(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111181845.1 (22)申请日 2021.10.1 1 (71)申请人 芯和半导体科技 （上海） 有限公司 地址 201210 上海市浦东 新区纳贤路6 0弄5 号4层01室 (72)发明人 不公告发明人 　 (74)专利代理 机构 上海乐泓专利代理事务所 (普通合伙) 31385 代理人 王瑞 (51)Int.Cl. G06F 30/398(2020.01) G06F 30/27(2020.01) G06N 20/00(2019.01) G06F 115/02(2020.01) (54)发明名称 一种基于人工智能算法的等效电路正向预 测方法 (57)摘要 本发明的一种基于人工智能算法的等效电 路正向预测方法， 属于芯片检测技术领域。 本方 法通过人工算法建立正向预测模 型， 并输入实际 电路物理参数和电气参数对正向预测模型进行 训练得到最优的正向预测模型， 不同的电子元件 分别训练对应的正向预测模型， 使用与实际电路 相匹配的最优的正向预测模型进行预测。 通过建 立不同电子元件的正向预测模型， 可以保证每种 电子元件模 型的准确度和适配度， 此外在预测过 程中可以根据具体的电路所使用的电子元件进 行自由组合， 适应性更强， 可以有效保证预测的 真实性和准确度， 相对于传统的需要做出实际的 电子元件才能获得电气参数， 本申请方案更加方 便快捷且准确度高。 权利要求书1页 说明书4页 附图1页 CN 113971387 A 2022.01.25 CN 113971387 A 1.一种基于人工智能算法的等效电路正向预测方法， 其特征在于： 通过人工智能算法 建立正向预测模型， 并输入实际电路物理参数和电气参数对正向预测模型进 行训练得到最 优的正向预测模型， 不同的电子元件分别训练对应的正向预测模型， 使用与实际电路相匹 配的最优的正向预测模型进行 预测。 2.根据权利要求1所述的一种基于人工智能算法的等效电路正向预测方法， 其特征在 于： 所述人工智能算法按照输入和输出 的关系建立回归正向预测模型； 所述的人工智能算 法包括机器学习和深度学习回归预测算法。 3.根据权利要求2所述的一种基于人工智能算法的等效电路正向预测方法， 其特征在 于： 所述回归正向预测模型处理二维张量数据， 以一个或多个输入得到一个或多个输出 的 数据形式， 将数据分为训练集和测试集， 调整合适算法参数对训练集训练， 通过测试集验证 的R^2指标和均方根 误差得到最优的正向预测模型并保存该模型。 4.根据权利要求2所述的一种基于人工智能算法的等效电路正向预测方法， 其特征在 于： 所述回归正向预测模型包括若干个子模型， 若干个子模型分别对应电子元件不同的电 气参数。 5.根据权利要求2所述的一种基于人工智能算法的等效电路正向预测方法， 其特征在 于： 所述实际电路物理参数作为正向预测模型 的输入数据， 所述电气参数作为正向预测模 型的输出 数据， 通过输入数据和输出 数据对正向预测模型进行训练测试。 6.根据权利要求5所述的一种基于人工智能算法的等效电路正向预测方法， 其特征在 于： 所述电路物理参数为电子元件的物理参数， 所述电气参数为电子元件的具体性能数值。 7.根据权利要求5所述的一种基于人工智能算法的等效电路正向预测方法， 其特征在 于： 所述训练集和测试集的数据来源为已知的实际的电路物理参数和电气参数数据， 并根 据模型评估方法， 将所有数据划分为训练集和 测试集。 8.根据权利要求5所述的一种基于人工智能算法的等效电路正向预测方法， 其特征在 于： 使用与实际电路相匹配的最优的正向预测模型进 行预测具体为从回归正向预测模型中 选择与实际电路中含有的电子元件的所对应的模型， 并将所有对应的模型组成模型集合， 向模型集合输入电子元件的物理参数得到预测的电气参数结果， 利用EDA等效电路仿真来 辅助用户判断设计人员设计的集成电路是否设计合理。权　利　要　求　书 1/1 页 2 CN 113971387 A 2一种基于人工智能算法的等效电路正向预测方 法 技术领域 [0001]本发明属于芯片检测技术领域， 具体来说是一种基于人工智能算法的等效电路正 向预测方法。 背景技术 [0002]片上系统(System  On Chip， SOC)是指在单芯片上集成微电子应用产品所需的全 部功能系统， 其是以超深亚微米(Very  Deep Submicron， VDSM)工艺和知识产权 (Intellectual  Property， IP)核复用技术为支撑。 SOC技术是当前大规模集成电路 (VeryLarge  Scale Integrate， VLSI)的发展趋势， 也是解决电子产品开发中的及 时上市 (Time to Market， TTM)的主要技术与方法。 随着深亚微米技术的高速发展， 芯片的集成规 模越来越大， 芯片功 能的验证变得越来越重要和复杂耗时， 芯片的设计方法也随之发生了 巨大的变化。 目前， 仿 真验证工作约占整个片上系统芯片开 发周期的50％～8 0％。 然而传统 的芯片仿真验证时间长、 自动化程度低、 耗时费力， 这就导致整个芯片的开发周期变长。 芯 片中的实际电气元件需要实际加工进 行电气参数测试， 如果不合格就带来人力和物力的浪 费， 因此， 通过物理参数到电气参数的正向预测， 给设计人员带来便利， 提高工作效率。 发明内容 [0003]1.发明要解决的技 术问题 本发明的目的在于解决现有的芯片仿真验证需要实际加工进行电气参数测试， 存 在效率低和不够便捷的问题。 [0004]2.技术方案 为达到上述目的， 本发明提供的技 术方案为： 本发明的一种基于人工智能算法的等效电路正向预测方法， 通过人工算法建立正 向预测模型， 并输入实际电路物理参数和电气参数对正向预测模型进 行训练得到最优的正 向预测模型， 不同的电子元件分别训练对应的正向预测模型， 使用与实际电路相匹配的最 优的正向预测模型进行 预测。 [0005]优选的， 所述人工智能算法按照输入和输出的关系建立回归正向预测模型； 所述 的人工智能算法包括机器学习和深度学习回归预测算法。 [0006]优选的， 所述回归正向预测模型处理二维张量数据， 以一个或多个输入得到一个 或多个输出的数据形式， 将数据分为训练集和测试集， 调整合适算法参数对训练集训练， 通 过测试集验证的R^2指标和均方根 误差得到最优的正向预测模型并保存该模型。 [0007]优选的， 所述回归正向预测模型包括若干个子模型， 若干个子模型分别训练对应 电子元件不同的电气参数。 [0008]优选的， 所述实际电路物理参数作为正向预测模型的输入数据， 所述电气参数作 为正向预测模型的输出 数据， 通过输入数据和输出 数据对正向预测模型进行训练测试。 [0009]优选的， 所述电路物理参数为电子元件的物理参数， 所述电气参数为电子元件的说　明　书 1/4 页 3 CN 113971387 A 3