关键词:
电源完整性
噪声验证
片上电源网络
并行计算
热点检测
机器学习
摘要:
电源完整性验证在大规模集成电路设计中扮演了至关重要的角色,是确保电路性能和可靠性的关键环节。该验证过程旨在计算并评估芯片电源分配网络(Power Distribution Network,PDN)中的电源噪声,其本质涉及求解PDN的等效稀疏线性方程组。然而,随着集成电路工艺技术的不断进步,PDN的规模和复杂度持续增长,这不仅使得求解这些方程变得更具挑战性,还增加了计算时间与资源的需求,从而限制了设计迭代的效率。此外,由于低功耗高性能设计的趋势,芯片电源完整性的要求日益严格,电源噪声分析的难度和需求也与日俱增。因此,提升电源网络分析方法的效率已经成为电子设计自动化领域的一个重要课题。
本文提出了一种结合并行计算技术与机器学习算法的新型片上电源网络噪声分析方法。首先,开发并实现了一套具有良好扩展性和稳定性的并行计算框架,采用区域分解法(Domain Decomposition Method,DDM)将PDN划分为多个子块进行并行处理,显著提高了电源噪声的求解效率。然而,在并行处理过程中仍然面临着计算负载不均衡导致的瓶颈,特别是在不均匀分区的场景下。为了进一步增强并行计算的优势,本文还提出了一种基于机器学习的电源网络分块热点检测方法,设计卷积神经网络模型用于精确识别PDN子块中的噪声热点级别,以便在并行框架中对低噪声区域进行近似加速处理,以优化计算资源分配和提升仿真效率。最后,本文提出了一种结合热点检测的并行加速仿真方法,通过热点检测模型识别PDN中噪声水平较低的非关键子块,并采用基于图谱稀疏算法的近似策略以加速其计算,从而在确保整体仿真精度的同时,降低了计算成本并提高了并行计算流程的效率。
实验结果验证了所提方法的有效性,基于机器学习的热点检测模型在准确率上达到了94.39%,能够有效指导并行计算资源的优化分配。本文提出的并行仿真方法在近似处理非关键子块时所引入的平均相对误差为0.88%,与基于CHOLMOD的串行求解器相比,实现了7.14倍的计算加速比;与CKTSO并行求解器相比,获得了3.21倍的加速比;与基于DDM的并行求解器相比,实现了2.21倍的加速比,表明该方法有效缓解了并行计算瓶颈,提升了电源网络噪声验证的求解效率。