(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 202110367244.3 (22)申请日 2021.04.0 6 (65)同一申请的已公布的文献号 申请公布号 CN 113204938 A (43)申请公布日 2021.08.0 3 (73)专利权人 普赛微科技 （杭州） 有限公司 地址 310000 浙江省杭州市临安区青山湖 街道大园路1 188号2幢3层3 034A室 (72)发明人 蒋信　刘瑞盛　喻涛　 (74)专利代理 机构 广州市越秀区哲力专利商标 事务所(普通 合伙) 44288 专利代理师 孙柳 (51)Int.Cl. G06F 30/398(2020.01) G06F 30/27(2020.01)(56)对比文件 CN 109255159 A,2019.01.2 2 CN 106326535 A,2017.01.1 1 CN 111902819 A,2020.1 1.06 CN 101557212 A,20 09.10.14 JP H0969117 A,1997.03.11 US 20183 59851 A1,2018.12.13 审查员 张敏 (54)发明名称 一种集成电路的时延特性改进 方法、 装置及 存储介质 (57)摘要 本发明公开一种集成电路的时延特性改进 方法， 包括： 对流片后的集成电路进行测试并根 据测试数据建立机器学习模型； 根据机器学习模 型对集成电路的关键时延路径进行预测分析， 以 及根据预测结果对集成电路的设计方案进行改 进； 根据机器学习模型对改进后的集成电路的关 键时延路径进行预测分析， 以及判断改进后的集 成电路的时延特性是否满足设计规格要求， 若否 时， 对新的集成电路的设计方案进行再次改进后 再判断。 本发明根据测试数据建立机器学习模 型， 实现对集成电路的关键时延路径进行预测， 为集成电路的设计方案的改进提供了数据依据， 可缩短产品开发周期以及降低开发成本。 本发明 还提供了一种集成电路的时延特性改进装置及 存储介质。 权利要求书2页 说明书8页 附图3页 CN 113204938 B 2022.08.12 CN 113204938 B 1.一种集成电路的时延特性改进方法， 其特 征在于， 包括： 模型建立步骤： 对流片后的集成电路进行测试得出测试数据， 并根据测试数据建立机 器学习模型； 提取步骤： 根据机器学习模型对集成电路的关键时延路径进行预测分析后得出第 一分 析结果； 改进步骤： 根据第一分析 结果对集成电路的设计方案进行改进； 判断步骤： 根据机器学习模型对改进后的集成电路的关键时延路径进行预测分析得出 第二分析结果， 以及判断改进后的集成电路的时延特性是否满足设计规格要求， 若 是， 交付 改进后的集成电路的设计方案； 若否， 则根据第二分析结果对新的集成电路的设计方案进 行改进后执 行判断步骤。 2.根据权利要求1所述的一种集成电路的时延特性改进方法， 其特征在于， 所述模型建 立步骤还包括： 数据获取步骤： 对流片后的集成电路进行测试得出测试数据， 以及将测试数据划分为 训练数据和评估数据； 模型训练步骤： 建立机器学习模型并根据训练数据对机器学习模型进行训练及验证； 模型评估步骤： 根据评估数据对训练及验证后的机器学习模型进行评估， 并判断机器 学习模型是否达到预设要求， 若 是， 交付机器学习模型； 若否， 则执行数据获取步骤、 模型训 练步骤以及模型评估步骤。 3.根据权利要求2所述的一种集成电路的时延特性改进方法， 其特征在于， 所述数据获 取步骤还包括对测试 数据进行 预处理后将其划分为训练数据和评估数据。 4.根据权利要求3所述的一种集成电路的时延特性改进方法， 其特征在于， 所述预处理 包括清洗、 标准 化和相关性分析。 5.根据权利要求3所述的一种集成电路的时延特性改进方法， 其特征在于， 对预处理后 的测试数据通过预设方法进行 处理； 其中， 预设方法包括以下任意一种或多种的组合： 合成 少数过采样方法、 自适应合成采样方法、 随机过采样方法、 临界过采样方法、 压缩最近邻方 法、 单边选择 方法和随机欠采样方法。 6.根据权利要求2所述的一种集成电路的时延特性改进方法， 其特征在于， 模型训练步 骤具体包括： 模型建立 步骤： 进行 特征工程并建立机器学习模型； 训练及验证步骤： 选取训练数据的一部分对机器学习模型进行训练以及使用训练数据 的剩余部分对训练后的机器学习模型进行验证； 判断步骤： 判断验证通过后的机器学习模型是否达到预期， 若是， 则执行模型评估步 骤； 若否， 则执 行模型建立 步骤。 7.根据权利要求6所述的一种集成电路的时延特性改进方法， 其特征在于， 所述特征工 程包括基于相关领域的专业知识、 基于特定的特征工程方法以及基于相关领域的专 业知识 和基于特定的特征工程方法的组合； 所述机器学习模型包括以下任意一种或多种的组合： 神经网络模 型、 支持向量机模 型、 逻辑回归模 型、 聚类模型、 K近邻模型、 决策树模型、 随机森 林模型、 提升树模型、 线性回归 模型和朴素贝叶斯模型。 8.根据权利要求2所述的一种集成电路的时延特性改进方法， 其特征在于， 在每次集成权　利　要　求　书 1/2 页 2 CN 113204938 B 2电路的设计方案改进后， 执 行模型更新步骤： 首先对改进后的集成电路进行流片并对流片返回的改进后的集成电路进行测试得到 新的测试数据， 然后将新的测试数据的部 分或全部用于对机器学习模型的训练后得出新的 机器学习模型， 最后根据新的机器学习模型对系统中的机器学习模型进行 更新。 9.一种集成电路的时延特性改进装置， 包括存储器和 处理器， 所述存储器上存储有可 在处理器上运行的时延特性改进程序， 所述时延特性改进程序为计算机程序， 其特征在于： 所述处理器执行所述时延特性改进程序时实现如权利要求 1‑8中任一项 所述的一种集 成电 路的时延特性改进方法的步骤。 10.一种存储介质， 所述存储介质为计算机可读存储介质， 其上存储有时延特性改进程 序， 所述时延特性改进程序为计算机程序， 其特征在于： 所述时延特性改进程序被处理器执 行时实现如权利要求1 ‑8中任一项所述的一种集成电路的时延特性改进方法的步骤。权　利　要　求　书 2/2 页 3 CN 113204938 B 3