硅转接板电源分配网络S参数和Z参数的预测方法及装置

技术领域

本发明属于深度学习和集成电路技术领域，具体涉及一种硅转接板电源分配网络S参数和Z参数的预测方法及装置。

背景技术

摩尔定律正面临前所未有的挑战。行业内已经提出了几种方法，包括：三维集成电路(3D-IC)和带有硅中介层的小芯片等方案，以延长其寿命。通过这些技术，集成电路的性能和规模得以成倍增加，可以在短期内达到更高的水平。通过这些技术，集成电路的带宽达到了TB/s级别，片上RAM容量达到数百GB，时延降至10ns以下。这些更高的性能和规模是通过在单个芯片上集成多层电路和在单个硅中介层上集成多个芯片来实现的。而实现多芯片高速互联的关键技术就是硅转接板，因此，硅转接板成为现代高性能集成电路中的关键角色。

电路规模的爆炸式增长为硅转接板上电源分配网络的电源完整性和信号完整性设计带来了更大的挑战，传统的仿真方法，包括有限元法、时域有限差分法等，均能得到非常接近解析解的仿真结果，但是在面对更大更复杂的电路结构时，其仿真速度往往非常缓慢，已经很难满足如今高效率的要求。除了仿真，等效模型法也在电路模型分析中扮演了非常重要的角色，它能通过抽象的等效模型快速、准确地分析电路模型。然而这个方法非常依赖于设计人员的电磁理论，而且在电路设计改变之后，需要重新建立一套新的等效模型，不具备通用性。

随着机器学习、神经网络的快速发展，人工智能已经在很多领域得到了广泛运用，极大地提高了工作效率，而在集成电路领域，神经网络也开始逐步应用到设计、生产过程中，因此，将神经网络应用于集成电路的设计非常有必要。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种硅转接板电源分配网络S参数和Z参数的预测方法及装置。本发明要解决的技术问题通过以下技术方案实现：

第一方面，本发明提供一种硅转接板电源分配网络S参数和Z参数的预测方法，包括：

构建待预测的三维硅转接板电源分配网络模型，获取待预测的三维硅转接板电源分配网络模型的几何参数；

对待预测的三维硅转接板电源分配网络模型进行离散粗粒度三维采样，得到待预测的材料信息的三维矩阵；

预设待预测的S或Z参数频率，将待预测的三维硅转接板电源分配网络模型的几何参数和待预测的S或Z参数频率，以及待预测的材料信息的三维矩阵输入训练好的三维卷积神经网络模型进行处理，得到对应频率的S参数或Z参数幅值。

第二方面，本发明还提供一种硅转接板电源分配网络S参数和Z参数的预测装置，包括：

数据获取模块一，用于构建待预测的三维硅转接板电源分配网络模型，获取待预测的三维硅转接板电源分配网络模型的几何参数；

数据获取模块二，用于对待预测的三维硅转接板电源分配网络模型进行离散粗粒度三维采样，得到待预测的材料信息的三维矩阵；

预测模块，用于预设待预测的S或Z参数频率，将待预测的三维硅转接板电源分配网络模型的几何参数和待预测的S或Z参数频率，以及待预测的材料信息的三维矩阵输入训练好的三维卷积神经网络模型进行处理，得到对应频率的S参数或Z参数幅值。

本发明的有益效果：

本发明提供的一种硅转接板电源分配网络S参数和Z参数的预测方法及装置，利用三维粗模型提取和训练好的三维卷积神经网络学习硅转接板电源分配网络的结构特征和电磁特性，实现对硅转接板电源分配网络S参数幅值和Z参数幅值的高精度快速预测，同时具有很强的普适性。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的硅转接板电源分配网络S参数和Z参数的预测方法的一种流程图；

图2是本发明实施例提供的三维电源分配网络的分层结构的一种示意图；

图3是本发明实施例提供的预设的三维卷积神经网络模型的一种示意图；

图4是本发明实施例提供的预测所得S21曲线与FEM仿真曲线的对比的一种示意图；

图5是本发明实施例提供的预测所得Z44曲线与FEM仿真曲线的对比的一种示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

针对现有技术中存在的问题或不足，本发明提供一种硅转接板电源分配网络S参数和Z参数的预测方法，利用三维粗模型提取和三维卷积神经网络学习硅转接板电源分配网络的结构特征和电磁特性，实现对硅转接板电源分配网络S参数幅值和Z参数幅值的高精度快速预测，同时具有很强的普适性。

请参见图1，图1是本发明实施例提供的硅转接板电源分配网络S参数和Z参数的预测方法的一种流程图，本发明所提供的一种硅转接板电源分配网络S参数和Z参数的预测方法，包括：

S101、构建待预测的三维硅转接板电源分配网络模型，获取待预测的三维硅转接板电源分配网络模型的几何参数。

具体而言，请参见图2，图2是本发明实施例提供的三维电源分配网络的分层结构的一种示意图，本实施例中，待预测的三维硅转接板电源分配网络模型根据电源分配网络和穿硅通孔结构获取，电源分配网络包括电源和地线。

本实施例中，待预测的三维硅转接板电源分配网络模型的几何参数包括衬底厚度、穿硅通孔半径R

S102、对待预测的三维硅转接板电源分配网络模型进行离散粗粒度三维采样，得到待预测的材料信息的三维矩阵。

具体而言，本实施例中，对待预测的三维硅转接板电源分配网络模型进行离散粗粒度三维采样，包括：

对待预测的三维硅转接板电源分配网络模型进行x、y、z方向步长相等或不相等的采样。可选地，对S101中获取的126个模型进行x、y方向步长为6μm，z方向步长为1μm的采样，得到内容是具体材料信息的126个三维矩阵。

