基于機器學習的數(shù)據(jù)路徑提取的制作方法
【專利摘要】本發(fā)明的實施例涉及基于機器學習的數(shù)據(jù)路徑提取。一種數(shù)據(jù)路徑提取工具使用機器學習模型以基于聚類特征將集成電路設(shè)計中的單元聚類選擇性地分類為數(shù)據(jù)路徑邏輯或者非數(shù)據(jù)路徑邏輯。支持向量機和神經(jīng)網(wǎng)絡(luò)可以用來構(gòu)建緊湊和運行時間高效模型。如果支持向量機和神經(jīng)網(wǎng)絡(luò)二者指示聚類與數(shù)據(jù)路徑相似則將它分類為數(shù)據(jù)路徑。聚類特征可以包括用于單元聚類的自同構(gòu)發(fā)生器或者基于來自先前(例如全局)布局的單元位置的物理信息，諸如用于給定的聚類的總單元面積與用于給定的聚類的定界框的半周長之比。
【專利說明】基于機器學習的數(shù)據(jù)路徑提取
【技術(shù)領(lǐng)域】
[0001]本發(fā)明主要地涉及半導體芯片和集成電路設(shè)計，并且更具體地涉及一種標識集成電路設(shè)計的不同部分的方法，該不同部分可以在電路部件的在布版中的優(yōu)化布局期間不同地操縱。
【背景技術(shù)】
[0002]集成電路用于從簡單器件(諸如腕表)到最復(fù)雜計算機系統(tǒng)的廣泛電子應(yīng)用。微電子集成電路(IC)芯片一般可以視為在半導體襯底(例如硅)上形成的邏輯單元的匯集而在單元之間有電互連。IC可以包括很大數(shù)目的單元并且需要在單元之間的復(fù)雜連接。單元是被組合用于執(zhí)行邏輯功能的一個或者多個電路元件的組，該電路元件諸如晶體管、電容器、電阻器、電感器和其它基本電路元件。單元類型例如包括核心單元、掃描單元、輸入/輸出(I/O)單元和存儲器(存儲裝置)單元。IC的每個單元可以具有一個或者多個管腳，每個管腳繼而可以由接線連接到IC的一個或者多個其它管腳。也在芯片的表面上形成連接IC關(guān)鍵的接線。對于更復(fù)雜設(shè)計，通常有可用于布線的至少四個相異傳導介質(zhì)層，諸如一個多晶娃層和三個金屬層(金屬-1、金屬-2和金屬-3)。多晶娃層、金屬-1、金屬-2和金屬-3都用于豎直和/或水平布線。
[0003]通過首先設(shè)想邏輯電路描述、然后將該邏輯描述轉(zhuǎn)換成物理描述或者幾何布版來制作IC芯片。通常使用“網(wǎng)表”來執(zhí)行這一過程，該網(wǎng)表是在單元管腳之間的所有網(wǎng)或者互連的記錄，該記錄包括關(guān)于各種部件、諸如晶體管、電阻器和電容器的信息。部件通常由若干層中的平面幾何形狀的集合構(gòu)成。然后檢查部件以保證它滿足所有設(shè)計要求、特別是定時要求。結(jié)果是稱為中間形式的設(shè)計文件集合，該中間形式描述布版。然后通過數(shù)據(jù)預(yù)備過程運行設(shè)計文件，光學或者電子束圖案生成器使用數(shù)據(jù)預(yù)備過程以產(chǎn)生稱為掩模的圖案。在制作期間，這些掩模用來使用收縮掩模圖像的復(fù)雜透鏡系統(tǒng)在光刻步驟的序列中在硅晶片中蝕刻或者沉積特征。將電路的規(guī)范轉(zhuǎn)換成這樣的部件的過程稱為物理設(shè)計。
[0004]半導體制作中的單元布局涉及到確定特定單元應(yīng)當在集成電路設(shè)備的表面上最優(yōu)地(或者接近最優(yōu)地)位于何處。由于用于甚大規(guī)模(VLSI)設(shè)備的制造過程需要的大量部件和細節(jié)，所以物理設(shè)計不借助計算機就不切實際。作為結(jié)果，物理設(shè)計的多數(shù)階段廣泛使用計算機輔助設(shè)計(CAD)工具，并且許多階段已經(jīng)被部分或者完全自動化。物理設(shè)計過程的自動化已經(jīng)增加集成水平、減少周轉(zhuǎn)時間并且增強芯片性能。已經(jīng)創(chuàng)建包括Verilog、VHDL和TDML的用于電子設(shè)計自動化(EDA)的若干不同編程語言。