阅读说明：本技术 一种基于机器学习训练模型获取矩阵分解时间的方法 (Method for obtaining matrix decomposition time based on machine learning training model ) 是由 田小康 程明厚 阳杰 周振亚 刘强 于 2020-05-08 设计创作，主要内容包括：一种基于机器学习训练模型获取矩阵分解时间的方法,包括以下步骤：1)获取电路矩阵数据集；2)根据所述数据集进行矩阵分解时间模型训练；3)根据训练得到的矩阵分解时间模型,预测未知电路的矩阵分解时间。本发明的基于机器学习训练模型获取矩阵分解时间的方法,能够预估出矩阵分解时间,合理分配计算资源,缩短电路仿真时间,提升电路仿真效率。(A method for obtaining matrix decomposition time based on a machine learning training model comprises the following steps: 1) acquiring a circuit matrix data set; 2) performing matrix decomposition time model training according to the data set; 3) and predicting the matrix decomposition time of the unknown circuit according to the matrix decomposition time model obtained by training. The method for obtaining the matrix decomposition time based on the machine learning training model can estimate the matrix decomposition time, reasonably distribute computing resources, shorten the circuit simulation time and improve the circuit simulation efficiency.)

一种基于机器学习训练模型获取矩阵分解时间的方法

技术领域

本发明涉及EDA电路仿真技术领域，特别是涉及电路仿真中预测电路矩阵分解时间的方法。

背景技术

随着集成电路集成度增高，电路复杂度也在与日俱增，在现有集成电路计算机辅助设计( Integrated Circuit/Computer Aided Design )中，采用通用的电路模拟程序分析，对于超大规模集成电路，需要耗费大量的机时，尤其是在进行瞬态分析时需要进行多次迭代来分解电路矩阵，使得仿真工具计算量也会爆炸式增长。当前超大规模集成电路所面临的计算量过大，计算资源分配不均衡，以至于仿真时间过长等问题也严重影响了设计者的设计周期。

由于电路矩阵分解需要迭代多次，需要耗费大量的计算资源，但是在电路仿真之前，并不能够知道到底需要多少计算资源，往往导致计算资源分配不均衡，造成仿真时间过长和计算资源的浪费。

发明内容

为了解决现有技术存在的不足，本发明的目的在于提供一种基于机器学习训练模型获取矩阵分解时间的方法，利用训练得到的矩阵分解时间模型，预估出矩阵分解时间，合理分配计算资源，缩短电路仿真时间，提升电路仿真效率。

为实现上述目的，本发明提供的基于机器学习训练模型获取矩阵分解时间的方法，包括以下步骤：

1）获取电路矩阵数据集；

2）根据所述数据集进行矩阵分解时间模型训练；

3）根据训练得到的矩阵分解时间模型，预测未知电路的矩阵分解时间。

进一步地，所述步骤1）进一步包括，

获取电路矩阵的维数、非零元和矩阵分解计算次数数据；

去除所述数据中的异常值和重复值。

进一步地，所述步骤2）进一步包括，

将所述数据集导入机器学习模型的样本空间；

根据机器学习的回归算法训练得出矩阵分解时间模型。

进一步地，所述根据机器学习的回归算法训练得出矩阵分解时间模型的步骤，还包括，更换机器学习模型或更改模型参数，重新训练所述矩阵分解时间模型。

进一步地，还包括，根据回归模型评价指标评价训练的所述矩阵分解时间模型，记录所述矩阵分解时间模型的评价性能和预测结果，根据评价选择最优矩阵分解时间模型。

进一步地，所述回归模型评价指标包括评价绝对误差和评价均方误差。

进一步地，所述评价绝对误差和所述评价均方误差的数值越小则所述矩阵分解时间模型拟合度越高。

进一步地，所述步骤3）进一步包括，

将所述矩阵分解时间模型嵌入电路仿真；

获取所述未知电路的矩阵维数、非零元和矩阵分解计算次数数据；

调用所述矩阵分解时间模型并输入所述未知电路数据；

输出预测的所述未知电路矩阵分解时间。

为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时执行如上文所述的基于机器学习训练模型获取矩阵分解时间的方法步骤。

