以機器學習技術協助預估電路佈局擺置中的繞線成本

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：33

、訪客IP：3.145.112.23

姓名

曾華逸(Hwa-Yi Tseng) 查詢紙本館藏

畢業系所

電機工程學系

論文名稱

以機器學習技術協助預估電路佈局擺置中的繞線成本
(Routing Cost Prediction at Placement Stage Using Machine Learning Technique)

相關論文

★ 運算放大器之自動化設計流程及行為模型研究	★ 高速序列傳輸之量測技術
★ 使用低增益寬頻率調整範圍壓控震盪器之1.25-GHz八相位鎖相迴路	★ 類神經網路應用於高階功率模型之研究
★ 使用SystemC語言建立IEEE 802.3 MAC 行為模組之研究	★ 以回填法建立鎖相迴路之行為模型的研究
★ 高速傳輸連結網路的分析和模擬	★ 一個以取樣方式提供可程式化邏輯陣列功能除錯所需之完全觀察度的方法
★ 抑制同步切換雜訊之高速傳輸器	★ 以行為模型建立鎖相迴路之非理想現象的研究
★ 遞迴式類神經網路應用於序向電路之高階功率模型的研究	★ 用於命題驗証方式的除錯協助技術之研究
★ Verilog-A語言的涵蓋率量測之研究	★ 利用類神經模型來估計電源線的電流波形之研究
★ 5.2GHz CMOS射頻接收器前端電路設計	★ 適用於OC-192收發機之頻率合成器和時脈與資料回復電路

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

電路布局擺置後的結果，會嚴重影響繞線的方式。為了讓電路維持在最佳的效能以及排除非理想效應，在做佈局擺置的時候應該要有繞線成本的預估。在佈局擺置的階段，現行的繞線預估大多採用半周長來做推測，在多端點情況下可能不太正確。而且，對於較敏感的類比電路而言，繞線成本不單單只有線長而已，導線轉彎數以及線導孔的數量等參數也都會電路效能產生的影響。
本論文利用機器學習的技術，協助設計者進行早期電路繞線成本的預估，希望能提早知道符合實際情況的繞線成本，幫助設計者在佈局擺置時進行對應的調整，以避免掉一些不必要的重複設計。我們將利用人工神經網路的方式做機器學習，藉由擺置的資訊來預測線長、轉彎數、以及線導孔數量等繞線成本。如同實驗數據所示，經過學習的神經網路將能精準預估佈局擺置過後的繞線成本，提供設計者有用的參考資訊。

摘要(英)

The placement results have large impacts on routing results. In order to keep circuit performance and eliminate non-ideal effects, we have to predict routing cost at layout placement stage. Most of current approaches use semi-perimeter method to predict the routing cost at placement stage. It might not be correct in multi- terminal routing cases. Moreover, for sensitive analog circuits, routing cost considers more than wire length only. The turn numbers of each metal line and the via numbers of each net will also effect circuit performance.
In this thesis, we use machine learning technique to help designer predict the routing cost at placement stage. With the predicted routing cost, we can make proper adjustment in advance to avoid unnecessary design iterations. Using artificial neural networks for machine learning, we can use the placement information to predict the routing cost, such as wire length, via numbers, and turn numbers. As shown in the experimental results, we can accurately predict wire length, via number, turn number base on the neural network models. They can be good references for designers to determine a good layout placement.

關鍵字(中)

★ 機器學習
★ 繞線成本
★ 人工神經網路

關鍵字(英)

