一种电子设计自动化方法及装置与流程

1.本发明涉及电子设计技术领域，且更具体地，涉及一种电子设计自动化方法及装置。


背景技术：

2.在电子设计过程中，常常是设计工作人员通过在电子设计软件上进行多次设计才能完成设计目标。也就是说目前的电子设计过程依赖于设计工作人员的经验和水平，人为介入因素较多。并且因为电子设计软件需要大量的计算资源，通常需要很长时间才能完成一次设计参数的计算。从而现有的电子设计方式，存在智能化程度较低且用时较长的问题，因此确定一种智能化程度较高且用时较短的电子设计自动化方法具有重要意义。


技术实现要素：

3.本发明提供了一种电子设计自动化的方法、装置、计算机可读存储介质及电子设备，以解决现有的电子设计方式存在的智能化程度较低且用时较长的技术问题。
4.根据本发明的第一方面，提供了一种电子设计自动化的方法，包括：
5.获取电子设计的目标设计结果；
6.基于所述目标设计结果和已训练的反向机器学习模型，得到预测设计参数；
7.基于所述预测设计参数和已训练的前向机器学习模型，得到预测设计结果；
8.若所述预测设计结果与所述目标设计结果间的关系符合第一预设条件，则基于所述预测设计参数和设计工具，确定实际设计结果；
9.若所述实际设计结果与所述目标设计结果间的关系符合第二预设条件，则确定所述预测设计参数为实际设计参数。
10.根据本发明的第二方面，提供了一种电子设计自动化的装置，包括：
11.目标获取模块，用于获取电子设计的目标设计结果；
12.参数预测模块，用于基于所述目标设计结果和已训练的反向机器学习模型，得到预测设计参数；
13.结果预测模型，用于基于所述预测设计参数和已训练的前向机器学习模型，得到预测设计结果；
14.结果确定模块，用于若所述预测设计结果与所述目标设计结果间的关系符合第一预设条件，则基于所述预测设计参数和设计工具，确定实际设计结果；
15.参数确定模块，用于若所述实际设计结果与所述目标设计结果间的关系符合第二预设条件，则确定所述预测设计参数为实际设计参数。
16.根据本发明的第三方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述的电子设计自动化的方法。
17.根据本发明的第四方面，提供了一种电子设备，所述电子设备包括：
18.处理器；
19.用于存储所述处理器可执行指令的存储器；
20.所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述的电子设计自动化的方法。
21.与现有技术相比，本发明提供的电子设计自动化的方法、装置、计算机可读存储介质及电子设备，至少包括以下有益效果：
22.本发明在获取到电子设计的目标设计结果之后，根据目标设计结果和已训练的反向机器学习模型，得到新的设计参数即预测设计参数，在得到新的设计参数的过程中减少了人为因素的介入。然后根据预测设计参数和已训练的前向机器学习模型，得到预测设计结果，实现对预测设计参数的初步评估，并判断预测设计结果与目标设计结果间的关系是否符合第一预设条件，若是，则证明根据该预测设计参数进行设计后，得到目标设计结果的可能性较高，此时进一步基于预测设计参数和设计工具，确定实际设计结果，并在实际设计结果与目标设计结果间的关系符合第二预设条件时，将预测设计参数确定为实际设计参数，如此可以有效的减少利用设计工具确定实际设计结果的次数，有效缩短设计时间。综上所述，本发明提供技术方案利用已训练的反向机器学习模型、已训练的前向机器学习模型和设计工具相结合的方式，减少设计过程中的人为因素的介入，有效的提高电子设计过程的智能化程度，并有效的缩短设计时间，提高设计效率。
附图说明
23.为了更清楚地说明本的技术方案，下面将对本发明的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
24.图1是本发明一示例性实施例提供的电子设计自动化的方法中步骤101-步骤105的流程示意图；
25.图2是本发明一示例性实施例提供的电子设计自动化的方法中步骤101-步骤106的流程示意图；
26.图3是本发明一示例性实施例提供的电子设计自动化的方法中步骤107-步骤110的流程示意图；
27.图4是本发明一示例性实施例提供的电子设计自动化的方法中步骤111-步骤115的流程示意图；
28.图5是本发明一示例性实施例提供的电子设计自动化的方法中步骤1141-步骤1144的流程示意图；
29.图6是本发明一示例性实施例提供的电子设计自动化的方法中第一输出网络结构的示意图；
30.图7是本发明一示例性实施例提供的电子设计自动化的方法中步骤116-步骤120的流程示意图；
31.图8是本发明一示例性实施例提供的电子设计自动化的装置的结构示意图；
32.图9是本发明一示例性实施例提供的电子设备的结构图。