典型EDA系統(tǒng)接收IC設(shè)備的一個或者多個高級行為描述，并且將這一高級設(shè)計語言描述轉(zhuǎn)譯成各種抽象化級的網(wǎng)表。假設(shè)具有節(jié)點(頂點)V和網(wǎng)(邊)E的網(wǎng)表N= (V，E)，全局布局工具獲得用于所有可移動節(jié)點的位置(Xi, yi)，從而在任何矩形區(qū)域內(nèi)的節(jié)點的面積未超過在該區(qū)域中的單元部位的面積。盡管一些工作已經(jīng)關(guān)注一般斯泰納(Steiner)接線長度優(yōu)化，但是布局器通常最小化設(shè)計的半周長接線長度(HPWL)?，F(xiàn)代布局器經(jīng)常通過使用二次目標的可微分函數(shù)來近似HPWL。[0005]物理綜合在集成電路(諸如高性能處理器和專用集成電路(ASIC))的自動化設(shè)計中至關(guān)重要。物理綜合是集成電路設(shè)計中并行優(yōu)化布局、定時、功率消耗、串擾影響等的過程。這一復(fù)合方式幫助消除在電路分析與布局和布線之間的迭代。物理綜合具有用于對門再供電(改變它們的大小)、插入重發(fā)器(緩沖器或者反相器)、克隆門或者其它組合邏輯等的能力，因此設(shè)計中的邏輯的面積保持流動。然而物理綜合可能需要數(shù)天來完成，并且計算要求隨著設(shè)計不斷更大和需要布局更多門而增加。也有由于有限面積資源所致的不良布局的更多機會。
[0006]隨著技術(shù)升級超出深亞微米領(lǐng)域并且操作頻率增加，新樣式正在稱為混合設(shè)計的集成電路設(shè)計中顯現(xiàn)，這些混合設(shè)計包含隨機邏輯和數(shù)據(jù)路徑(標準單元)部件的混合。圖1A圖示隨機邏輯布版I的例子，該布版具有包含各種單元的三行。給定的邏輯功能或者核心可以具有隨機分布于不同行中以滿足布局約束的單元，而無用于任何單元集合的特定邊界。圖1B描繪數(shù)據(jù)路徑邏輯部局2的對照例子，該布版具有各自具有預(yù)定義幾何形狀的五個子電路或者宏。傳統(tǒng)上人工布局數(shù)據(jù)路徑部件(即定制設(shè)計)，但是近年來已經(jīng)有用于在自動化過程中包括數(shù)據(jù)路徑邏輯布局的大量努力，特別是對于也包含隨機邏輯的混合設(shè)計。然而用于數(shù)據(jù)路徑邏輯的布局制定一般不同于用于隨機路徑的布局制定。隨機邏輯布局器忽略混合設(shè)計的這一方面，這可能導致現(xiàn)有技術(shù)的設(shè)備的主要接線長度和擁塞問題。
[0007]因而已經(jīng)構(gòu)想用于從網(wǎng)表自動化提取數(shù)據(jù)路徑的方法。數(shù)據(jù)路徑提取技術(shù)一般聚焦于設(shè)計中的功能或者結(jié)構(gòu)級。功能規(guī)律提取標識網(wǎng)表內(nèi)的邏輯等效子電路，然后在布局期間單獨操縱這些子電路。在一個例子中，生成和使用大集合的模板以在布局之前搜尋數(shù)據(jù)路徑邏輯。另一功能規(guī)律例子使用基于哈希的方式。結(jié)構(gòu)數(shù)據(jù)路徑提取方法依賴于規(guī)律度量以代表數(shù)據(jù)路徑。例如數(shù)據(jù)路徑提取可以包括將網(wǎng)表分解成階段集合和分片集合而一個單元出現(xiàn)于確切一個階段集合和一個分片集合中。這一提取算法使用規(guī)律度量確定擴展方向在網(wǎng)絡(luò)內(nèi)擴展搜索波。更近以來，已經(jīng)在一對單元之間的布局距離與在它們之間的圖形距離有關(guān)這樣的假設(shè)下開發(fā)一種用于提取結(jié)構(gòu)的方法。通過假設(shè)在兩個單元之間的距離與連接它們的網(wǎng)的程度有關(guān)，在最短路徑計算中對網(wǎng)加權(quán)。然后通過提取“拐角”單元并且在位置上固定它們，可以計算其它單元的最大距離。

【發(fā)明內(nèi)容】

