从零开始学习：面向下一代无库仿真的结构掩码 Transformer

本文提出一种用于多级数据路径功耗和时序预测的神经框架，区别于传统依赖驱动器特征化和负载简化的库基分析方法。我们在已知这类方法是首个面向标准单元的语言基、净表感知神经网络。该方法采用两个预训练的神经模型进行波形预测和时延估计，直接从 SPICE 净表推断瞬态波形和传播时延，同时考虑负载电容、输入提升率和门尺寸等关键物理参数。该方法无需简化或插值，准确捕捉内在时延效应和耦合引起的时延效应。对于多级时序预测，本文实现了递归传播策略，其中每个阶段预测的波形输入到后续阶段，累积捕捉逻辑链中的时延。该方法确保复杂信号路径中的时序精准对齐和完整波形可视性。波形预测采用网表感知的节点级编码的混合 CNN-Transformer 架构，解决传统 Transformer 固定输入维度的限制。此外，专用子网络分别处理主时延估计和串扰校正。实验结果表明，本方法达到了 SPICE 级精度，在 diverse industrial circuits 中始终实现 RMSE 低于 0.0098。该框架为传统功耗和时序引擎提供了一个可扩展、结构适应性强的神经替代方案，显示出与物理电路行为高度一致。