(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211047620.1 (22)申请日 2022.08.30 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 王皓轩　严骏驰　刘欢喜　 (74)专利代理 机构 上海交达专利事务所 31201 专利代理师 王毓理　王锡麟 (51)Int.Cl. G06F 30/394(2020.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/04(2020.01) (54)发明名称 基于迁移学习的自动化芯片布线系统及方 法 (57)摘要 一种基于迁移学习的自动化芯片布线系统 及方法， 包括： 数据预处理模块、 基础模型模块、 分布距离度量模块和迁移模型模块， 本发明可用 于自动化快速求解不同芯片上近似最优的线路 布局， 解决传统求解系统参数量大， 求解速度慢， 算力消耗大的问题、 解决现存 方法对不同规模芯 片泛化性弱的缺陷并缓解处理大规模问题时耗 时非常严重的问题。 权利要求书3页 说明书5页 附图2页 CN 115438619 A 2022.12.06 CN 115438619 A 1.一种基于迁移学习的自动化芯片布线系统， 其特征在于， 包括： 数据预处理模块、 基 础模型模块、 分布距离度量模块和迁移模型模块， 其中： 数据预处理模块通过图像识别判断 出待处理芯片的原始图像中的元件与引脚位置与类别， 将元件与引脚转换为图的形式存储 在gr格式的文件中； 基础模型模块通过数学求解器， 对gr格式文件中包含的组合优化问题 进行求解， 得到求解过程中各个中间结果， 再通过卷积神经网络对原始图像进 行特征编 码， 最后将中间结果与特征编 码融合得到合并向量； 分布距离度量模块根据合并向量和先验分 布计算得到相应的更新距离； 迁移模型模块复制基础模型模块的卷积神经网络的参数并初 始化后， 根据合并向量和更新距离对初始化后的卷积神经网络进行重新加权处理， 得到连 接不同元件和引脚的对应匹配顺序； 所述的gr格式的文件， 基于大小和形状的图像识别技术从256*256*3的原始图像中提 取出元件和引脚位置和已经存在的线， 并转换为图的形式， 其中： 元件和引脚作为图中的节 点， 当元件与引脚之间直接相连， 则将图中线段值设为1， 否则设为0； 所述的中间结果共16个数值， 包括： 分支的选择概率值、 分支的选择结果和约束的阈 值。 2.根据权利要求1所述的基于迁移学习的自动 化芯片布线系统， 其特征是， 所述的数据 预处理模块包括： 视觉识别单元和数据转换单元， 其中： 视觉识别单元对原始图像进 行黑白 化处理， 再根据预设的元件架构信息对图片进行遍历匹配， 得到各个元件的位置信息和数 量信息； 数据转化单元将位置信息和数量信息与最小化布线长度的目标进 行结合并写入gr 格式的求 解文件。 3.根据权利要求1所述的基于迁移学习的自动 化芯片布线系统， 其特征是， 所述的基础 模型模块包括： 基于图神经网络的编 码器单元、 解码 器单元、 数学求解器和融合单元， 其中： 编码器单元对原始图像进行卷积、 下采样和平滑处理， 得到256维特征向量； 解码器单元对 256维特征向量进 行反卷积和上采样处理， 得到对原始图像的重构结果； 数学求解器根据gr 文件中的最优化问题， 进 行数学计算， 得到求解最优化问题的16维中间结果， 作为该问题的 属性特征； 融合单元将256维图像特征向量与16维属性特征向量融合， 得到用于后续处理的 272维合并向量。 4.根据权利要求1所述的基于迁移学习的自动 化芯片布线系统， 其特征是， 所述的分布 距离度量模块包括： 距离计算单元和高维 高斯分布生成单元， 其中： 高维 高斯分布生成单元 从272维的高斯分布的合并向量中随机采样出1200个样本， 之后距离计算单元根据合并向 量与采样出 的服从高斯分布的样本分别进行距离计算， 将所有距离进行平均化处理， 得到 更新距离 。 5.根据权利要求4所述的基于迁移学习的自动化芯片布线系统， 其特征是， 所述的样 本， 固定后用于基础模型模块输出。 