具体实施方式
33.下面将结合本中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有创造性劳动前提下所获得的所有其他实施例，都属于本实施例保护的范围。
34.示例性方法
35.图1是本发明一示例性实施例提供的电子设计自动化的方法的流程示意图。本实施例可应用在电子设备上，具体可以应用于服务器或一般计算机上。至少包括如下步骤：
36.步骤101，获取电子设计的目标设计结果。
37.在一实施例中，目标设计结果是指进行电子设计时想要达到的设计目标。其中，目标设计结果可以包括多个设计指标，例如进行二级功放设计的过程中，目标设计结果中可能包括电源减弱系数，噪音，共模抑制比，随机谐振，调相和带宽等设计指标，不同的设计指标对应的设定数值组成了目标设计结果。
38.步骤102，基于所述目标设计结果和已训练的反向机器学习模型，得到预测设计参数。
39.在一实施例中，为了达到目标设计结果，需要有设计参数，根据设计参数进行设计即可以得到设计结果，只不过并非所有的设计参数均可以达到目标设计结果，因此往往需要多次确定出新的设计参数。在本实施例中，将目标设计结果输入已训练的反向机器学习模型中，已训练的反向机器学习模型将输出预测设计参数，实现以非人工的方式获取到新的设计参数，减少人为因素的介入。
40.步骤103，基于所述预测设计参数和已训练的前向机器学习模型，得到预测设计结果。
41.在一实施例中，在获取到预测设计参数后，将预测设计参数输入已训练的前向机器学习模型，已训练的前向机器学习模型将输出预测设计结果，即利用已训练的前向机器学习模型对预测设计参数可能得到的设计结果进行预测，实现对预测设计参数的初步评估。值得注意的是，已训练的后向机器学习模型以设计结果为输入内容，以设计参数为输出内容，已训练的前向机器学习模型以设计参数为输入内容，以设计结果为输出内容，因此在利用已训练的反向机器学习模型产生预测设计参数后，可以将其输入已训练的前向机器学习模型，确定其对应的预测设计结果。
42.步骤104，若所述预测设计结果与所述目标设计结果间的关系符合第一预设条件，则基于所述预测设计参数和设计工具，确定实际设计结果。
43.在一实施例中，在获取到预测设计结果后，判断预测设计结果与目标设计结果间的关系是否符合第一预设条件，其中预测设计结果与目标设计结果间的关系可以为预测设计结果与目标设计结果差值的绝对值，此时第一预设条件可以为小于第一设定值；或者预测设计结果与目标设计结果间的关系还可以为预测设计结果与目标设计结果的比值，此时第一预设条件可以为大于第二设定值，即通过预测设计结果与目标设计结果间的关系以及第一预设条件，筛选出与目标设计结果较为接近的预测设计结果。在预测设计结果与目标设计结果间的关系符合第一预设条件时，进一步将预测设计结果对应的预测设计参数输入到设计工具中，以利用设计工具对预测设计参数进行评估，确定出实际设计结果，从而避免
将所有得到的预测设计参数均输入到设计工具中，有效的减少设计工具的使用次数。具体的，设计工具可以为电子设计自动化工具或计算机辅助数据工具等用于电子设计的工具。
44.步骤105，若所述实际设计结果与所述目标设计结果间的关系符合第二预设条件，则确定所述预测设计参数为实际设计参数。
45.在一实施例中，在获取到实际设计结果之后，将实际设计结果与目标设计结果进行比较，若实际设计结果与目标设计结果间的关系符合第二预设条件，证明实际设计结果可以达到目标设计结果，则预测设计参数将被确定为实际设计参数。其中实际设计结果与目标设计结果间的关系可以为实际设计结果与目标设计结果差值的绝对值，此时第二预设条件可以为小于第三设定值；或者实际设计结果与目标设计结果间的关系还可以为实际设计结果与目标设计结果间的比值，此时第二预设条件可以为大于第四设定值，从而利用实际设计结果与目标设计结果间的关系以及第二预设条件筛选出实际设计结果可以达到目标设计结果的预测设计参数。
46.在上述实施例中，利用已训练的反向机器学习模型就可以获取到预测设计参数，无需依赖设计工作人员，并在利用设计工具前利用已训练的前向机器学习模型对预测设计参数进行评估，有效的减少利用设计工具确定实际设计结果的次数，进而可以有效的缩短设计时间。
47.如图2所示，在上述图1所示实施例的基础上，本发明一个示例性实施例中，具体可以还包括如下步骤：
48.步骤106，基于所述预测设计参数和实际设计结果，更新所述已训练的反向机器学习模型和已训练的前向机器学习模型。
