技术特征：
1.一种基于深度学习的芯片供电网络凸快电流估算方法，其特征在于，该方法包括以下步骤：(1)生成不同底层电流激励和不同去耦电容密度和位置的电源网，作为神经网络训练样本；(2)利用电源网的线性均匀性和叠加性，扩充步骤(1)中生成的训练样本，实现数据增强。(3)构建卷积神经网络，其输入为以二位矩阵形式表示的电流激励的分布，其输出为以一维向量形式表示的bump电流响应。并通过步骤(2)得到的最终的神经网络训练集训练构建的神经网络；(4)通过训练完的卷积神经网络计算静态场景下bump的时域电流响应。2.根据权利要求1所述的一种基于深度学习的芯片供电网络凸快电流估算方法，其特征在于，步骤(1)中，提取bump和电流源的位置后进行分组，并去除每组中超过阈值数量的端口，所述阈值根据需求的计算速度和硬件处理能力选取，并且可随机化添加底层电流激励大小和随机化添加去耦电容密度和位置并生成对应的电源网仿真文件。3.根据权利要求1所述的一种基于深度学习的芯片供电网络凸快电流估算方法，其特征在于，步骤(2)具体为：获取神经网络的训练数据，并对不同的训练数据随机赋予不同权重后进行线性组合，从而生成新的训练数据以实现数据增强。具体来说，由于电源网系统是线性时不变系统，所以其满足叠加性。当不同的底层电流激励线性叠加时，底层各个bump端的电流也满足以下线性叠加关系：的电流也满足以下线性叠加关系：的电流也满足以下线性叠加关系：式中，i
source
代表电流激励的分布，i
bump
表示bump电流响应，表示二者之间的对应关系，k代表常数项系数，i
source，a
和i
source，b
分别代表a与b两种情况下的电流激励分布，i
bump，a
和i
bump，b
分别代表a与b两种情况下的bump电流响应。4.根据权利要求1所述的一种基于深度学习的芯片供电网络凸快电流估算方法，其特征在于，步骤(3)具体为：构建的卷积神经网络有六层结构，第1
‑
4层包括依次连接的一个卷积层、一个批标准化操作单元、一个leakyrelu激活层和一个池化层；第五层是一个全连接层进行非线性变换；最后连接一个输出层。5.根据权利要求1所述的一种基于深度学习的芯片供电网络凸快电流估算方法，其特征在于，损失函数采用l1loss，peakloss和zeroconstraint的线性组合构成，计算公式为：loss＝l1loss+α*peakloss+β*zeroconstraintpeakloss＝(t
i
‑
p
k
)2+(t
j
‑
p
l
)2+|(k
‑
i)(t
i
‑
p
i
)(t
k
‑
p
k
)|+|(l
‑
j)(t
j
‑
p
j
)(t
l
‑
p
l
)|t
i
＝max(target)，t
j
＝min(target)，p
k
＝max(prediction)，p
l
＝min(prediction)zeroconstraint＝sum(prediction)式中，loss代表训练使用的总损失函数，llloss表示每个预测值和实际值之间的绝对
值误差，n表示预测值的长度即bump的数量，i表示预测值向量的的第i个值，peakloss表示测试数据预测值的最大最小值和标签之间的误差，α表示peakloss在总损失函数中的权重，zeroconstraint表示预测值总和与0之间的误差，β表示zeroconstraint在总损失函数中的权重，t
i
表示标签的最大值，t
j
表示标签的最小值，p
k
表示预测值的最大值，p
l
