(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111549184.3 (22)申请日 2021.12.17 (71)申请人 青岛理工大 学 地址 266525 山东省青岛市黄岛区嘉陵江 东路777号 (72)发明人 聂廷远　孔琪　徐坤鹏　王振昊　 周立俭　 (74)专利代理 机构 北京卓胜佰达知识产权代理 有限公司 16 026 代理人 张串串 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 一种利用复杂网络和机器学习预测电路拥 塞度方法 (57)摘要 本发明公开了一种利用复杂网络和机器学 习预测电路拥塞度方法， 包括以下步骤： S1： 对电 路进行布局与布线； S2： 生成数据集； S3： 训练机 器学习模型； S4： 利用机器学习模型预测电路拥 塞度。 将复杂网络特征参数作为机器学习的特征 参数， 电路拥塞度作为机器学习的标签， 组成机 器学习的数据集， 然后划分数据集， 训练和测试 机器学习模 型， 最终得到的机器学习模型可以对 待测电路进行拥塞度预测， 从而通过布局工具得 到电路布局图， 并通过复杂网络建模将其转换为 复杂网络， 进而提取了复杂网络特征参数， 从而 达到了透明地应用到EDA的设计流程以在 布线前 进行电路拥塞度预测的效果， 具有运行速度快、 节省布线时间、 准确性高、 连接关系信息完整的 优点。 权利要求书1页 说明书5页 附图4页 CN 114398823 A 2022.04.26 CN 114398823 A 1.一种利用复杂网络和机器学习预测电路拥塞度方法， 其特 征在于， 包括以下步骤： S1： 对电路进行布局与布线； S2： 生成数据集； S3： 训练机器学习模型； S4： 利用机器学习模型 预测电路拥塞度； 所述步骤S1中对电路进行布局与布线包括以下步骤： S101： 利用EDA 布局工具对基准电路进行布局， 得到电路布局图； S102： 利用EDA 布线工具对布局后的电路进行布线， 得到拥塞度报告； 所述步骤S2中生成数据集包括以下步骤： S201： 对电路布局进行复杂网络建模； S202： 利用复杂网络分析工具提取电路中各模块的复杂网络特 征参数； S203： 将电路占用区域按一定大小划分为若干个分区， 进行 数据预处 理； S204： 根据各分区所包 含的模块， 计算分区的复杂网络参数； S205： 依照电路布线后的版图， 提取 各分区的拥塞度； S206： 对若干个不同的电路重复执 行S201‑S205， 产生足够的数据； 所述步骤S3中训练机器学习模型， 包括以下步骤： S301： 将数据集按一定的比例划分成训练集、 测试集； S302： 选取机器学习模型， 并在训练集上训练优化； S303： 利用测试集测试机器学习模型预测拥塞度的准确性， 计算出评价模型的评估指 标； 所述步骤S4中利用机器学习模型 预测电路拥塞度， 包括以下步骤： S401： 利用EDA 布局工具对待测电路进行布局， 得到电路布局图； S402： 对布局后得到的电路布局图进行复杂网络建模； S403： 利用复杂网络分析工具计算 提取复杂网络特 征参数； S404： 将复杂网络特 征参数作为模型的输入， 预测该电路拥塞度。 2.根据权利要求1所述的一种利用复杂网络和机器学习预测电路拥塞度方法， 其特征 在于， 所述步骤S102 中利用EDA工具对初始电路进行布局及布线， 得到电路拥塞度后， 将布 局后的版图转 化为复杂网络 。 3.根据权利要求2所述的一种利用复杂网络和机器学习预测电路拥塞度方法， 其特征 在于， 将布局后的版图转 化为复杂网络后， 并通过复杂网络分析工具计算。 4.根据权利要求3所述的一种利用复杂网络和机器学习预测电路拥塞度方法， 其特征 在于， 再对拥塞区域进性 提取和划分， 提取相应的复杂网络特 征参数。 5.根据权利要求1所述的一种利用复杂网络和机器学习预测电路拥塞度方法， 其特征 在于， 所述步骤S 303中利用训练集对机器学习模 型进行训练后， 同时利用测试集测试模 型， 计算出模型的评估指标。 6.根据权利要求1所述的一种利用复杂网络和机器学习预测电路拥塞度方法， 其特征 在于， 所述 步骤S4中， 对待测电路进行复杂网络特 征参数提取， 输入到 机器学习模型。 7.根据权利要求6所述的一种利用复杂网络和机器学习预测电路拥塞度方法， 其特征 在于， 输入到 机器学习模型之后再进行电路拥塞度预测。权　利　要　求　书 1/1 页 2 CN 114398823 A 2一种利用复杂网 络和机器学习预测电路拥塞度方 法 技术领域 [0001]本发明涉及机器学习结合复杂网络理论应用到超大规模集成电路拥塞度预测的 技术领域， 尤其涉及一种利用复杂网络和机器学习预测电路拥塞度方法。 背景技术 [0002]近年来， 随着芯片设计与半导体工艺 的快速发展， 超大规模集成电路(VLSI)在规 模和复杂性上不断增长， 导致集成电路物理设计变得日益困难， 并且其设计尺寸也在不断 缩小， 布线拥塞度就成为了超大规模集成电路设计可制 造性的一个非常重要的因素。 电子 设计自动化(EDA)是解决VLSI设计问题的重要工具。 然而， 目前的EDA工具需要大量的运行 时间， 而且很难对拥塞度进 行精确的预测。 现如今围绕机器学习 与EDA工具对电路拥塞度进 行预测的课题做了大量的研究工作。 机器学习回归预测模型大大减少 了运行时间， 并且与 传统预测方法相比， 预测精度大幅度提高。 复杂网络在各个领域尤其是集成电路设计方面 的研究推进， 为集成电路物理设计的优化提供了另外一种思路。 集成电路是电路元件、 模块 和子系统及其之 间连接的超级集合， 将模块等当作节点， 模块之间的连接 关系当作边， 距离 或连接次数当作权 重， 从而将集成电路转换为复杂网络形式。 [0003]虽然复杂网络在集成电路设计这一方面得到了广泛应用， 但集成电路拥塞度的预 测方面很少涉及， 难以通过布局工具得到电路布局图， 难以通过复杂网络建模将其转换为 复杂网络， 从而无法提取复杂网络特 征参数。 [0004]因此， 本发明提出了一种利用复杂网络和机器学习预测电路拥塞度方法， 以提供 一种利用复杂网络特 征参数作为机器学习的输入特 征来预测集成电路拥塞度的方法。 发明内容 [0005]针对现有技术的不足， 本发明提供了一种利用复杂网络和机器学习预测电路拥塞 度方法， 解决了难以通过布局工具得到电路布局图， 难以通过复杂网络建模将其转换为复 杂网络， 从而无法提取复杂网络特 征参数的问题。 [0006]为了实现上述目的， 本发明采用了如下技 术方案： [0007]一种利用复杂网络和机器学习预测电路拥塞度方法， 包括以下步骤： [0008]S1： 对电路进行布局与布线； [0009]S2： 生成数据集； [0010]S3： 训练机器学习模型； [0011]S4： 利用机器学习模型 预测电路拥塞度； [0012]所述步骤S1中对电路进行布局与布线包括以下步骤： [0013]S101： 利用EDA 布局工具对基准电路进行布局， 得到电路布局图； [0014]S102： 利用EDA 布线工具对布局后的电路进行布线， 得到拥塞度报告； [0015]所述步骤S2中生成数据集包括以下步骤： [0016]S201： 对电路布局进行复杂网络建模；说　明　书 1/5 页 3 CN 114398823 A 3