49.在上述实施例中，为了保证已训练的反向机器学习模型和已训练的前向机器学习模型的效率、准确性，在获取到预测设计参数和实际设计结果后，利用预测设计参数和实际设计结果，对已训练的反向机器学习模型和前向机器学习模型进行更新。具体地，将预测设计参数和实际设计结果加入到训练数据集中，使得已训练的反向机器学习模型和已训练的前向机器学习模型再次接受训练，随着训练数据集中的数据不断增加，已训练的反向机器学习模型和已训练的前向机器学习模型将更加高效、更加准确。在每一次获取到预测设计参数和实际设计结果后，可以及时对已训练的反向机器学习模型和已训练的前向机器学习模型进行更新，也可以在获取到多组预测设计参数和实际设计结果之后，利用多组预测设计参数和实际设计结果对已训练的反向机器学习模型和已训练的前向机器学习模型进行更新。
50.在一种可能的实现方式中，在基于预测设计参数和实际设计结果，更新已训练的反向机器学习模型和已训练的前向机器学习模型之前，判断实际设计结果与目标设计结果间的关系是否符合第二预设条件，若符合，则设计过程结束，若不符合，则基于所述预测设计参数和实际设计结果，更新所述已训练的反向机器学习模型和已训练的前向机器学习模型。
51.如图3所示，在上述图1所示实施例的基础上，本发明一个示例性实施例中，具体可以还包括如下步骤：
52.步骤107，获取第一训练数据集，所述第一训练数据集包括第一训练用设计参数和第一训练用设计结果。
53.在一实施例中，为了获得已训练的前向机器学习模型和已训练的反向机器学习模型，需要先获取到第一训练数据集用于模型的训练，其中第一训练数据集中包括第一训练用设计参数和第一训练用设计结果。其中第一训练用设计参数和第一训练用设计结果可以为历史设计参数和历史设计结果。当然在没有历史数据或历史数据量不足时，可以获取随机生成第一训练用设计参数；并将所述第一训练用设计参数输入设计工具，获取所述第一训练用设计参数对应的第一训练用设计结果。
54.步骤108，将所述第一训练用设计参数输入第一原始模型，得到第一预测训练结果。
55.在一实施例中，第一原始模型以设计参数为输入内容，以设计结果为输出内容，由初始设定的各种模型参数搭建出的数学模型。具体的，将第一训练用设计参数输入第一原始模型，第一原始模型输出第一预测训练结果。
56.步骤109，将所述第一预测训练结果输入第二原始模型，得到第一预测训练参数。
57.在一实施例中，第二原始模型为以设计结果为输入内容，以设计参数为输出内容，由初始设定的各种模型参数搭建出的数学模型。具体的，将第一预测训练结果输入第二原始模型，第二原始模型输出第一预测训练参数。因为第二原始模型的输入为第一原始模型的输出，因此第二原始模型是根据第一原始模型获得。
58.步骤110，基于所述第一训练用设计参数、所述第一训练用设计结果、所述第一预测训练结果和所述第一预测训练参数，调整所述第一原始模型和所述第二原始模型分别对应的模型参数，获取已训练的前向机器学习模型和已训练的反向机器学习模型。
59.在一实施例中，因为第二原始模型的输入依赖于第一原始模型的输出，因此在进行参数调整时，需要根据第一训练用设计参数、第一训练用设计结果、第一预测训练结果和第一预测训练参数进行调整。在进行参数调整后，第一原始模型得到已训练的前向机器学习模型，第二原始模型得到已训练的反向机器学习模型。
60.在一种可能的实现方式中，根据由第一预测训练结果和第一训练用设计结果确定的第一损失函数值，调整所述第一原始模型的模型参数，获取已调整第一原始模型；根据由第一训练用设计参数和第一预测训练参数确定的第二损失函数值，调整已调整第一原始模型和第二原始模型分别对应的模型参数，获取已训练的前向机器学习模型和已训练的反向机器学习模型。
61.举例来说，第一训练数据集表示为(x,y)，x＝{x1,x2,
…
,xi,
…
,xn}，y＝{y1,y2,
…
,yi,
…yn
)，x表征第一训练用设计参数，共包含n个数据，xi表征第i个第一训练用设计参数，y表征第一训练用设计结果，共包含n个数据，yi表征第i个第一训练用设计结果。搭建一个第一原始模型时，可以为多层全连接深度学习模型，多层resnet网络，以x为输入，y为输出标注额训练第一原始模型，设计第一原始模型对应的损失函数如下所示：
[0062][0063]
其中，lf表征第一原始模型对应的损失函数，表征第i个第一预测训练结果，l表征欧几里德范数，根据上述公式可知，根据第一预测训练结果和第一训练用设计结果可以确定出第一损失函数值，以lf→
0为训练目标，根据第一损失函数值对第一原始模型的模型参数进行调整，以获取到已调整第一原始模型。进一步地，搭建一个第二原始模型，可以为
多层全连接深度学习模型，多层resnet网络，以第一原始模型的输出为输入，以x为输出标注额，对已调整第一原始模型和第二原始模型进行联合训练，设计第二原始模型对应的损失函数如下所示：
[0064][0065]
其中，lb表征第二原始模型的损失函数，表征第i个第一预测训练参数，根据上述公式可知，根据第一训练用设计参数和第一预测训练参数可以确定的第二损失函数值，lb→
0和lf→
