(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110119332.1 (22)申请日 2021.01.28 (65)同一申请的已公布的文献号 申请公布号 CN 112765923 A (43)申请公布日 2021.05.07 (73)专利权人 电子科技大 学 地址 611731 四川省成 都市高新区(西区) 西源大道 2006号 (72)发明人 黄乐天　王梓任　谢暄　赵天津　 (74)专利代理 机构 北京正华智诚专利代理事务 所(普通合伙) 11870 专利代理师 刘方正 (51)Int.Cl. G06F 30/367(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/04(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 110456256 A,2019.1 1.15 CN 102749572 A,2012.10.24 CN 111177986 A,2020.0 5.19 US 20201512 94 A1,2020.0 5.14 赵天津 等.纳米级数字集成电路老化效应 分析与老化 监测技术综述. 《电子与封装》 .2020, Letian Huang 等.A l ifetime-aware mapping algorithm to extend MT TF of Networks-on-Chip. 《2018 23rd Asia and South Pacific Design Automati on Conference》 .2018, 审查员 杏运 (54)发明名称 一种基于深度神经网络的逻辑电路老化预 测方法 (57)摘要 本发明公开了一种基于深度神经网络的逻 辑电路老化预测方法。 该方法包括构建片上系 统， 并进行老化数据采样； 对老化数据进行数据 整理； 对采样数据进行数据积分处理； 对积分数 据进行数据平均处理； 对平均 积分数据进行数据 分段； 对平均积分数据进行数据筛选； 对筛选数 据进行数据预处理； 基于分段结果， 采用预处理 数据训练神经网络模型； 对神经网络模型进行验 证； 采用训练好的神经网络模型进行逻辑电路老 化延迟预测。 本发明为了解决现有的逻辑电路老 化预测方法存在因工艺、 电压和温度产生的偏差 和侵入性较强的问题， 采用原位传感器进行测 量， 利用神经网络模型进行预测， 通过构建电路 的特征变量与电路老化延迟之间的模型实现了 对逻辑电路的老化预测。 权利要求书2页 说明书7页 附图2页 CN 112765923 B 2022.05.20 CN 112765923 B 1.一种基于深度神经网络的逻辑电路老化预测方法， 其特 征在于， 包括以下步骤： S1、 构建待预测逻辑电路片上系统， 并对待预测逻辑电路进行老化数据采样， 得到老化 数据， 包括以下分步骤： S11、 构建待预测逻辑电路片上系统， 所述待预测逻辑电路片上系统包括老化传感器 组、 温度传感器、 电压传感器、 待预测逻辑电路和片上数据读出电路， 所述老化传感器组包 括16个RO老化传感器组和ALU老化传感器组， 所述RO老化传感器组包括10个相同的RO老化 传感器， 所述ALU老化传感器组包括16个相同的ALU老化传感器， 所述片上数据读出电路分 别与所述16组RO老化传感器组、 所述ALU老化传感器组、 所述温度传感器、 所述电压传感器 和外界PC 机通信连接； S12、 设定各组RO老化传感器组和ALU老化传感器组的工作状态及待预测逻辑电路工作 电压； S13、 利用所述片上数据读出电路以固定的时间间隔分别采样RO老化传感器组、 ALU老 化传感器组、 温度传感器和电压传感器数据， 得到老化数据； S2、 对所述 步骤S1得到的老化数据进行 数据整理， 得到采样数据； S3、 对所述 步骤S2得到的采样数据进行 数据积分处 理， 得到积分数据； S4、 对所述 步骤S3得到的积分数据进行 数据平均处 理， 得到平均积分数据； S5、 对所述 步骤S4得到的平均积分数据进行 数据分段； S6、 对所述 步骤S4得到的平均积分数据进行 数据筛选， 得到筛选数据； S7、 对所述 步骤S6得到的筛 选数据进行 数据预处 理， 得到预处 理数据； S8、 基于所述步骤S5的分段结果， 采用所述步骤S7得到的预处理数据进行神经网络模 型训练； S9、 对训练后的神经网络模型进行验证， 判断神经网络模型是否符合精度要求， 若是， 则执行步骤S10， 否则返回所述 步骤S8； S10、 采用训练好的神经网络模型进行逻辑电路老化延迟预测。 2.如权利要求1所述的一种基于深度神经网络的逻辑电路老化预测方法， 其特征在于， 所述步骤S2具体包括： 对每个老化传感器从采样时间t1到tn的n次老化数据进行整理， 得到每个老化传感器各 采样时间点的采样数据， 所述采样数据包括温度、 电压、 信号 概率、 信号翻转 率和延迟。 3.如权利要求2所述的一种基于深度神经网络的逻辑电路老化预测方法， 其特征在于， 所述步骤S3具体包括： 对每个老化传感器的n个采样时间点的采样数据， 以第一个时间点采样数据为基准数 据， 将温度、 电压、 信号 概率、 信号翻转 率依次累加， 保持延迟不变， 得到积分数据。 4.如权利要求3所述的一种基于深度神经网络的逻辑电路老化预测方法， 其特征在于， 所述步骤S4具体包括： 将同一个老化传感器组多个老化传感器的积分数据中对应同一采样时间点的延迟取 平均值， 作为该老化传感器组中的组内平均积分数据。 5.如权利要求4所述的一种基于深度神经网络的逻辑电路老化预测方法， 其特征在于， 所述步骤S5具体包括： 在组内平均积分数据的基础上按采样时间点进行分段， 记录每个组内平均积分数据 所权　利　要　求　书 1/2 页 2 CN 112765923 B 2处的段。 6.如权利要求5所述的一种基于深度神经网络的逻辑电路老化预测方法， 其特征在于， 所述步骤S6具体包括： 以温度为指标， 按照一个固定的温度范围对平均积分数据中的温度数据进行筛选， 统 计各温度区间内的温度数据个数， 将温度数据个数最多的温度区间内的平均积分数据作为 筛选数据。 7.如权利要求6所述的一种基于深度神经网络的逻辑电路老化预测方法， 其特征在于， 所述步骤S7具体包括： 以每一个老化传感器组中的第 一个筛选数据为基准筛选数据， 将后 面的筛选数据中的 温度积分、 电压积分、 信号概率积分、 信号翻转率积分数据都与基准筛选数据中的对应项做 差， 将后面的筛选数据中的延迟数据都与基准筛选数据中的延迟做商并减1做归一化处理， 得到预处 理数据。 8.如权利要求7所述的一种基于深度神经网络的逻辑电路老化预测方法， 其特征在于， 所述步骤S8具体包括： 将RO老化传感器组1到RO老化传感器组15的预处理数据作为训练数据集， 根据所述步 骤S5的数据分段 结果设定网络参数进行分段训练深度神经网络 。 9.如权利要求8所述的一种基于深度神经网络的逻辑电路老化预测方法， 其特征在于， 所述步骤S9具体包括： 将RO老化传感器组16和ALU老化传感器组的预处理数据作为验证数据集， 对训练得到 的神经网络模型进行分段验证， 判断神经网络模型所推断出的电路延迟变化与实际的电路 延迟变化之间的验证误差是否小于预设误差阈值， 若是， 则执行步骤S10， 否则返回所述步 骤S8。权　利　要　求　书 2/2 页 3 CN 112765923 B 3