[0008]本發(fā)明涉及一種通過以下操作從集成電路設(shè)計提取數(shù)據(jù)路徑邏輯的方法:接收用于集成電路設(shè)計的電路描述，電路描述包括被互連用于形成多個網(wǎng)的多個單元，根據(jù)電路描述生成單元聚類，評估單元聚類以標識聚類特征，并且基于聚類特征使用一個或者多個機器學習模型將單元聚類選擇性地分類為數(shù)據(jù)路徑邏輯或者非數(shù)據(jù)路徑邏輯?？梢允褂脙蓚€機器學習模型，每個機器學習模型提供對單元聚類中的給定單元聚類是否為數(shù)據(jù)路徑邏輯的指示，并且僅在兩個機器學習模型都指示給定單元聚類是數(shù)據(jù)路徑邏輯時可以將給定的單元聚類分類為數(shù)據(jù)路徑。在示例實現(xiàn)方式中，機器學習模型中的第一機器學習模型是支持向量機，并且機器學習模型中的第二機器學習模型是神經(jīng)網(wǎng)絡(luò)。聚類特征可以包括用于單元聚類的自同構(gòu)發(fā)生器或者基于來自先前布局的單元位置的物理信息。物理信息可以包括用于給定的聚類的總單元面積與用于給定的單元聚類的定界框的半周長之比。
[0009]本發(fā)明的上述以及附加目的、特征和優(yōu)點將在下文具體書面描述中變得清楚?！緦＠綀D】

【附圖說明】
[0010]通過參照附圖可以更好地理解本發(fā)明并且使它的許多目的、特征和優(yōu)點為本領(lǐng)域技術(shù)人員所清楚。
[0011]圖1A是常規(guī)隨機邏輯布版的例子；
[0012]圖1B是常規(guī)數(shù)據(jù)路徑邏輯布版的例子；
[0013]圖2是根據(jù)本發(fā)明的一個實現(xiàn)方式的被編程用于實現(xiàn)集成電路設(shè)計的計算機系統(tǒng)的框圖；
[0014]圖3是用于標識網(wǎng)表中的候選聚類的種子生長方法的圖解表示；
[0015]圖4A是根據(jù)本發(fā)明的一個實現(xiàn)方式的可以針對自同構(gòu)而評估的單元聚類的例子；
[0016]圖4B是圖4A的單元聚類的第一自同構(gòu)；
[0017]圖4C是圖4A的單元聚類的第二自同構(gòu)；
[0018]圖4D是圖4A的單元聚類的第三自同構(gòu)；
[0019]圖5是根據(jù)本發(fā)明的一個實現(xiàn)方式的被確定無自同構(gòu)的單元聚類的例子；
[0020]圖6是根據(jù)本發(fā)明的一個實現(xiàn)方式的用于單元聚類的布版，該布版描繪如何可以推導布局提示，這些提示包括總單元面積與聚類寬度和高度的求和之比；
[0021]圖7是圖示用于訓練過程的邏輯流程的圖，該訓練過程根據(jù)本發(fā)明的一個實現(xiàn)方式用來生成用于將聚類分類為數(shù)據(jù)路徑或者非數(shù)據(jù)路徑(隨機)的學習模型；并且
[0022]圖8是圖示用于根據(jù)本發(fā)明的一個實現(xiàn)方式的數(shù)據(jù)路徑提取過程的邏輯流程的圖。
[0023]在不同附圖中使用相同標號指示相似或者相同項目。
【具體實施方式】
[0024]僅使用功能或者結(jié)構(gòu)信息的先前數(shù)據(jù)路徑提取算法出于許多原因而對于具有許多預(yù)先布局的塊的現(xiàn)代大規(guī)模混合(數(shù)據(jù)路徑/隨機邏輯)電路而言無效。傳統(tǒng)綜合優(yōu)化目標(綜合和物理設(shè)計階段二者)經(jīng)常與定制電路設(shè)計者將實施的優(yōu)化目標不一致。一個簡單例子是在綜合期間的面積優(yōu)化如何經(jīng)常破壞數(shù)據(jù)路徑的規(guī)律結(jié)構(gòu)。未創(chuàng)建用于自然提取邏輯分級的設(shè)計工具。它們一般使設(shè)計平坦化，這在隨機邏輯的情況下是有益的，但是這一方式同樣破壞用于標識質(zhì)量布置和定時解決方案的能力。綜合流程中的每個階段一般獨立于其它優(yōu)化階段從而需要大量迭代。例如綜合優(yōu)化(在技術(shù)映射之前優(yōu)化布爾邏輯)一般無定時認知。布局一般未認知可布線性。用于緩解這些問題的當前嘗試簡單地聚焦于用于逐漸改進接線長度而不損害布局的迭代技術(shù)，并且它們都未實際解決數(shù)據(jù)路徑邏輯如何或者為何不同。