0为训练目标，根据第二损失函数值对已调整第一原始模型和第二原始模型分别对应的模型参数进行调整，以获取到已训练的前向机器学习模型和已训练的后向机器学习模型。当然还可以确定其他损失函数，如l
t
＝αlf+(1-α)lb，l
t
表征联合损失函数，其中α为介于0和1之间的数值，用于调节第一原始模型和第二原始模型的比重，l
t
→
0为训练目标，也可以实现对第一原始模型和第二原始模型进行训练的目的。
[0066]
在上述实施例中，对第一原始模型进行训练得到已训练的前向机器学习模型，对第二原始模型进行训练得到已训练的后向机器学习模型，获取到的已训练的前向机器学习模型和已训练的后向机器学习模型准确性较高。
[0067]
如图4所示，在上述图2所示实施例的基础上，本发明一个示例性实施例中，在步骤108将所述第一训练用设计参数输入第一原始模型，得到第一预测训练结果前，所述方法还包括：
[0068]
步骤111，确定第一模型输入项和第一模型输出项中的第一输出参数。
[0069]
在一实施例中，第一模型输入项为模型的输入内容，第一模型输出项为模型的输出内容，输入内容中可能包含有不同的参数，即第一输入参数，输出内容可能包含有不同的参数即第一输出参数。例如，存在某第一模型输入项xi＝(ibi,wg1i,lg1i,wg2i,lg2i,wcfi,lrfi)，则该第一模型输入项由七个第一输入参数组成；存在某第一模型输出项yi＝(pssri,noisei,cmrri,sri,pmi,bwi)，则该第一模型输出项由六个第一输出参数组成。需要说明的是，上述七个第一输入参数，六个第一输出参数仅由上述字母表征，具体物理意义不予限定。
[0070]
步骤112，若所述第一输出参数的个数大于等于两个，则确定每一个第一输出参数分别与所述第一模型输入项间的第一相关值。
[0071]
在一实施例中，判断第一输出参数的个数是否大于等于两个，若是，则确定每一个第一输出参数分别与第一模型输入项间的第一相关值。承接步骤111例子，确定出第一输出参数pssr与七个第一输入参数间的第一相关值，第一输出参数noise与七个第一输入参数间的第一相关值，依次类推，直至确定出六个第一输出参数分别对应的第一相关值为止。具体的，可以利用皮尔逊相关性分析、欧式距离等确定每一个第一输出参数分别与第一模型输入项间的第一相关值。
[0072]
步骤113，基于各个所述第一输出参数分别对应的第一相关值，确定各个所述第一输出参数的参数确定顺序。
[0073]
在一实施例中，参数确定顺序是指第一输出参数被确定的顺序，当参数被确定后即被输出时，参数确定顺序即为参数输出顺序。当需要将全部第一输出参数全部被确定后
再一同输出，此时参数确定顺序不等于参数输出顺序。
[0074]
在一种可能的实现方式中，对各个所述第一输出参数分别对应的第一相关值进行由大到小的排序，将正向排序结果确定为各个所述第一输出参数的参数确定顺序。在另一种可能的实现方式中，对各个所述第一输出参数分别对应的第一相关值进行由小到达的排序，将反向排序结果确定为各个所述第一输出参数的参数确定顺序。也就是说在确定第一输出参数时，先确定是与第一输入项最相关的第一输出参数。
[0075]
步骤114，基于各个所述第一输出参数的参数确定顺序，确定第一输出网络结构。
[0076]
在一实施例中，存在至少两个第一输出参数时，各个第一输出参数间通常不是独立存在的，因此若仅根据神经网络层提取出的特征分别独立的确定出各个第一输出参数，则确定出的不同第一输出参数间可能存在冲突。在本实施例中，根据第一输出参数的参数确定顺序可以确定出在先输出参数和在后输出参数，在确定在后输出参数时，可以引入在先输出参数，从而在确定第一输出网络结构时，通过考虑第一输出参数的参数确定顺序，引入先输出参数对在后输出参数的影响，以保证确定出的各个第一输出参数的准确性。
[0077]
步骤115，基于所述第一输出网络结构、预先搭建的第一输入网络和第一特征提取网络，获取第一原始模型或第二原始模型。
[0078]
在一实施例中，预先搭建第一输入网络和第一特征提取网络，第一模型输入项通过预先搭建的第一输入网络输入，然后经过第一特征提取网络进行特征提取，将提取出的特征输入至第一输出网络结构，由第一输出网络结构输出第一输出项。根据不同的第一输入项和第一输出项可以获取到不同的模型。例如，以第一训练用设计参数为第一输入项，以第一预测训练结果为第一输出项，通过上述步骤111-步骤115可以获取到第一原始模型；以第一预测训练结果为第一输入项，以第一预测训练参数为第一输出项，通过步骤111-步骤115可以获取到第二原始模型。具体的，第一训练用设计参数对应的第一输入参数的个数为p(p＝7)个，第一预测训练结果对应的第一输出参数为q(q＝6)个，预先搭建第一输入网络和第一特征提取网络、第一输出网络结构均可以为全连接网络层，全连接网络层的层数大于等于2，各个全连接网络层的神经元节点数量为m，中间层的神经元节点数量为mk，其中p≤m1…
