基于ALO-BP神经网络的SRAM读时序预测

针对芯片设计中的后仿流程采用的时序分析用时过长,且传统回归模型预测出的时序值精确度较低等问题,提出一种基于蚁狮优化(Ant Lion Optimizer,ALO)算法的反向传播(Back Propagation,BP)神经网络的读时序预测方法。对14 nm SRAM芯片进行表征,生成对应的liberty文件,提取其中的典型特征和时序参数并进行量化和归一化处理,形成相应的训练测试集。利用BP神经网络的自适应学习能力对数据集进行仿真训练,确定最优隐含层数;针对训练过程中对网络初始值非常依赖这一问题,采用蚁狮优化算法寻找均方误差最小时的网络初始权值,同时对比多种预测方法,对仿真方法和结果进行分析。实验结果表明,该模型收敛速度快、预测精度高,能对读时序进行有效预测。

基于SSA-RF的功耗预测

随机森林具有训练速度快、不容易过拟合、易于实现等优点成功应用于各种领域.针对在芯片设计后仿阶段需要对不同存储存储单元大小、电压、温度等情况进行功耗测试,并且测试一次的时间很长的问题,提出了一种基于麻雀搜索算法(SSA)与随机森林(RF)相结合的功耗预测方法.首先,对14 nmSRAM后仿的单元库进行表征,找出合适的特征变量,得到特征数据后构建训练测试集;然后对特征变量进行特征重要性分析,按照特征重要性排序;最后使用随机森林模型进行回归预测,并引入了麻雀搜索算法以寻找出均方根误差最小时的模型参数.与线性回归模型、支持向量回归模型等相比,SSA-RF收敛精度高并且训练速度快,SSA-RF模型的R2值为0.97左右.此外,在数据量较少的情况下其R2的值也能达到0.95左右,构建了一个较好的预测模型,为减少功耗测试时间提供了一种可行的方案,可以为设计人员留下更多的时间去优化电路.