[发明专利]一种通过机器学习获取时序参数的方法

说明书

一种通过机器学习获取时序参数的方法，包括以下步骤：以单元电路的参数作为属性，建立机器学习模型；将已有时序库中的时序参数表格作为训练样本，导入机器学习模型的样本空间；提取SPICE仿真结果作为训练样本，导入机器学习模型的样本空间；以单元电路的属性作为输入，从机器学习模型中得到所需参数，即时反标到电路作STA分析。本发明的创新之处在于，通过机器学习获取时序参数的方法，为电路中各单元快速、准确地提供STA分析所需的时序参数，从而加快时序验证的过程，不必再反复运行SPICE仿真，由机器学习模型可以产生出比较真实的单元电路时序参数，从而加快STA验证的迭代过程。

技术领域

本发明涉及EDA（Electronics Design Automation，电子设计自动化）技术领域，特别是涉及一种时序分析时获取时序参数的方法。

背景技术

在数字集成电路的设计过程中，时序（timing）的分析及sign-off通常使用STA（Static Timing Analysis，静态时序分析）来完成，电路中各个单元的时序参数通常从时序模型库（Timing library）中获取。在时序模型库中，时序参数如延迟（delay）等以表格（table）的方式存放，可通过输入信号的信号完成跳变所需的时间（slew）和输出负载的大小查表得到，而时序模型库只能依据设定的一个或多个工作电压建立。随着工艺的进步和设计要求的不断提高，单纯STA分析的结果逐渐不能真实的反映出设计的时序问题，例如，关键路径中的实际工作电压随着电阻压降（IR drop）效应而降低，时序模型库中取得的时序参数已不再合适；对工艺偏差的考虑OCV（On Chip Variation）过于悲观等问题。因此，越来越多的工程师会对设计中的关键路径运行SPICE（Simulation Program WithIntegrated Circuit Emphasis）仿真来完成时序的分析及sign-off。SPICE仿真能最为真实的求出关键路径中各个单元的时序参数，但缺点是电路仿真耗时较长，而每一次仿真得到的时序参数无法反标回电路中的单元，供后续的STA分析循环使用。这种重复仿真造成的浪费实际上增加了整个芯片的设计周期。

如图1所示，常规STA分析中，单元电路的时序参数从时序模型库中获取，不能考虑到各单元电路的动态压降，STA的精确度依赖于时序模型库的参数表格的采样密度。如图2所示，工程师或其它工具软件可对关键路径运行SPICE仿真，从而得到各单元电路更为真实的时序参数。但SPICE仿真耗时较长，每一次仿真的结果不能反标回电路被其他关键路径和后续STA分析重复利用。

与此同时，随着大数据的广泛应用，机器学习的算法已经非常成熟。在有足够的数据作为训练样本的情况下，通过机器学习分类归纳乃至预测采样数据属性的准确度，已经超过上述时序模型库通过表格查表获取时序参数的方式。

发明内容

为了解决现有技术存在的不足，本发明的目的在于提供一种通过机器学习获取时序参数的方法，为电路中各单元快速、准确地提供STA分析所需的时序参数，从而加快时序验证的过程，缩短芯片设计周期。

为实现上述目的，本发明提供的通过机器学习获取时序参数的方法，包括以下步骤：

以单元电路的参数作为属性，建立机器学习模型；

将已有时序库中的时序参数表格作为训练样本，导入机器学习模型的样本空间；

提取SPICE仿真结果作为训练样本，导入机器学习模型的样本空间；

以单元电路的属性作为输入，从机器学习模型中得到所需参数，即时反标到电路作STA分析。

进一步地，包括以下步骤：

提取包含时序参数的数据库作为训练样本，导入机器学习模型的样本空间。

更进一步地，所述单元电路的参数，包括，单元电路的工作电压、温度、工艺角（corner）、输入信号的转换（slew），以及负载大小。