≤mk≥m
k+1
…
≥q，各个全连接网络层可以加入relu层，对特征进行过滤，将噪音去掉。第一预测训练结果对应的第一输入参数的个数为q(q＝6)个，第一预测训练参数对应的第一输出参数为p(p＝7)个，预先搭建第一输入网络和第一特征提取网络、第一输出网络结构均可以为全连接网络层，全连接网络层的层数大于等于2，各个全连接网络层的神经元节点数量为m，中间层的神经元节点数量为mk，其中q≤m1…
≤mk≥m
k+1
…
≥p，各个全连接网络层可以加入relu层，对特征进行过滤，将噪音去掉。
[0079]
在上述实施例中，对各个第一输出参数与第一模型输入项中所有的第一输入参数的相关性进行考虑，确定出各个第一输出参数的参数确定顺序，并进一步根据参数确定顺序确定出第一输出网络结构，进而得到第一原始模型或第二原始模型。使得由第一原始模型或第二原始模型输出的各个第一输出参数并不是相互独立的确定出来的，保证各个第一输出参数的准确性较高。
[0080]
如图5所示，在上述图4所示实施例的基础上，本发明一个示例性实施例中，步骤114基于各个所述第一输出参数的参数确定顺序，确定第一输出网络结构，具体可以包括如下步骤：
[0081]
步骤1141，根据各个所述第一输出参数的参数确定顺序，依次将各个所述第一输出参数确定为当前第一输出参数。
[0082]
在一实施例中，当前第一输出参数表示当前被选中的第一输出参数，因为当前第一输出参数是根据第一输出参数的参数确定顺序依次确定的，因此所有的第一输出参数都会成为当前第一输出参数，即当前第一输出参数是不断更新的。
[0083]
步骤1142，确定所述当前第一输出参数对应的在先第一输出参数，并在所述在先第一输出参数中确定相邻第一输出参数。
[0084]
在一实施例中，若参数确定顺序是根据第一相关值由大到小的顺序确定的，则在先第一输出参数为排序在当前第一输出参数前的所有第一输出参数，相邻第一输出参数为排序在当前第一输出参数前一个的第一输出参数；若参数确定顺序是根据第二相关值由小到大的顺序确定的，则在先第一输出参数为排序在当前第一输出参数后的所有第一输出参数，相邻第一输出参数为排序在当前第一输出参数后一个的第一输出参数。
[0085]
步骤1143，将所述相邻第一输出参数对应的神经网络层提取出的特征和在先第一输出参数均作为所述当前第一输出参数对应的神经网络层的输入，确定出当前第一输出参数的神经网络层输入结构。
[0086]
在一实施例中，相邻第一输出参数对应的神经网络层与当前第一输出参数对应的神经网络层相邻，在确定当前第一输出参数时，当前第一输出参数的神经网络层会根据相邻第一输出参数对应的神经网络层提取出的特征和在先第一输出参数，确定出当前第一输出参数。即在先第一输出参数会作为当前第一输出参数的神经网络层的输入，相邻第一输出参数对应的神经网络层提取出的特征也将作为当前第一输出参数的神经网络层的输入。
[0087]
步骤1144，将每一个所述第一输出参数的神经网络层输入结构组合确定出第一输出网络结构。
[0088]
在一实施例中，因第一输出参数会根据参数确定顺序依次确定为当前第一输出参数，因此在当前第一输出参数不断更新时，不同第一输出参数的神经网络输入结构被不断确认，因此最终获取到每一个第一输出参数的神经网络输入结构，将各个第一输出参数的神经网络输入结构组合后即确定出第一输出网络结构。
[0089]
举例来说，如图6所示，参数确定顺序即为参数输出顺序，其中输出1至输入n为不同的第一输出参数，在确定输出1时，根据的是神经网络层1提取到的特征，在确定输出2时，根据的是神经网络层2提取到的特征以及输入1，在确定输出3时，根据的是神经网络3层提取到的特征、输出1和输出2，依次类推，在确定输出n时，根据的是神经网络层n提取到的特征和前面n-1个输出。因此在将输出3作为当前第一输出参数时，在先第一输出参数为输出1和输出2，相邻第一输出参数为输出2，输出2对应的神经网络层为神经网络层2，输出3的的神经网络输入结构为神经网络层2提取的特征、输出1和输出2。
[0090]
在上述实施例中，将在先第一输出参数作为当前第一输出参数的输入，从而在确定各个当前第一输出参数时，充分考虑在先第一输出参数，使得利用该第一输出网络输出的各个第一输出参数的准确性更高。
[0091]
如图7所示，在上述图1所示实施例的基础上，本发明一个示例性实施例中，具体可以还包括如下步骤：
[0092]
步骤116，获取第二训练数据集，所述第二训练数据集包括第二训练用设计参数和
第二训练用设计结果。
[0093]