[0025]因此將希望構(gòu)想一種改進的數(shù)據(jù)路徑提取方法，該方法可以將電路設(shè)計的區(qū)域自動分類為數(shù)據(jù)路徑或者隨機邏輯以便允許布局工具單獨操縱這兩個類型的電路裝置。如果該方法可以高效管理大設(shè)計大小而無需大量運行時間則將進一步有利。本發(fā)明使用高維數(shù)據(jù)學習、提取和評估算法來實現(xiàn)這些目的。這一發(fā)明方式可以不僅考慮邏輯結(jié)構(gòu)而且考慮來自初始全局布局結(jié)果的布局提示。新穎的提取方法已經(jīng)在包含隨機邏輯和數(shù)據(jù)路徑的混合工業(yè)設(shè)計以及從未預(yù)計結(jié)構(gòu)化的數(shù)據(jù)路徑邏輯的布局基準二者上示范比先前現(xiàn)有技術(shù)方法顯著更好的結(jié)果?？梢苑治鼍W(wǎng)表并且從網(wǎng)表提取基于圖形的特征和物理特征二者，從而映射對數(shù)據(jù)路徑邏輯最關(guān)鍵和敏感的參數(shù)集。有效特征可以用來創(chuàng)建在隨機與數(shù)據(jù)路徑邏輯之間的差別，從而允許從訓練集提取的圖案對新電路中的數(shù)據(jù)路徑結(jié)構(gòu)分類。
[0026]現(xiàn)在參照附圖并且具體參照圖2，描繪計算機系統(tǒng)的一個實施例10，在該計算機系統(tǒng)中，可以實施本發(fā)明以實現(xiàn)集成電路中的邏輯結(jié)構(gòu)設(shè)計。計算機系統(tǒng)10是具有連接到系統(tǒng)總線14的多個處理器12a、12b的對稱多處理器(SMP)系統(tǒng)。系統(tǒng)總線14還連接到提供與系統(tǒng)存儲器18的接口的組合式存儲器控制器/主機橋接器(MC/HB) 16。系統(tǒng)存儲器18可以是本地存儲器設(shè)備或者備選地可以包括多個分布式存儲器設(shè)備、優(yōu)選為動態(tài)隨機存取存儲器(DRAM)?？梢杂性诖鎯ζ鞣旨壷械奈疵枥L的附加結(jié)構(gòu)、諸如板上(LI)和二級(L2)或者三級(L3)高速緩存。
[0027]MC/HB16也具有與外圍部件互連(PCI)高速鏈路20、20b、20c的接口。每個PCI快速(PCIe)鏈路20a、20b連接到相應(yīng)PCIe適配器22a、22b，并且每個PCIe適配器22a、22b連接到相應(yīng)輸入/輸出(I/O)設(shè)備24a、24b。MC/HB16還可以具有與I/O總線26的接口，該I/O總線連接到交換機(I/O結(jié)構(gòu))28。交換機28向多個PCI鏈路20a、20e、20f提供用于I/O總線的扇出。這些PCI鏈路連接到更多PCIe適配器22c、22d、22e，這些PCIe適配器又支持更多I/O設(shè)備24c、24d、24e。I/O設(shè)備可以包括而不限于鍵盤、圖形指示設(shè)備(鼠標)、麥克風、顯示設(shè)備、揚聲器、持久存儲設(shè)備(硬盤驅(qū)動)或者這樣的存儲設(shè)備、光盤驅(qū)動和網(wǎng)卡的陣列。每個PCIe適配器提供在PCI鏈路與相應(yīng)I/O設(shè)備之間的接口。MC/HB16提供低延時路徑，處理器12a、12b可以通過該低延時路徑訪問在總線存儲器或者I/O地址空間內(nèi)任一處映射的PCI設(shè)備。MC/HB16還提供用于允許PCI設(shè)備訪問存儲器18的高帶寬路徑。交換機28可以提供在不同斷點之間的對等通信，并且如果這一數(shù)據(jù)流量未涉及到高速緩存相干存儲器傳送，則無需向MC/HB16轉(zhuǎn)發(fā)它。示出交換機28為單獨邏輯部件，但是可以向MC/HB16中集成它。
