略预测方法、系统及应用

说明书

为了解决现有技术的不足，本发明提供一种时钟树综合最优策略预测方法、系统及应用，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。本发明通过机器学习算法建立时钟树综合最优策略的预测模型，可以大大缩短芯片的设计周期，同时降低因时钟树综合结果不理想而带来的芯片失效风险。

技术领域

本发明涉及电子技术领域，特别涉及一种时钟树综合最优策略预测方法、系统、电子装置及应用。

背景技术

目前常用的时钟树代码生成方法，包括：建立时钟结构信息表，时钟结构信息表包括表示第一级的至少一个时钟信号源，以及与时钟信号源级联的至少一时钟产生单元；获取时钟结构信息表中的时钟结构信息；根据时钟结构信息应用预设的时钟产生单元的描述规则生成时钟树的时钟约束文件或代码，能够直接将时钟树的描述转换成时钟树的时钟约束文件，保证了文档与代码的一致性，提高自动化的程度和可靠性。

但是，目前的时钟树代码生成方法需要先手动建立时钟结构信息表；而在越来越大的数字芯片设计中，时钟结构越来越复杂，要针对复杂的时钟结构建立一个精细化的信息表显然需要花费非常长的时间，同时人工定义往往不一定是时钟树的最优解，存在继续优化的空间。

发明内容

为了解决现有技术的不足，本发明提供一种时钟树综合最优策略预测方法、系统及应用，用于至少解决背景技术中的一个技术问题。

本发明所采用的技术方案是：

一种时钟树综合最优策略预测方法，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。

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。

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。

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。

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；