CN114692499B 一种基于机器学习的集成电路芯片寿命的评估方法与系统 （北京时代民芯科技有限公司）

一种基于机器学习的集成电路芯片寿命的一种基于机器学习的集成电路芯片寿命的记录集成电路芯片的真实数据集并建立寿命分2根据集成电路芯片的使用环境工况，在使用环境工况对应的相关参数的参数范围内，对于芯片多层纵向剖面物理结构，采用多材料叠层结构建模方法合并参数型特征向量和结构特征向量组成全特征向量集，输入机器将所述原数据集的a％作为训练集，剩下100％-a％作为测试集，将将不同层不同元素区域抽象简化为一个节点，将不同元素区域的相将芯片多层纵向剖面物理结构中的所有元素识别出芯片多层纵向剖面物理结构每一层中的相同元素的连通所述使用威斯费乐-莱曼迭代算法将二维结构连接图转换为特征向量，形成芯片的结2.根据权利要求1所述的一种基于机器学习的集成电路芯片寿命的评估方法，其特征y=f(用;33.根据权利要求1所述的一种基于机器学习的集成电路芯片寿命的评估方法，其特征将全特征集送入K种机器学习算法组成的融合回归模型，通过重复K次的有放回抽样，4.一种基于机器学习的集成电路芯片寿命的评估系统，其特根据集成电路芯片的使用环境工况，在使用环境工况对应的相关参数的参数范围内，合并真实数据集和仿真数据集，组成训练优化机器学习回归模型算法应用模块，读取数据存储模块中存储的所述原数据集对于芯片多层纵向剖面物理结构，采用多材料叠层结构建模方法合并参数型特征向量和结构特征向量，组成全特征向量集输入机器将所述原数据集的a％作为训练集，剩下100％-a％作为测试集，将显示模块用于显示算法应用模块发送的数据，包括芯片寿命预测模将不同层不同元素区域抽象简化为一个节点，将不同元素区域的相将芯片多层纵向剖面物理结构中的所有元素识别出芯片多层纵向剖面物理结构每一层中的相同元素的连通所述使用威斯费乐-莱曼迭代算法将二维结构连接图转换为特征向量，形成芯片的结45.根据权利要求4所述的一种基于机器学习的集成电路芯片寿命的评估系统，其特征y=f(用;6.根据权利要求4所述的一种基于机器学习的集成电路芯片寿命的评估系统，其特征将全特征集送入K种机器学习算法组成的融合回归模型，通过重复K次的有放回抽样，5[0008]本发明采用的技术方案是：一种基于机器学习的集成电6[0020]使用威斯费乐-莱曼迭代算法将二维结构连接图转换为特征向量，形成芯片的结[0025]y=f(用;7K次的有放回抽样，训练K个子模型，每次随机抽样训练1个模型，对K个模型结果进行[0040](2)本发明能够进行超高效率的集成电路芯片寿命估计：本发明集成数据采集模8[0049]仿真寿命值利用寿命分布函数在相关参数的波动范围随机生成n组(例如n=征通常被收集在一个向量中，称作特征向量，记作本发明中的特征大致分为两[0060](2)每一个元素区域如果和其他元素区域接触的话，则相对应的节点之间建立一9[0068](3)根据第二列和第三列的组合进行编码。主语第三列每一行如果是多个元素的[0073]最后，把参数型特征和结构型特征连接在一起就可以作为最终得到的特征y=f([0083]对所有θ,求(Xθ-y)2最小值；[0097]所述采用多材料叠层结构建模方法将多元素叠层的芯片结构建模形成节点连接[0101]所述使用威斯费乐-莱曼迭代算法将二维结构连接图转换为特征向量，形成芯片[0106]y=f(闪;