[0028]在這一實施例中，PCI鏈路20e將MC/HB16連接到服務(wù)處理器接口 30以允許在I/O設(shè)備24a與服務(wù)處理器32之間的通信。服務(wù)處理器32經(jīng)由JTAG接口 34連接到處理器12a、12b并且使用使處理器12a、12b的操作中斷的衰減線36。服務(wù)處理器32可以具有它自己的本地存儲器38并且連接到存儲用于系統(tǒng)啟動的各種程序指令的只讀存儲器(ROM)40。服務(wù)處理器32也可以具有對硬件操作者面板42的訪問以提供系統(tǒng)狀態(tài)和診斷信息。
[0029]在備選實施例中，計算機系統(tǒng)10可以包括這些硬件部件或者它們的互連的修改或者附加部件，因此不應(yīng)解釋描述的例子為意味著關(guān)于本發(fā)明的任何架構(gòu)限制?？梢栽诘刃г朴嬎悱h(huán)境中實施本發(fā)明。
[0030]在計算機系統(tǒng)10被初始上電時，服務(wù)器處理器32使用JTAG接口 34以詢問系統(tǒng)(主機)處理器12a、12b和MC/HB16。在完成詢問之后，服務(wù)處理器32獲取用于計算機系統(tǒng)10的庫存和拓撲。服務(wù)處理器32然后對計算機系統(tǒng)10的部件執(zhí)行各種測試、諸如內(nèi)置自測試(BIST)、基本保證測試(BAT)和存儲器測試。服務(wù)處理器32向操作者面板42報告用于在測試期間檢測到的故障的任何錯誤信息。如果系統(tǒng)資源的有效配置在取出在測試期間發(fā)現(xiàn)有故障的部件之后仍然是可能的，則允許計算機系統(tǒng)10繼續(xù)。向存儲器18中加載可執(zhí)行代碼，并且服務(wù)處理器32釋放主機處理器12a、12b用于執(zhí)行程序代碼、例如操作系統(tǒng)(OS)，該程序代碼用來起動應(yīng)用并且具體為本發(fā)明的電路設(shè)計應(yīng)用，可以在系統(tǒng)的硬盤驅(qū)動(I/O設(shè)備24)中存儲這些應(yīng)用的結(jié)果。在主機處理器12a、12b執(zhí)行程序代碼之時服務(wù)處理器32可以進入監(jiān)視和報告任何操作參數(shù)或者錯誤、諸如冷卻扇速度和操作、熱傳感器、電源調(diào)節(jié)器以及處理器12a、12b、存儲器18和MC/HB16中的任一個報告的可恢復(fù)和不可恢復(fù)錯誤這樣的模式。服務(wù)處理器32可以基于錯誤類型或者定義的閾值采取進一步動作。
[0031]如所屬【技術(shù)領(lǐng)域】的技術(shù)人員知道，本發(fā)明可以實現(xiàn)為系統(tǒng)、方法或計算機程序產(chǎn)品。因此，本公開可以具體實現(xiàn)為以下形式，即:可以是完全的硬件、也可以是完全的軟件(包括固件、駐留軟件、微代碼等)，還可以是硬件和軟件結(jié)合的形式，本文一般稱為“電路”、“模塊”或“系統(tǒng)”。此外，在一些實施例中，本發(fā)明還可以實現(xiàn)為在一個或多個計算機可讀介質(zhì)中的計算機程序產(chǎn)品的形式，該計算機可讀介質(zhì)中包含計算機可讀的程序代碼。
[0032]可以采用一個或多個計算機可讀的介質(zhì)的任意組合。計算機可讀介質(zhì)可以是計算機可讀信號介質(zhì)或者計算機可讀存儲介質(zhì)。計算機可讀存儲介質(zhì)例如可以是一但不限于——電、磁、光、電磁、紅外線、或半導體的系統(tǒng)、裝置或器件，或者任意以上的組合。計算機可讀存儲介質(zhì)的更具體的例子(非窮舉的列表)包括:具有一個或多個導線的電連接、便攜式計算機磁盤、硬盤、隨機存取存儲器(RAM)、只讀存儲器(ROM)、可擦式可編程只讀存儲器(EPR0M或閃存)、光纖、便攜式緊湊磁盤只讀存儲器(CD-ROM)、光存儲器件、磁存儲器件、或者上述的任意合適的組合。在本文件中，計算機可讀存儲介質(zhì)可以是任何包含或存儲程序的有形介質(zhì)，該程序可以被指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結(jié)合使用。