利用机器学习建模因多输入切换导致的故障

《ACM Transactions on Design Automation of Electronic Systems》:Modeling Glitches due to Multiple Input Switching using Machine Learning

【字体: 大 中 小 】 时间:2026年03月28日 来源:ACM Transactions on Design Automation of Electronic Systems

编辑推荐:

  现有技术图书馆的定时模型未考虑多输入切换(MIS)对glitch的影响,本文提出基于人工神经网络的glitch预测模型,通过SAT问题优化数据集生成,减少SPICE仿真需求,在ISCAS电路中验证模型准确度达3.44%-5.51%,推理速度提升10000倍。

  
要查看此由人工智能生成的摘要,您必须具有高级访问权限。

摘要

摘要

传统技术库中的时序模型假设在转换过程中只有一个输入引脚会切换,而所有其他输入引脚都保持恒定值。这种假设忽略了多输入切换(MIS)的显著影响,而在高级工艺节点中,由于时钟频率的提高,MIS变得越来越重要。MIS可能导致两个关键问题:输出引脚的延迟变化和毛刺。在本文中,我们专注于解决由MIS引起的毛刺问题,为此我们提出了一种基于人工神经网络(ANN)的模型来预测这些毛刺的特性。我们证明了毛刺的特性(如高度和面积)取决于电容负载、输入端的转换时间以及输入端信号之间的时间距离。随后,我们开发了一种方法来使用这些特征生成和优化一个全面的数据集,然后利用该数据集来开发所提出的模型,在确保彻底分析毛刺特性的同时最小化计算成本。为了减少生成复杂逻辑门训练数据集所需的SPICE仿真次数,我们将易产生毛刺的MIS转换的识别问题表述为一个可满足性(SAT)问题,并使用SAT求解器来高效地缩小搜索空间。通过使用ICCAS基准电路,我们证明了所提出模型的预测结果相当准确(平均相对均方误差为3.44%,最大相对均方误差为5.51%,与参考SPICE仿真结果相比)。此外,所提出的模型在推理过程中的性能比传统SPICE计算提高了约10,000倍。因此,结合所提出模型的现有时序库可以用于设计优化。我们还展示了所提出模型在毛刺抑制算法中的使用,以评估设计转换的效果。此外,信号完整性和噪声分析工具也可以采用所提出的毛刺预测模型,正如本文所展示的那样。

人工智能摘要

人工智能生成的摘要(实验结果)

此摘要是使用自动化工具生成的,并非由文章作者编写或审核。它旨在帮助发现、帮助读者评估相关性,并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要,后者仍然是文章的官方摘要。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要,您必须具有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号