为实现上述目的，本发明还提供一种基于机器学习训练模型获取矩阵分解时间的装置，包括存储器和处理器，所述存储器上储存有在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行如上文所述的基于机器学习训练模型获取矩阵分解时间的方法步骤。

本发明的基于机器学习训练模型获取矩阵分解时间的方法，具有以下有益效果：

1）提供了一种衡量电路矩阵复杂度的指标，来预判电路的复杂度。

2）预估出矩阵分解时间，进一步合理分配计算资源，缩短电路仿真时间，提升电路仿真效率。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，并与本发明的实施例一起，用于解释本发明，并不构成对本发明的限制。在附图中：

图1为根据本发明的基于机器学习训练模型获取矩阵分解时间的方法流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

图1为根据本发明的基于机器学习训练模型获取矩阵分解时间的方法流程图，下面将参考图1，对本发明的基于机器学习训练模型获取矩阵分解时间的方法进行详细描述。

首先，在步骤101，测量电路数据。

本发明实施例中，对电路矩阵进行测量，获取电路矩阵的维数、非零元、矩阵计算次数等数据。

在步骤102，处理测量数据得到数据集。

本发明实施例中，去除实测数据的重复值和异常值，整理得到数据集。

在步骤103，对数据集进行机器学习模型训练。

本发明实施例中，将训练样本导入到机器学习模型的样本空间，通过机器学习的回归算法训练得出矩阵分解时间。

在步骤104，评价训练模型，记录模型的评价性能和预测结果。

本发明实施例中，对训练得到的模型进行评价，记录当前模型的评价性能和预测结果，用于最终选择最优的模型。

在步骤105，判断是否存在可更换的模型或可更改的模型参数，若是则更换机器学习模型或更改模型参数，跳至步骤103进行重新训练模型；若否则进行步骤106。该步骤中，当利用多种常用回归模型进行以及各个模型都进行了模型参数调整，再无可选择的模型和模型参数之后，可以进行步骤106。

在步骤106，结束模型训练，保存最优模型。

本发明实施例中，通过回归模型评价指标：MAE(评价绝对误差)、MSE(评价均方误差)等数值大小来评价最优模型。该步骤中，MAE(评价绝对误差)、MSE(评价均方误差)等数值越小说明拟合效果越好。

本发明实施例中，结束模型训练，将得到的最优模型保存下来，预测时直接调用模型即可。

本发明实施例中，利用训练得到的矩阵分解时间模型，预测未知的电路矩阵所需要分解的时间。该步骤中，将最优模型嵌入到电路仿真软件(ALPS)中，在电路仿真过程中，将电路矩阵维数、非零元和矩阵分解次数等特征数据保存为一定数据格式，该数据作为模型的输入，调用模型，即可得到模型预测的电路矩阵所需要分解的时间，该预测分解时间作为模型的输出。

本发明提出一种基于机器学习训练模型获取矩阵分解时间的方法，对于现有技术中由于电路矩阵分解需要迭代多次，需要耗费大量的计算资源，但是在电路仿真之前，并不能够知道到底需要多少计算资源，往往导致计算资源分配不均衡，造成仿真时间过长和计算资源的浪费。提出一种基于机器学习训练模型获取矩阵分解时间的方法，从而预估出矩阵分解时间，进一步合理分配计算资源，缩短电路仿真时间，提升电路仿真效率。

为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时执行如上文所述的基于机器学习训练模型获取矩阵分解时间的方法步骤。

为实现上述目的，本发明还提供一种基于机器学习训练模型获取矩阵分解时间的设备，包括存储器和处理器，所述存储器上储存有在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行如上文所述的基于机器学习训练模型获取矩阵分解时间的方法步骤。

本领域普通技术人员可以理解：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。