在一实施例中，为了获得已训练的前向机器学习模型和已训练的反向机器学习模型，需要先获取到第二训练数据集用于模型的训练，其中第二训练数据集中包括第二训练用设计参数和第二训练用设计结果。其中第二训练用设计参数和第二训练用设计结果可以为历史设计参数和历史设计结果，即根据历史数据可以获取到第二训练用设计参数和第二训练用设计结果。当然在没有历史数据或历史数据量不足时，可以获取随机生成第二训练用设计参数；并将所述第二训练用设计参数输入设计工具，获取所述第二训练用设计参数对应的第二训练用设计结果。
[0094]
步骤117，将所述第二训练用设计参数输入第三原始模型，得到第二预测训练结果。
[0095]
在一实施例中，第三原始模型以设计参数为输入内容，以设计结果为输出内容，由初始设定的各种模型参数搭建出的数学模型。具体的，将第二训练用设计参数输入第三原始模型，第三原始模型输出第二预测训练结果。
[0096]
步骤118，将所述第二训练用设计结果输入第四原始模型，得到第二预测训练参数。
[0097]
在一实施例中，第四原始模型以设计结果为输入内容，以设计参数为输出内容，由初始设定的各种模型参数搭建出的数学模型。具体的，将第二训练用设计结果输入第四原始模型，第四原始模型输出第二预测训练参数。
[0098]
步骤119，根据由第二训练用设计结果和所述第二预测训练结果确定的第三损失函数值，调整所述第三原始模型对应的模型参数，获取已训练的前向机器学习模型。
[0099]
在一实施例中，以第二训练用设计结果为输出标注额，第二预测训练结果为模型实际输出，通过已构建的损失函数，确定第三损失函数值，调整第三原始模型对应的模型参数，获取已训练的前向机器学习模型。其中损失函数可以根据实际情况进行构造，在本实施例中不作具体限定。
[0100]
步骤120，根据由第二训练用设计参数和第二预测训练参数确定的第四损失函数值，调整所述第四原始模型的模型参数，获取已训练的后向机器学习模型。
[0101]
在一实施例中，以第二训练用设计参数为输出标注额，第二预测训练参数为模型实际输出，通过已构建的损失函数，确定第四损失函数值，调整第四原始模型对应的模型参数，获取已训练的后向机器学习模型。其中损失函数可以根据实际情况进行构造，在本实施例中不作具体限定。
[0102]
在上述实施例中，对第三原始模型进行训练获取已训练的前向机器学习模型，对第四原始模型进行训练获取已训练的后向机器学习模型，在训练过程中，因第四原始模型的输入内容和输出内容与第三原始模型的输入内容和输出内容不再存在依赖关系，即第三原始模型和第四原始模型可以通过各自的单独训练获取到已训练的前向机器学习模型和已训练的后向机器学习模型，从而可以同时进行对第三原始模型和第四原始模型的训练，进而可以提高模型训练速度。
[0103]
在一种可能的实现方式中，在确定第三原始模型和第四原始模型时，依然需要考虑在先输出参数对在后输出参数的影响。具体地，确定第二模型输入项和第二模型输出项中的第二输出参数；若所述第二输出参数的个数大于等于两个，则确定每一个第二输入参
数分别与所述第二模型输入项间的第二相关值；基于各个所述第二输出参数分别对应的第二相关值，确定各个所述第二输出参数的参数确定顺序；基于各个所述第二输出参数的参数确定顺序，确定第二输出网络结构；基于所述第二输出网络结构、预先搭建的第二输入网络和第二特征提取网络，获取第三原始模型或第四原始模型。
[0104]
进一步地，所述基于各个所述第二输出参数分别对应的第二相关值，确定各个所述第二输出参数的参数确定顺序，包括：对各个所述第二输出参数分别对应的第二相关值进行由大到小的排序，将正向排序结果确定为各个所述第二输出参数的参数确定顺序；或，对各个所述第二输出参数分别对应的第二相关值进行由小到达的排序，将反向排序结果确定为各个所述第二输出参数的参数确定顺序。
[0105]
进一步地，所述基于各个所述第二输出参数的参数确定顺序，确定第二输出网络结构，包括：根据各个所述第二输出参数的参数确定顺序，依次将各个所述第二输出参数确定为当前第二输出参数；确定所述当前第二输出参数对应的在先第二输出参数，并在所述在先第二输出参数中确定相邻第二输出参数；将所述相邻第二输出参数对应的神经网络层提取出的特征和在先第二输出参数均作为所述当前第二输出参数对应的神经网络层的输入，确定出当前第二输出参数的神经网络层输入结构；将每一个所述当前第二输出参数的神经网络层输入结构组合确定出第二输出网络结构。需要说明的是，因第一原始模型、第二原始模型、第三原始模型、第四原始模型的本质相同均为初始搭建的数学模型，仅为区分方便将其进行不同的命名，因此对于第三原始模型和第四原始模型的搭建内容与上述内容中步骤111-步骤120相似，仅是进行“第一”至“第二”的替换，因此对此相关内容不再赘述，请参考步骤111-步骤120。
[0106]
示例性装置
[0107]
基于与本发明方法实施例相同的构思，本发明实施例还提供了一种电子设计自动化的装置。
