-
公开(公告)号：CN119272706A
公开(公告)日：2025-01-07
申请号：CN202411358563.8
申请日：2024-09-27
Applicant: 福州大学
IPC: G06F30/394 , G06F30/392 , G06F30/398 , G06N3/0455 , G06N3/092
Abstract: 本发明涉及一种基于深度强化学习的直线与八角Steiner最小树构造的统一方法，属于集成电路计算机辅助设计技术领域。所述方法：首先，根据SMT的结构特征设计了边点序列(Edge Point Sequence,EPS)用于弥合深度学习模型的输出与SMT结构间的差距。其次，针对EPS设计了一个深度学习模型，以SMT的负线长作为奖励通过DRL对模型进行训练。其次，为构造方案的质量评估提供了相应的快速精确线长计算算法，以加速模型的训练。最后，利用机器学习方法的随机性构造多样化的SMT构造方案。本发明方法能够解决RSMT与OSMT问题并生成多样化的布线拓扑。
-
Patent Agency Ranking
公开(公告)号：CN117610488A
公开(公告)日：2024-02-27
申请号：CN202311627098.9
申请日：2023-11-30
Applicant: 福州大学
IPC: G06F30/394 , G06F30/398 , G06N3/0455 , G06N3/092 , G06F115/06
Abstract: 本发明提出基于强化学习的八角Steiner最小树构造方法，用于集成电路设计，所述方法将机器学习运用于八角Steiner最小树OSMT的构造，引入八角边序列OES以表示OSMT的结构以弥合机器学习的输出，同时设计神经网络模型用于生成OES和OSMT快速精确线长计算算法以评估OES的质量，使用强化学习对神经网络模型进行训练；包括以下步骤；步骤S1、定义OSMT的构造方式；步骤S2、生成OSMT构造方案；步骤S3、设计神经网络模型步骤S4、训练神经网络模型并进行参数更新；步骤S5、计算OSMT线长；本发明能够在集成电路设计时得到一个最小化线长的布线解方案。
-
公开(公告)号：CN117610487A
公开(公告)日：2024-02-27
申请号：CN202311627063.5
申请日：2023-11-30
Applicant: 福州大学
IPC: G06F30/394 , G06F30/398 , G06F30/27 , G06N3/0455 , G06N3/0499 , G06N3/092 , G06F115/06
Abstract: 本发明提出深度强化学习曼哈顿与非曼哈顿结构Steiner最小树构造方法，用于解决集成电路物理设计中的曼哈顿结构的直线Steiner最小树RSMT与非曼哈顿结构的八角Steiner最小树OSMT构造问题，包括以下步骤；步骤A1、定义RSMT与OSMT的布线方式；提出深度学习模型，并以Steiner最小树SMT的线长作为奖励通过DRL对模型进行训练；步骤A2、设计同时用于编码RSMT与OSMT结构的边点序列EPS，以弥合深度学习模型的输出；步骤A3、设计神经网络模型；使用注意力机制对配对中的两个引脚及引脚间的布线方式进行选择；步骤A4、设计RSMT与OSMT的快速精确线长计算算法；步骤A5、使用深度强化学习算法对神经网络模型进行训练；本发明能够在超大规模集成电路的物理设计中得到一个最小化线长的布线解方案。
-
公开(公告)号：CN119476175A
公开(公告)日：2025-02-18
申请号：CN202411542390.5
申请日：2024-10-31
Applicant: 福州大学
IPC: G06F30/392 , G06N3/042 , G06N3/0455 , G06N3/092
Abstract: 本发明提出基于深度强化学习的绕障直线Steiner最小树构造方法，用于VLSI电路设计过程得到最小化线长的布线解方案；所述方法包括基于深度强化学习DRL的框架，用于自动学习并生成解决OARSMT问题的启发式算法，其将图卷积网络GCN与DRL相结合，通过GCN提取生成绕障Steiner树OAST全过程的图状态特征信息，以DRL学习不同图状态下的策略决策；本发明用于VLSI电路设计过程时，能够得到一个最小化线长的布线解方案。
-
公开(公告)号：CN119272707A
公开(公告)日：2025-01-07
申请号：CN202411360708.8
申请日：2024-09-27
Applicant: 福州大学
IPC: G06F30/394 , G06F30/398
Abstract: 本发明涉及一种基于少样本学习的通用可布线性预测方法，属于集成电路计算机辅助设计技术领域。将通用可布线性预测转化为元学习场景，提出了基于少样本学习(Few‑Shot Learning,FSL)的预测方法。该方法仅需提供查询芯片的特征以及标签对示例集，即可灵活适应于新的预测任务，无需额外的训练。针对电子设计自动化领域普遍存在的数据不平衡问题，本发明还引入了一种基于重要性采样的元学习策略，用于优化模型的训练过程。为了训练所提出的方法，构建了基于CircuitNet和ISPD2015数据集的FSL数据集。
-
公开(公告)号：CN115713061A
公开(公告)日：2023-02-24
申请号：CN202211589378.0
申请日：2022-12-09
Applicant: 福州大学
IPC: G06F30/394 , G06F30/27 , G06N3/092
Abstract: 本发明提出基于深度强化学习的X结构Steiner最小树构造方法，首先设计了一种布线拓扑初始化策略,即采用prim算法构建一棵最小生成树以确定引脚的拓扑结构；其次，提出了一种DRL算法下的XSMT问题处理策略，将对于XSMT问题中出现的45°边与135°边进行松弛处理，并以线长作为回报值，使得通过DRL算法训练得到的结果更加直观；此外，设计了一种布线拓扑精炼策略。由于通过DRL算法训练得到的结果中存在冗余的线长，将45°边与135°边旋转为水平边与垂直边进行去重，与精炼前的结果相比，精炼策略可以对线长起到很好的优化效果；本发明用于集成电路布线设计时，能够得到最小化线长的布线解方案。
-
-
-
-
-
Search Results
6
records
(took 0.015 seconds)
