基于卷积神经网络的最坏情况动态电源分配网络噪声预测
机器学习
2022-04-29 v1
摘要
最坏情况动态PDN噪声分析是PDN签核中确保芯片性能和可靠性的关键步骤。然而，随着PDN规模的增长和需要验证的场景增多，进行全栈PDN仿真以检查不同测试向量的最坏情况噪声变得非常耗时且耗费资源。最近，各种工作提出了基于机器学习的电源噪声预测方法，其中许多方法仍然存在训练开销大、效率低或不可扩展的问题。因此，本文提出了一种用于最坏情况动态PDN噪声预测的高效且可扩展的框架。该框架首先减少PDN和输入电流向量中的空间和时间冗余，然后采用高效的特征提取以及一种新颖的卷积神经网络架构来预测最坏情况动态PDN噪声。实验结果表明，所提出的框架始终优于商业工具和最先进的机器学习方法，平均相对误差仅为0.63-1.02%，加速比为25-69倍。
引用
@article{arxiv.2204.13109,
title = {Worst-Case Dynamic Power Distribution Network Noise Prediction Using Convolutional Neural Network},
author = {Xiao Dong and Yufei Chen and Xunzhao Yin and Cheng Zhuo},
journal= {arXiv preprint arXiv:2204.13109},
year = {2022}
}
备注
6 pages, 6 figures