表示预测值的最小值，target表示标签，prediction表示预测值。6.一种基于深度学习的芯片供电网络凸快电流估算系统，其特征在于，该系统包含电源网生成模块、训练数据获取模块、轻量级卷积神经网络模块和bump电流计算模块。所述电源网生成模块用于生成不同底层电流激励和不同去耦电容密度和位置的电源网，作为神经网络训练样本。所述训练数据获取模块用于利用电源网的线性均匀性和叠加性，扩充步骤(1)中生成的训练样本，实现数据增强。所述卷积神经网络模块用于构建卷积神经网络，其输入为以二位矩阵形式表示的电流激励的分布，其输出为以一维向量形式表示的bump电流响应。并通过步骤(2)得到的最终的神经网络训练集训练构建的神经网络；所述bump电流计算模块通过训练完的卷积神经网络计算静态场景下bump的时域电流响应。7.根据权利要求6所述的一种基于深度学习的芯片供电网络凸快电流估算系统，其特征在于，所述电源网生成模块提取bump和电流源的位置后进行分组，并去除每组中超过阈值数量的端口，所述阈值根据需求的计算速度和硬件处理能力选取，并且可随机化添加底层电流激励大小和随机化添加去耦电容密度和位置并生成对应的电源网仿真文件。8.根据权利要求6所述的一种基于深度学习的芯片供电网络凸快电流估算系统，其特征在于，所述训练数据获取模块获取神经网络的训练数据，并对不同的训练数据随机赋予不同权重后进行线性组合，从而生成新的训练数据以实现数据增强。具体来说，由于电源网系统是线性时不变系统，所以其满足叠加性。当不同的底层电流激励线性叠加时，底层各个bump端的电流也满足线性叠加关系：也满足线性叠加关系：也满足线性叠加关系：式中，i
source
代表电流激励的分布，i
bump
表示bump电流响应，表示二者之间的对应关系，k代表常数项系数，i
source，a
和i
source，b
分别代表a与b两种情况下的电流激励分布，i
bump，a
和i
bump，b
分别代表a与b两种情况下的bump电流响应。9.根据权利要求6所述的一种基于深度学习的芯片供电网络凸快电流估算系统，其特征在于，所述卷积神经网络模块构建的神经网络有六层结构，第1
‑
4层包括依次连接的一个卷积层、一个批标准化操作单元、一个leakyrelu激活层和一个池化层；第五层是一个全连接层进行非线性变换，最后连接一个输出层。10.根据权利要求6所述的一种基于深度学习的芯片供电网络凸快电流估算系统，其特征在于，卷积神经网络模块构建的神经网络损失函数采用l1loss，peakloss和zeroconstraint的线性组合构成，计算公式为：
loss＝l1loss+α*peakloss+β*zeroconstraintpeakloss＝(t
i
‑
p
k
)2+(t
j
‑
p
l
)2+|(k
‑
i)(t
i
‑
p
i
)(t
k
‑
p
k
)|+|(l
‑
j)(t
j
‑
p
j
)(t
l
‑
p
l
)|t
i
＝max(target)，t
j
＝min(target)，p
k
＝max(prediction)，p
l
＝min(prediction)zeroconstraint＝sum(prediction)式中，loss代表训练使用的总损失函数，l1loss表示每个预测值和实际值之间的绝对值误差，n表示预测值的长度即bump的数量，i表示预测值向量的的第i个值，peakloss表示测试数据预测值的最大最小值和标签之间的误差，α表示peakloss在总损失函数中的权重，zeroconstraint表示预测值总和与0之间的误差，β表示zeroconstraint在总损失函数中的权重，t
i
表示标签的最大值，t
j
表示标签的最小值，p
k
表示预测值的最大值，p
l
表示预测值的最小值，target表示标签，prediction表示预测值。
技术总结
本发明公开了一种基于深度学习的芯片供电网络凸快电流估算方法及系统，包括：生成不同底层电流激励和不同去耦电容密度和区域的电源网；通过数据增强的方式构造多样化的训练数据；构建轻量级卷积神经网络并利用之前构造的数据集进行训练获得训练模型；利用训练好的模型，针对不同的激励进行Bump电流分布快速评估。该方法通过针对不同的电源网训练Bump电流分布模型，对电路在工程变更顺序(ECO)阶段的查看每次变换结果具有重要意义。查看每次变换结果具有重要意义。查看每次变换结果具有重要意义。
技术研发人员：卓成 陈宇飞 温晨怡
受保护的技术使用者：浙江大学
技术研发日：2021.05.10
技术公布日：2021/9/16