一種基于機器學習的眾工藝角延遲預測方法

摘要： 在不同工藝角下，關鍵路徑呈現顯著差異，因此需要進行大量的靜態(tài)時序分析，從而導致時序分析運行時間較長。與此同時，隨著工藝尺寸的縮小，靜態(tài)時序分析的精度問題變得不容忽視。本文提出一種基于機器學習的適用于眾工藝角下的延遲預測方法，考慮工藝、電壓和溫度對時序的影響，利用基于自注意力Transformer模型對關鍵路徑進行全局聚合編碼，預測眾工藝角下關鍵路徑的統(tǒng)計延遲。在EPFL基準電路...