6.根据权利要求1所述的基于迁移学习的自动 化芯片布线系统， 其特征是， 所述的迁移 模型模块包括： 四个全连接层， 其中第一全连接层的输入维度为2560输出维度为5120的全 连接层， 后接ReLU激活函数； 第二全连接层的输入维度为5120输出维度为 1280的全 连接层， 后接ReLU激活函数； 第三全 连接层的输入维度为128 0输出维度为320的全 连接层， 后接ReLU 激活函数； 第四全连接层的输入维度为320输出结果维度为K的全连接层， 后接Softmax， 其 输出是连接不同元件和引脚的对应匹配顺序。权　利　要　求　书 1/3 页 2 CN 115438619 A 27.一种基于权利要求1 ‑6中任一所述的基于迁移学习的自动 化芯片布线系统的布线方 法， 其特征在于， 包括： 步骤1、 针对待处理芯片， 数据预处理模块通过图像识别判断出待处理芯片中的元件与 引脚位置与类别， 将元件与引脚转换为图的形式存储在gr格式的文件中， 具体为： 根据芯片 上的元件分布情况， 采集256*256*3的RGB原始图像， 通过数据预处理模块， 提取出其中的元 件和引脚位置和已经存在的线， 并转换为图的形式； 步骤2、 基础模型模块对 存储的gr格式文件进行读取， 进行以下步骤： 步骤2.1、 首 先创建基于图神经网络的编码器， 其架构如下： 第一层： 图卷积核是 大小3*3， 扩张为1的单 元； 第二层： 图卷积核为3 *3， 扩张为0的单 元； 随后将二维图压平为维度为25 6的向量； 步骤2.2、 随后创建解码器， 其架构为： 第一层： 输入维度为25 6的扩张层， 将其重构为16 *16的图； 第二层： 图反卷积核的大小为3 *3， 扩张为0的单 元； 第三层： 图反卷积核的大小为3 *3， 扩张为1的单 元； 步骤2.3： 将文件中的数据Din通过基础模型模块， 得到相应的输出Dout， 随后计算二者之 间的差距Lrec＝Dis(Din， Dout)， 其中： Dis为余弦距离， 通过维持输入与输出的一致性来更新 该神经网络的参数； 步骤3、 分布距离度量模块计算基础模型模块的256维向量， 将其与先验分布P， 即高维 高斯分布进行距离计算， 计算出相应的距离d， 当该距离在预设阈值之内时， 则进入步骤4， 否则当该距离不在预设阈值之内时， 则由工作人员进行 人工识别； 步骤4、 进行迁移模型模块处 理， 进行以下步骤操作： 步骤4.1、 构造迁移模型模块的全连接神经网络， 以及对该神经网络的调整机制； 该神 经网络架构为： 第一层： 输入维度为25 60而输出维度为5120的全连接层， 后接ReLU激活函数； 第二层： 输入维度为5120而输出维度为1280的全连接层， 后接ReLU激活函数； 第三层： 输入维度为1280而输出维度为320的全连接层， 后接ReLU激活函数； 第四层： 输入维度 为320而输出结果维度 为K的全连接层， 后 接Softmax， 其 中结果维度K 为预先设定的结果维度， 由问题目标属性决定， 本实施例中取值 为256； 步骤4.2、 使用步骤2获得的256维向量和步骤3获得的距离d输入迁移模型模块得到优 化的布线方案； 在训练迁移模型的过程中， 将K维的输出作为对不同引脚的匹配概率值， 故 而使用的损失函数为交叉熵函数； 步骤4.3、 利用计算出的损失数值对迁移模型进行 更新； 步骤5、 在训练完迁移模型模块后， 需要进一步采用的损失函数更新基础模型模块， 具 体为： 采用无监督的损失函数L＝Cosdis(zs， zt)+Lmis， 其中： Cosdis为从P中随机采样出的一个 向量zs与提取出的272维向量zt之间的余弦距离， Lmis为计算出的交叉熵损失， 主要用于更新 先验分布P使其更贴近真实的测试分布。 8.根据权利 要求7所述的布线方法， 其特征是， 步骤4.1中， 设置优化器为S GD优化器， 相 应的学习率 为0.01， 权 重衰减为0.0 0001。 9.根据权利要求7所述的布线方法， 其特征是， 步骤4.2中， 将获得的合理范围内的距离权　利　要　求　书 2/3 页 3 CN 115438619 A 3