S103、预设待预测的S或Z参数频率，将待预测的三维硅转接板电源分配网络模型的几何参数和所述待预测的S或Z参数频率，以及待预测的材料信息的三维矩阵输入训练好的三维卷积神经网络模型进行处理，得到对应频率的S参数或Z参数幅值。

具体而言，本实施例中，针对S101使用3种线间距Lp建立的三维电源分配网络模型，分别对这些模型使用全波仿真软件HFSS进行关于S101中几何参数的参数扫描仿真，仿真频率为1～300GHz，频率扫描步长1GHz；得到126组数据，每组包含4个端口上300个频点的S参数和Z参数幅值数据也就是S/Z参数频谱，共计37800行、32列。

请参见图3，图3是本发明实施例提供的预设的三维卷积神经网络模型的一种示意图，本实施例中，对预设的三维卷积神经网络模型进行训练，获取所述训练好的三维卷积神经网络模型；其中，预设的三维卷积神经网络模型包括二层带归一化输入的三维卷积层、一层最大值池化层、六层全连接层。

本实施例中，对预设的三维卷积神经网络模型进行训练，包括：

获取数据集，将数据集划分为训练集和测试集；其中，数据集包括多个样本，每个样本包括三维硅转接板电源分配网络模型的几何参数和S或Z参数频率，以及材料信息的三维矩阵；设置扫描频率范围和步长，对三维硅转接板电源分配网络模型的几何参数进行仿真扫描，得到S或Z参数频率；需要说明的是，将三维硅转接板电源分配网络模型的几何参数、频点和材料信息的三维矩阵作为预设的三维卷积神经网络模型的X特征输入，将对应频率的S或Z参数幅值作为Y特征输入；

将训练集输入预设的三维卷积神经网络模型进行处理，直至收敛，得到预设的三维卷积神经网络模型的参数，构建训练好的三维卷积神经网络模型；

将测试集输入训练好的三维卷积神经网络模型，得到预测的结果，将预测结果与预设结果进行对比，判断训练好的三维卷积神经网络模型的效果。

本实施例中，请继续参见图3，第1个三维卷积层有1个输入通道，128个输出通道，卷积核大小为(2，3，3)，卷积步长为2，卷积后采用LeakyRelu函数激活；第2个三维卷积层有128个输入通道，128个输出通道，卷积核大小为(2，3，3)，卷积后采用LeakyRelu函数激活，并连接到三维最大值池化层进行下采样；全连接层有3个输入神经元和64个输出神经元；第1个全连接层有6336个输入神经元和8192个输出神经元，其输入由全连接层的64个输出和展平到一维后的池化层输出拼接而成，由elu函数激活；第2～4个全连接层有8192个输入神经元和8192个输出神经元，由elu函数激活；第5个全连接层有8192个输入神经元和32个输出神经元；损失函数采用均方误差(MSE)，优化器采用Adam优化器。

本实施例中，预设的三维卷积神经网络模型3D-CNN的X输入特征包括Lw、R

综上所述，本发明提供的一种硅转接板电源分配网络S参数和Z参数的预测方法，利用三维粗模型提取和训练好的三维卷积神经网络学习硅转接板电源分配网络的结构特征和电磁特性，实现对硅转接板电源分配网络S参数幅值和Z参数幅值的高精度快速预测，同时具有很强的普适性。

在本发明的一种可选地实施例中，为了验证上述实施例的预测效果，针对上述验证集中3中不同的三维电源分配网络模型进行S参数和Z参数的预测，其物理参数分别为：

模型A的Lp＝72μm，Lw＝4μm，R

模型B的Lp＝72μm，Lw＝24μm，R

模型C的Lp＝72μm，Lw＝54μm，R

S101、根据需要使用特定的几何参数建立需要预测或者训练的硅转接板电源分配网络模型；

S102、对建模的三维电源分配网络进行离散粗粒度三维采样；

S103、构建三维卷积神经网络模型。构建与实施例1相同的3D-CNN模型；

S104、对进行预测或者训练进行判断，本实施例中，进行预测，转到S105；

S105、读取现有3D-CNN预训练模型，读取上述实施例中得到的预训练模型；

S106、S/Z参数预测，将S101中的设计参数和S102得到的三维矩阵作为3D-CNN的输入，从而得到相应的S参数或Z参数。

请参见图4，图4是本发明实施例提供的预测所得S21曲线与FEM仿真曲线的对比的一种示意图，其中A为模型A，B为模型B，C为模型C；图5是本发明实施例提供的预测所得Z44曲线与FEM仿真曲线的对比的一种示意图，其中A为模型A，B为模型B，C为模型C；由图4和图5可得，本发明所述基于神经网络的预测三维集成电路中硅转接板电源分配网络S参数和Z参数的方法能够准确的预测不同三维电源分配网络的S参数和Z参数，精度较高，速度较快。

基于同一发明构思，本发明还提供一种硅转接板电源分配网络S参数和Z参数的预测装置，应用于本发明上述实施例提供的硅转接板电源分配网络S参数和Z参数的预测方法，预测方法的实施例请参照上述，在此不再赘述，该预测装置，包括：

数据获取模块一，用于构建待预测的三维硅转接板电源分配网络模型，获取待预测的三维硅转接板电源分配网络模型的几何参数；

数据获取模块二，用于对待预测的三维硅转接板电源分配网络模型进行离散粗粒度三维采样，得到待预测的材料信息的三维矩阵；

预测模块，用于预设待预测的S或Z参数频率，将待预测的三维硅转接板电源分配网络模型的几何参数和所述待预测的S或Z参数频率，以及待预测的材料信息的三维矩阵输入训练好的三维卷积神经网络模型进行处理，得到对应频率的S参数或Z参数幅值。

应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。