CN116415541B 一种基于后处理的端到端强化学习混合尺度布局方法 （上海人工智能创新中心）_第1页
CN116415541B 一种基于后处理的端到端强化学习混合尺度布局方法 （上海人工智能创新中心）_第2页
CN116415541B 一种基于后处理的端到端强化学习混合尺度布局方法 （上海人工智能创新中心）_第3页
CN116415541B 一种基于后处理的端到端强化学习混合尺度布局方法 （上海人工智能创新中心）_第4页
CN116415541B 一种基于后处理的端到端强化学习混合尺度布局方法 （上海人工智能创新中心）_第5页
已阅读5页，还剩11页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于后处理的端到端强化学习混合尺本发明公开了一种基于后处理的端到端强标元件在芯片上的布局问题构建强化学习布局2所述后处理模块以减小元件间重叠面积为目标，对所有目标元件一起进行贴边后处利用设定的总体奖励函数计算所述布局结果对应的奖励值，并周期地更新策略网络，将宏元件朝距离最近的邻居方向移动，直到与另一个元件发生重叠或分别计算每个宏元件在横向和纵向上的移动距离运行基于梯度的布局优化算法获取宏元件位置，并经过迭代优化后根据所述布局结果计算对应的奖励值，该奖励值包含所述偏移损行时实现根据权利要求1至5中任一项所述的方7.一种计算机设备，包括存储器和处理器3网络模块(卷积神经网络和图神经网络)分别得到粗细粒度不同的全局嵌入特征与结点嵌[0004]经分析，已有的端到端强化学习布局模型都默认每个宏元件均占据一个网格单有考虑宏元件实际大小这一已知信息，从而导致布局结果存在比较严重的元件重叠问题，[0009]利用设定的奖励函数计算所述布局结果对应的奖励值，4[0013]图1是根据本发明一个实施例的基于后处理的端到端强化学习混合尺度布局方法[0014]图2是根据本发明一个实施例的基于后处理的端到端强化学习混合尺度布局方法[0015]图3是根据本发明一个实施例的基于后处理的端到端强化学习混合尺度布局方法和布线拥塞等限制。[0024]所设计的端到端强化学习布局模型除了策略网络外，还额外包含了后处理模5[0027]混合尺度的宏元件布局策略学习目标是学会一个策略π,这样它可以根据给定的策略网络模块(卷积神经网络和图神经网络)分别得到粗细粒度不同的全局嵌入特征与结点嵌入特征，将两个网络得到的特征向量融合，预测出元件可能的放置位置的概率分布；[0034]为清楚起见，图3示意了所提供的基于后处理的端到端强化学习混合尺度布局方[0036]例如，通过数据预处理模块接收描述待布局电路中元件及网表图信息的数据文6个元件发生重叠或者靠近芯片板边界；分别计算每个元件在横向以及纵向上的移动距离，将所有移动距离的平方和作为偏移损失加入到奖[0046]例如，运行基于梯度的布局优化算法DREAMPlace读取结[0049]1)本发明首次在端到端强化学习布局模型中提出了基于传统布局器贴边摆放的[0052]计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形[0053]这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如7程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中指令实现流程图和/或框图

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论