計算機可讀的信號介質(zhì)可以包括在基帶中或者作為載波一部分傳播的數(shù)據(jù)信號，其中承載了計算機可讀的程序代碼。這種傳播的數(shù)據(jù)信號可以采用多種形式，包括——但不限于——電磁信號、光信號或上述的任意合適的組合。計算機可讀的信號介質(zhì)還可以是計算機可讀存儲介質(zhì)以外的任何計算機可讀介質(zhì)，該計算機可讀介質(zhì)可以發(fā)送、傳播或者傳輸用于由指令執(zhí)行系統(tǒng)、裝置或者器件使用或者與其結(jié)合使用的程序。計算機可讀介質(zhì)上包含的程序代碼可以用任何適當?shù)慕橘|(zhì)傳輸，包括一但不限于一無線、電線、光纜、RF等等，或者上述的任意合適的組合。
[0033]可以以一種或多種程序設(shè)計語言或其組合來編寫用于執(zhí)行本發(fā)明操作的計算機程序代碼，所述程序設(shè)計語言包括面向?qū)ο蟮某绦蛟O(shè)計語言-諸如Java、Smalltalk、C++，還包括常規(guī)的過程式程序設(shè)計語言-諸如”C”語言或類似的程序設(shè)計語言。程序代碼可以完全地在用戶計算機上執(zhí)行、部分地在用戶計算機上執(zhí)行、作為一個獨立的軟件包執(zhí)行、部分在用戶計算機上部分在遠程計算機上執(zhí)行、或者完全在遠程計算機或服務(wù)器上執(zhí)行。在涉及遠程計算機的情形中，遠程計算機可以通過任意種類的網(wǎng)絡(luò)一包括局域網(wǎng)(LAN)或廣域網(wǎng)(WAN)-連接到用戶計算機，或者，可以連接到外部計算機(例如利用因特網(wǎng)服務(wù)提供商來通過因特網(wǎng)連接)。
[0034]下面將參照本發(fā)明實施例的方法、裝置(系統(tǒng))和計算機程序產(chǎn)品的流程圖和/或框圖描述本發(fā)明。應(yīng)當理解，流程圖和/或框圖的每個方框以及流程圖和/或框圖中各方框的組合，都可以由計算機程序指令實現(xiàn)。這些計算機程序指令可以提供給通用計算機、專用計算機或其它可編程數(shù)據(jù)處理裝置的處理器，從而生產(chǎn)出一種機器，這些計算機程序指令通過計算機或其它可編程數(shù)據(jù)處理裝置執(zhí)行，產(chǎn)生了實現(xiàn)流程圖和/或框圖中的方框中規(guī)定的功能/操作的裝置。[0035]也可以把這些計算機程序指令存儲在能使得計算機或其它可編程數(shù)據(jù)處理裝置以特定方式工作的計算機可讀介質(zhì)中，這樣，存儲在計算機可讀介質(zhì)中的指令就產(chǎn)生出一個包括實現(xiàn)流程圖和/或框圖中的方框中規(guī)定的功能/操作的指令裝置(instructionmeans)的制造品(manufacture)。
[0036]也可以把計算機程序指令加載到計算機、其它可編程數(shù)據(jù)處理裝置、或其它設(shè)備上，使得在計算機、其它可編程數(shù)據(jù)處理裝置或其它設(shè)備上執(zhí)行一系列操作步驟，以產(chǎn)生計算機實現(xiàn)的過程，從而使得在計算機或其它可編程裝置上執(zhí)行的指令能夠提供實現(xiàn)流程圖和/或框圖中的方框中規(guī)定的功能/操作的過程。
[0037]附圖中的流程圖和框圖顯示了根據(jù)本發(fā)明的多個實施例的系統(tǒng)、方法和計算機程序產(chǎn)品的可能實現(xiàn)的體系架構(gòu)、功能和操作。在這點上，流程圖或框圖中的每個方框可以代表一個模塊、程序段或代碼的一部分，所述模塊、程序段或代碼的一部分包含一個或多個用于實現(xiàn)規(guī)定的邏輯功能的可執(zhí)行指令。也應(yīng)當注意，在有些作為替換的實現(xiàn)中，方框中所標注的功能也可以以不同于附圖中所標注的順序發(fā)生。例如，兩個連續(xù)的方框?qū)嶋H上可以基本并行地執(zhí)行，它們有時也可以按相反的順序執(zhí)行，這依所涉及的功能而定。也要注意的是，框圖和/或流程圖中的每個方框、以及框圖和/或流程圖中的方框的組合，可以用執(zhí)行規(guī)定的功能或操作的專用的基于硬件的系統(tǒng)來實現(xiàn)，或者可以用專用硬件與計算機指令的組合來實現(xiàn)。
