CN119416714A 一种基于图可解释性的快速自动时序eco方法及系统 （中国人民解放军国防科技大学）

一种基于图可解释性的快速自动时序ECO方本发明公开了一种基于图可解释性的快速自动时序ECO方法及系统，本发明基于图可解释性的快速自动时序ECO方法包括从电路的设计文对给定的关键路径基于路径延时预测器正向传选取合适的ECO动作进行迭代。本发明旨在解决电路路径时序分析和优化时所存在的路径延时预测的精确性不足、缺乏解释性分析工具以及2S5，根据重要性自动选取合适的ECO动作进行迭代，路径的时序裕量slack为正或者迭代轮数达到指定迭代轮数是否成立，如果成立则判定该2.根据权利要求1所述的基于图可解释性的快速自3.根据权利要求2所述的基于图可解释性的快速引脚节点的特征为栅电容大小及位置信息，输出引脚节点的特征为位置信息及负载大小，4.根据权利要求1所述的基于图可解释性的快速自动时序ECS2中搭建的基于图神经网络的路径延时预测器由5.根据权利要求4所述的基于图可解释性的快速,为关键路径p中的第1～n个节点的特征hen-1分别为关键路径p中的第1～n_1条边6.根据权利要求5所述的基于图可解释性的快速自动时,3为节点u的第i个特征组在第k个隐藏层的掩码值，fr为基于多层感知机实现的特征掩码生7.根据权利要求3所述的基于图可解释性的快速层线，或者在该线延时边对应的连接线为长度超过设定值的长线时插入单元打断该长线；9.一种计算机可读存储介质，该计算机可读存储介被编程或配置以通过处理器执行权利要求1～7中任意一项所述基于图可解释性的快速自4[0003]传统的静态时序分析工具主要依赖规则驱动的方法来评估和预测电路路径的延的快速自动时序ECO方法及系统，本发明旨在通过图结构的解释性分析识别关键路径中节键路径的时序裕量slack为正或者迭代轮数达到指定迭代轮数是否成立，如果成立则判定5[0010]可选地，步骤S2中搭建的基于图神经网络的路径延时预测器由N个隐藏层依次级[0011]可选地，步骤S3中针对给定的关键路径基于路径延时预路径延时预测器的输入为关键路径中节点的特征构成的特征向量h,和边的特征构成的特,分别为关键路径p中的第1～n个节点的特征hen-1分别为关键路径p中的第1～n_1,6或指令被编程或配置以通过处理器执行所述基于图可解释性分析的路径延时预测与优化方法，本发明通过对关键路径进行图结构的特征分析，能够识别对路径延时贡献最大的节点和边，为设计人员提供具体的优化反馈，以便更有效地进行型的决策依据，识别路径中对延时贡献较大的单元和连线，以便在后续的工程变更命令一特性使得该方法在现代大规模集成电路设计中具有较高的[0025]图3为本发明实施例中基于异构图神经网络的路径延时预测器的网络结构示意7[0029]如图1和图5所示，本实施例基于图可解释性的快速自动时序ECO方法包括下述步键路径的时序裕量slack为正或者迭代轮数达到指定迭代轮数是否成立，如果成立则判定8施例步骤S1中将电气特征及拓扑特征转换成异构图时，还包括为节点集合V中的节点赋予向传播优化GNN模型的参数。在训练过程中可根据需要引入正则化技术以确保模型对未见义特征向量和即可获得路径延时D(P)。,分别为关键路径p中的第1～n个节点的特征hen-1分别为关键路径p中的第1～n_1,9成算法（GraphMask其需要利用路径延时预测器的损失反馈更新三种掩码生成函数的多层感知机模型参数。掩码生成函数的掩码值生成是一种回归预测任务，标签值就是节点、使用当前掩码情况下路径延时的大小与初始延时大小之差结合掩码的稀疏性作为损失函,j为没有掩码情况下路径延时预测器预测的路径延时大小，为当前轮次训练获得掩码值掩码下的路径经过延时预测器预测的路元的负载特征对延时贡献越大。单元延时的边掩码值最大的边（某个输入引脚到输出引序或指令被编程或配置以通过处理器执行所述基于图可解释性的快[0038]本领域内的技术人员应明白，本申请的实施例可提供的技术