[发明专利]融合哈希编码及分块策略的双自编码器电路可靠性预测方法

说明书

本发明提出了融合哈希编码及分块策略的双自编码器电路可靠性预测方法，对电路输入向量特征标准化处理：将电路网表分解成电路子网表并生成相应的数据集；解析子网表提取出其关于电路拓扑结构的特征数据TCV；根据电路子网表的输入端口数随机生成电路输入向量A，通过基于CRC20哈希结合分块策略对A进行特征标准化，得到特征数据结合故障概率pf，通过F‑PTM算法计算得到标签r；生成基于电路可靠性的数据集，有效解决了输入向量不定长、且有不同量纲不利于模型训练的问题。使用双自编码器进行电路可靠性评估：通过两个具有不同激活函数的栈式自编码器分别学习数据，获取数据的不同特征，将其拼接形成双自动编码特征，能够能有效地获取数据中的信息。

【技术领域】

本发明涉及电路可靠性预测的技术领域，特别是融合哈希编码及分块策略的双自编码器电路可靠性预测方法。

【背景技术】

随着数字逻辑电路的特征尺寸向着纳米、深亚微米级别发展，电路集成度快速增大，超大规模集成电路(VeryLarge Scale Integration,VLSI)应运而生。根据摩尔定律，随着VLSI中的CMOS器件尺寸减小到纳米级，热波动、功耗和量子效应等问题开始影响器件的功能和可靠性，这大大驱动了集成电路的高可靠性需求。因此研究分析电路可靠性评估方法是一个重要课题，尤其是在设计阶段，若能准确评估电路可靠性，则将大大减小生产成本，对促进集成电路产业的发展有着重大的意义。

半导体特征尺寸的不断减小和集成密度的不断增加，给高可靠电路设计带来诸多挑战，可靠性评估和预测技术是提高电路可靠性的有效手段，也已成为高可靠电路设计的重要环节之一。传统方法通过筛选和可靠性实验估计集成电路的可靠性，并采用加速寿命实验确定产品的平均寿命。但其具有成本较高和存在滞后性的缺点。当前对电路可靠性研究的主流方法是基于数学模型，有故障树模型、随机计算模型、概率转移矩阵、贝叶斯网络、概率门模型、概率模型检测以及神经网络模型等。其中，基于深度神经网络模型，可以实现对构思阶段的数字电路产品可靠性评估，且其时间复杂度不受电路规模影响。但关于不定长的电路输入向量的特征处理方法还有待进一步研究，模型的预测精度也有待提高，现提出一种融合哈希编码及分块策略的双自编码器电路可靠性预测方法。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种融合哈希编码及分块策略的双自编码器电路可靠性预测方法，能够提升模型的预测精度，有效地降低模型的复杂度，缩短训练的时间消耗。

为实现上述目的，本发明提出了一种融合哈希编码及分块策略的双自编码器电路可靠性预测方法，包括以下步骤：

S1.电路输入向量特征标准化，包括以下步骤：

S11.选取多个电路网表进行构造数据集，将电路网表分解成仅含1个原始输出端的电路子网表；

S12.针对每个电路子网表生成相应的数据集；

S13.解析子网表，提取出其关于电路拓扑结构的特征数据TCV；

S14.根据电路子网表的输入端口数随机生成相应长度的电路输入向量A，通过基于CRC20哈希结合分块策略对电路输入向量A进行特征标准化，得到特征数据

S15.结合故障概率pf，通过F-PTM算法计算得到标签r；生成基于电路可靠性的数据集

S2.面向电路可靠性预测的双自编码器模型的构建，包括以下步骤：

S21.将步骤S14中生成的基于电路可靠性的数据集随机选取部分数据作为训练集，其余的数据作为测试集；

S22.将两个栈式自编码器的激活函数分别设置为sigmoid函数和tanh函数，各自通过逐层贪婪无监督训练的方式构建基于自编码器的特征学习网络；

S23.将两个栈式自编码器最终隐藏层的编码进行拼接，接上激活函数为sigmoid的全连接层作为预测层；