★ Machine Learning
★ Routing Cost
★ Neural Network

論文目次

摘要 i
Abstract ii
致謝 iii
目錄 iv
圖目錄 vii
表目錄 ix
第一章、緒論 1
1-1 電路設計流程 1
1-2 研究動機 3
1-3 問題定義 5
1-4 論文結構 6
第二章、背景知識 7
2-1 電路繞線成本 7
2-1-1 導線線長 7
2-1-2 線導孔 8
2-1-3 導線轉彎處 9
2-2 人工神經網路 10
2-2-1 神經網路種類 10
2-2-2 神經網路架構 12
2-2-3 權重值 12
2-2-4 隱藏層神經元 13
2-2-5 激活函數 13
2-3 訓練資料 14
2-3-1 未標記資料 14
2-3-2 已標記資料 15
2-3-3 資料正規化 15
第三章、機器學習流程 17
3-1 建立人工神經網路 18
3-1-1 選擇人工神經網路 18
3-1-2 輸入層 18
3-1-3 輸出層 19
3-2 產生訓練數據 20
3-2-1 萃取電路佈局資料 20
3-2-2 輸入資料 21
3-2-3 輸出資料 21
3-2-4 正規化訓練資料 22
3-3 迭代訓練資料 23
3-3-1 學習率 23
3-3-2 迭代次數 23
3-3-3 調整權重值 24
3-4 調整神經網路架構 25
3-4-1 隱藏層神經元架構 25
3-4-2 選擇激活函數 26
3-5 半監督式學習網路 27
3-5-1 產生未標記資料 27
3-5-2 產生偽標記資料 27
3-5-3 產生測試資料 28
第四章、實驗結果及分析 29
4-1 實驗環境 29
4-2 電路資訊 30
4-3 訓練數據 32
4-3-1 輸入資料 32
4-3-2 輸出資料 33
4-4 訓練結果 34
第五章、結論與未來展望 37
參考文獻 38

參考文獻

[1] Milan Hajek, “Neural Networks”, University of KwaZulu-Natal, 2005
[2] Wikipedia, “Physical Design (electronics)”, https://en.wikipedia.org/wiki/Physical_design_(electronics)
[3] Wikipedia, “Standard Cell”, https://en.wikipedia.org/wiki/Standard_cell
[4] 紀浩瑜 “以減少導線負載為目標的效能導向之類比電路繞線方法” 國立中央大學電機工程學系碩士論文, July, 2017
[5] Wikipedia. “Hopfield Network”, https://en.wikipedia.org/wiki/Hopfield_network
[6] Faith Ertam, Galip Aydin, “Data Classification with Deep Learning using Tensorflow”, 2017 International Conference on Computer Science and Engineering (UBMK)
[7] Google TensorFlow, https://www.tensorflow.org/
[8] Nvidia CUDA, https://developer.nvidia.com/
[9] Po-Hsun Wu, Mark Po-Hung Lin, and Tsung-Yi Ho, ‘Analog Layout Synthesis with Knowledge Mining’, 2015 European Conference on Circuit Theory and Design (ECCTD)
[10] Bo Liu, Francisco V. Fernandez, andGeorges Gielen, ‘Fuzzy Selection Based Differential Evolution Algorithm for Analog Cell Sizing Capturing Imprecise Human Intentions’, 2009 IEEE Congress on Evolutionary Computation (CEC 2009)
[11] Sheng-Yuan Lin, Jing-Yi Chen, Jin-Cheng Li, Wan-Yu Wen, and Shih-Chieh Chang, ‘A Novel Fuzzy Matching Model for Lithography Hotspot Detection’, 2013 50th ACM/EDAC/IEEE Design Automation Conference (DAC)
[12] Wen-Hsiang Chang, Chien-Hsueh Lin, Szu-Pang Mu, Li-De Chen, Cheng-Hong Tsai, Yen-Chih Chiu, and Mango C.T. Chao, ‘Generating Routing-Driven Power Distribution Networks With Machine-Learning Technique’, 2017 IEEE Transactions on Computer-Aided Design of Integrated Circuits and System
[13] Michal Puheim, Ladislav Madarasz, “Normalization of Input and Outputs of Neural Network Based Robotic Arm Controller in Role of Inverse Kinematic Model”, SAMI 2014 IEEE 12th International Symposium on Applied Machine Intelligence and Informatics
[14] 李牧勳, “Front-End Supply Current Waveform Models for Dynamic IR-Drop Analysis”, 國立中央大學電機工程學系博士論文, June, 2012
[15] Wikipedia, “Semi-supervised learning”, https://en.wikipedia.org/wiki/Semi-supervised_learning

指導教授

劉建男(Chien-Nan Liu)

審核日期

2018-7-27

推文