逻辑与物理相结合的MCM划分神经学习方法

本文提出一种性能驱动的MCM划分神经学习方法．新算法具有如下特点：（1）允许功能设计和布图设计同时进行，（2）划分时，不仅考虑了模块间的逻辑关系，还考虑了MCM的版图结构．（3）具有芯片间连线数目最少和时钟周期最短双重优化目标．（4）能使连线尽可能产生在相邻近的芯片之间．（5）网络的结构合理，学习速度快．

MCM划分的自组织神经网络

本文在提出一个直接和间接相联模块间相似性的表示方法的基础上，提出了一个基于自组织神经网络的性能驱动MCM划分的神经学习方法．算法求解如何在高层设计中将功能模块分配到MCM芯片中．算法不仅考虑了模块间的相似关系，还考虑了MCM的版图结构；具有芯片间连线数目最少和时钟周期最短双重优化目标；能使连线尽量产生在相邻近的芯片之间；能满足时延、散热和面积约束．文中还提出了一个层次神经网络模型和面积约束下的MCM划分的层次神经学习方法．本文的神经网络模型结构合理，学习速度快．

自组织神经网络在时延驱动的MCM系统划分中的应用

MCM是集成电路中的一种新技术.划分是MCM设计中极其重要的一个环节.本文应用Kohonen自组织神经网络求解以面积和时延为约束的、以芯片之间的连线代价和系统时钟周期为优化目标的MCM系统划分问题.算法用单元之间的联接度和组合逻辑单元的内部时延表示直接相联单元间的相似性,并应用模糊相似性变换建立间接相联单元间的相似性.算法将各单元映射到二维平面上,对应一个或者多个神经元.学习过程是通过单元之间有协作的移动,使相似性大的单元能够逐渐移到一起来完成的.