[0108]
图8示出了本发明一示例性实施例提供的电子设计自动化的装置的结构示意图，包括：
[0109]
目标获取模块81，用于获取电子设计的目标设计结果；
[0110]
参数预测模块82，用于基于所述目标设计结果和已训练的反向机器学习模型，得到预测设计参数；
[0111]
结果预测模型83，用于基于所述预测设计参数和已训练的前向机器学习模型，得到预测设计结果；
[0112]
结果确定模块84，用于若所述预测设计结果与所述目标设计结果间的关系符合第一预设条件，则基于所述预测设计参数和设计工具，确定实际设计结果；
[0113]
参数确定模块85，用于若所述实际设计结果与所述目标设计结果间的关系符合第二预设条件，则确定所述预测设计参数为实际设计参数。
[0114]
在本发明一示例性实施例中，所述装置还包括：
[0115]
更新处理模型，用于基于所述预测设计参数和实际设计结果，更新所述已训练的反向机器学习模型和已训练的前向机器学习模型。
[0116]
在本发明一示例性实施例中，所述装置还包括：
[0117]
第一数据获取模块，用于获取第一训练数据集，所述第一训练数据集包括第一训
练用设计参数和第一训练用设计结果；
[0118]
第一输入处理模块，用于将所述第一训练用设计参数输入第一原始模型，得到第一预测训练结果；
[0119]
第二输入处理模块，用于将所述第一预测训练结果输入第二原始模型，得到第一预测训练参数；
[0120]
第一训练处理模块，用于基于所述第一训练用设计参数、所述第一训练用设计结果、所述第一预测训练结果和所述第一预测训练参数，调整所述第一原始模型和所述第二原始模型分别对应的模型参数，获取已训练的反向机器学习模型和已训练的前向机器学习模型。
[0121]
在一示例性实施例中，所述第一训练处理模块，包括：
[0122]
第一调整处理单元，用于根据由第一预测训练结果和第一训练用设计结果确定的第一损失函数值，调整所述第一原始模型的模型参数，获取已调整第一原始模型；
[0123]
第二调整处理单元，用于根据由第一训练用设计参数和第一预测训练参数确定的第二损失函数值，调整已调整第一原始模型和第二原始模型分别对应的模型参数，获取已训练的反向机器学习模型和已训练的前向机器学习模型。
[0124]
在本发明一示例性实施例中，所述第一数据获取模块，包括：
[0125]
第一数据生产单元，用于获取随机生成的第一训练用设计参数；
[0126]
第二数据生产单元，用于将所述第一训练用设计参数输入设计工具，获取所述第一训练用设计参数对应的第一训练用设计结果。
[0127]
在本发明一示例性实施例中，所述装置还包括：
[0128]
第一参数确定模块，用于确定第一模型输入项和第一模型输出项中的第一输出参数；
[0129]
第一个数判断模块，用于若所述第一输出参数的个数大于等于两个，则确定每一个第一输出参数分别与所述第一模型输入项间的第一相关值；
[0130]
第一顺序确定模块，用于基于各个所述第一输出参数分别对应的第一相关值，确定各个所述第一输出参数的参数确定顺序；
[0131]
第一结构确定模块，用于基于各个所述第一输出参数的参数确定顺序，确定第一输出网络结构；
[0132]
第一模型搭建模块，用于基于所述第一输出网络结构、预先搭建的第一输入网络和第一特征提取网络，获取第一原始模型或第二原始模型。
[0133]
在本发明一示例性实施例中，所述第一顺序确定模块用于对各个所述第一输出参数分别对应的第一相关值进行由大到小的排序，将正向排序结果确定为各个所述第一输出参数的参数确定顺序；或，所述第一顺序确定模块用于对各个所述第一输出参数分别对应的第一相关值进行由小到达的排序，将反向排序结果确定为各个所述第一输出参数的参数确定顺序。
[0134]
在本发明一示例性实施例中，所述第一结构确定模块包括：
[0135]
参数输出单元，用于根据各个所述第一输出参数的参数确定顺序，依次将各个所述第一输出参数确定为当前第一输出参数；
[0136]
参数确定单元，用于确定所述当前第一输出参数对应的在先第一输出参数，并在
所述在先第一输出参数中确定相邻第一输出参数；
[0137]
结构确定单元，用于将所述相邻第一输出参数对应的神经网络层提取出的特征和在先第一输出参数均作为所述当前第一输出参数对应的神经网络层的输入，确定出当前第一输出参数的神经网络层输入结构；
[0138]
结构组合单元，用于将每一个所述第一输出参数的神经网络层输入结构组合确定出第一输出网络结构。
[0139]
在本发明一示例性实施例中，所述装置还包括：
[0140]
第二数据获取模块，用于获取第二训练数据集，所述第二训练数据集包括第二训练用设计参数和第二训练用设计结果；
[0141]
第三输入处理模块，用于将所述第二训练用设计参数输入第三原始模型，得到第二预测训练结果；