[0038]計算機系統(tǒng)10執(zhí)行用于物理綜合過程的程序指令，該物理綜合過程使用新穎的數(shù)據(jù)路徑提取技術(shù)以優(yōu)化單元布局。因而，體現(xiàn)本發(fā)明的程序可以包括各種綜合或者布局工具的常規(guī)方面，并且這些細節(jié)將在參照本公開內(nèi)容時變得為本領(lǐng)域技術(shù)人員所清楚。在示例實施方式中，計算機系統(tǒng)10通過生成在其中搜尋數(shù)據(jù)路徑結(jié)構(gòu)的原有網(wǎng)表的候選聚類并且評估每個聚類以標識用來區(qū)分數(shù)據(jù)路徑邏輯與隨機邏輯的具體特性來執(zhí)行數(shù)據(jù)路徑提取。機器學習技術(shù)然后可以用來基于訓練模型對聚類分類。
[0039]聚類階段預(yù)備用于分析并且從其中提取數(shù)據(jù)路徑結(jié)構(gòu)的網(wǎng)表。目標是發(fā)現(xiàn)表現(xiàn)可標識的結(jié)構(gòu)和物理特征的聚類。有用于將集成電路設(shè)計的單元分組成聚類的許多常規(guī)技術(shù)。本發(fā)明的優(yōu)選實現(xiàn)方式使用Liu和Marek-Sadowska在Proc.1CCAD第31-37頁(2005)的論文“Pre-Layout Physical Connectivity Predictions With ApplicationsIn Clustering,Placement And Logic Synthesis” 中提出的基于連通度的種子(seed)生成方法的擴展。根據(jù)該技術(shù)，在維持最大邏輯深度閾值之時最大化外部與內(nèi)部聚類力之比。如圖3中所示，定義外力為在給定的聚類Ci以外有至少一個頂點(節(jié)點)并且在該聚類以內(nèi)有至少一個頂點(節(jié)點)的網(wǎng)的邊權(quán)值的求和,而定義內(nèi)力為所有內(nèi)部聚類連接權(quán)值的求和。候選聚類48具有與五個外部節(jié)點有連接的七個內(nèi)部節(jié)點。內(nèi)部連接權(quán)值是IW1-1W9,而外部連接權(quán)值是EW1-EWp可以根據(jù)使用的特定網(wǎng)模型確定具體權(quán)值。內(nèi)力和外力在相反方向上影響聚類的物理大小。內(nèi)力試圖在最終布版中保持節(jié)點在一起，而外力往往拉開節(jié)點。
[0040]這一聚類方法使用從種子節(jié)點開始的自底向上算法。適當種子節(jié)點是具有大網(wǎng)程度的種子節(jié)點，即，按照節(jié)點程度對節(jié)點排序并且選擇當前未聚類并且具有最大節(jié)點程度的種子節(jié)點。在聚類Ci的鄰近節(jié)點u之間的連通度等于用于在u與聚類的節(jié)點之間的所有連接的邊權(quán)值之和。在每次后續(xù)輪次(pass)中，在保持聚類的內(nèi)力盡可能大之時向聚類添加具有最大連通度的鄰近節(jié)點。在每次輪次中添加鄰近節(jié)點直至聚類的大小超過聚類大小約束。
[0041]一旦已經(jīng)標識網(wǎng)表中的聚類，計算機系統(tǒng)10提取和評估聚類的區(qū)別特征。本發(fā)明可以利用多數(shù)數(shù)據(jù)路徑邏輯包含高程度圖形自同構(gòu)這樣的觀察。圖形的自同構(gòu)(對稱形式)在映射到自身之時保留圖形G= (V5E)的邊-頂點連通度。也就是說，自同構(gòu)是從G到自身的圖形同構(gòu)，即，排列頂點集合V，從而如果并且僅如果對((U) ；(v))也形成邊，則頂點對(u; V)形成邊。給定的圖形的自同構(gòu)集合形成用于該圖形的自同構(gòu)組。