[0142]
第四输入处理模块，用于将所述第二训练用设计结果输入第四原始模型，得到第二预测训练参数；
[0143]
第二训练处理模块，用于根据由第二训练用设计结果和所述第二预测训练结果确定的第三损失函数值，调整所述第三原始模型对应的模型参数，获取已训练的前向机器学习模型；
[0144]
第三训练处理模块，用于根据由第二训练用设计参数和第二预测训练参数确定的第四损失函数值，调整所述第四原始模型的模型参数，获取已训练的后向机器学习模型。
[0145]
在本发明一示例性实施例中，所述第三训练模块和第四训练模块可以由第五训练模块代替，其中所述第五训练模块，用于根据由所述第二训练用设计结果、所述第二预测训练结果、所述第二训练用设计参数和所述第二预测训练参数确定的第五损失函数值，调整所述第三原始模型和所述第四原始模型分别对应的模型参数，获取已训练的前向机器学习模型和已训练的后向机器学习模型。
[0146]
在本发明一示例性实施例中，所述装置还包括：
[0147]
第二参数确定模块，用于确定第二模型输入项和第二模型输出项中的第二输出参数；
[0148]
第二个数判断模块，用于若所述第二输出参数的个数大于等于两个，则确定每一个第二输入参数分别与所述第二模型输入项间的第二相关值；
[0149]
第二顺序确定模块，用于基于各个所述第二输出参数分别对应的第二相关值，确定各个所述第二输出参数的参数确定顺序；
[0150]
第二结构确定模块，用于基于各个所述第二输出参数的参数确定顺序，确定第二输出网络结构；
[0151]
第二模型搭建模块，用于基于所述第二输出网络结构、预先搭建的第二输入网络和第二特征提取网络，获取第三原始模型或第四原始模型。
[0152]
示例性电子设备
[0153]
图9图示了根据本发明实施例的电子设备的框图。
[0154]
如图9所示，电子设备100包括一个或多个处理器101和存储器102。
[0155]
处理器101可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备100中的其他组件以执行期望的功能。
[0156]
存储器102可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器101可以运行所述程序指令，以实现上文所述的本发明的各个实施例的电子设计自动化的方法以及/或者其他期望的功能。
[0157]
在一个示例中，电子设备100还可以包括：输入装置103和输出装置104，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0158]
当然，为了简化，图9中仅示出了该电子设备100中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备100还可以包括任何其他适当的组件。
[0159]
示例性计算机程序产品和计算机可读存储介质
[0160]
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的电子设计自动化的方法中的步骤。
[0161]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0162]
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的电子设计自动化的方法中的步骤。
[0163]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0164]
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述发明的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
[0165]
本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使
用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0166]
还需要指出的是，在本发明的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。
[0167]
提供所发明的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此发明的原理和新颖的特征一致的最宽范围。
[0168]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此发明的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。