定義用于自同構(gòu)組的發(fā)生器為如下元素的集合，可以組合這些元素以生成自同構(gòu)組中的每個非理想排列。例如，圖4A描繪具有六個標注的節(jié)點和七個邊的圖形G。這一圖形具有共計四個自同構(gòu)和兩個發(fā)生器。第一自同構(gòu)G(I ；2 ；3 ；4 ；5 ；6)對應(yīng)于自身，而三個附加自同構(gòu)為:如圖4B中所見G(2 ；1 ；4 ；3 ；6 ;5)(左右翻轉(zhuǎn)G);如圖4C中所見G(5 ；6 ；3 ；4 ；1 ;2)(上下翻轉(zhuǎn)G)；以及如圖4D中所見G(6 ；5 ；4 ；3 ；2 ；1)(左右和上下翻轉(zhuǎn)G)。G的非平凡(nontrivial)發(fā)生器集合S是(I ；5) (2 ；6)和(I ；2) (3 ；4) (5 ；6)。如這一例子所示，圖形的對稱性與發(fā)生器組一起提供如下可能位堆候選，這些候選包括:(I ;2)、(5 ；6)或者(I ；3 ；5)、(2 ；4 ;6)，指示應(yīng)當判斷圖形為數(shù)據(jù)路徑邏輯。
[0042]對照而言，圖5顯示也具有六個節(jié)點和七個邊的隨機邏輯網(wǎng)表52。然而不同于圖4中存在的清楚對稱性，圖5的圖形不含非平凡自同構(gòu)。這一基本觀察一般對于隨機邏輯網(wǎng)表而言成立。因此，結(jié)構(gòu)化的邏輯的自同構(gòu)發(fā)生器與隨機邏輯的自同構(gòu)發(fā)生器很不相同地表現(xiàn)，從而實現(xiàn)作為數(shù)據(jù)路徑特征的充分區(qū)分。
[0043]盡管圖形自同構(gòu)特征在將邏輯分類為隨機或者數(shù)據(jù)路徑時特別有用，但是本發(fā)明可以備選地或者附加地利用從先前布局優(yōu)化(例如全局布局)收集的物理信息。全局布局在接線長度優(yōu)化中具有益處，因此本發(fā)明可以將布局提示用于改進分類。在一個實現(xiàn)方式中，如圖6中所示，這樣使用的物理信息涉及在聚類內(nèi)的單元的面積和聚類的定界框的大小。具體而言，可以量化這一特征為在聚類Ci內(nèi)的全單元面積與定界框高度和寬度的求和之比K；。這一物理信息幫助表征用于每個聚類的展開數(shù)量和初始單元位置。密集聚類指示緊密包裝的邏輯并且可能需要改進布局，而稀疏邏輯一般更少可能由于向數(shù)據(jù)路徑布局器傳遞而改進。先前布局可以來自某一其它布局工具并且可以是初始布局或者甚至不完整布局。
[0044]計算機系統(tǒng)10使用聚類特征以用基于機器學習的模型對每個聚類分類和評估。在一個優(yōu)選實現(xiàn)方式中，計算機系統(tǒng)10組合支持向量機(SVM)和神經(jīng)網(wǎng)絡(luò)(NN)這兩個數(shù)據(jù)學習算法以構(gòu)建緊湊和運行時間高效模型，但是可以使用其它機器學習模型。圖7圖示用于創(chuàng)建模型的訓練過程60。該過程始于如下設(shè)計圖案(單元聚類網(wǎng)表)的學習集合，已知或者指定這些設(shè)計圖案(單元聚類網(wǎng)表)在性質(zhì)上為數(shù)據(jù)路徑或者隨機，其中以與全局或者其它優(yōu)化的布局相似的方式對單元定位出2)。學習集合優(yōu)選地相對小(例如如數(shù)千個圖案一樣小)，并且由于一次性成本地先驗構(gòu)建圖案，所以CPU運行時間代價可忽略不計。針對每個學習圖案，計算與布局關(guān)聯(lián)的任何自同構(gòu)發(fā)生器和物理信息出4)。創(chuàng)建對應(yīng)支持向量，并且SVM計算在與支持向量關(guān)聯(lián)的數(shù)據(jù)路徑與非數(shù)據(jù)路徑邏輯之間有最大分離裕度的超平面邊界(66)。在SVM模型中僅保存關(guān)于分離邊界的關(guān)鍵信息，S卩，對應(yīng)支持向量。在SVM判決計算(分數(shù))中涉及到所有支持向量。NN通過配置復(fù)雜神經(jīng)元網(wǎng)絡(luò)以實現(xiàn)與相同訓練樣本(自同構(gòu)發(fā)生器和物理信息)和判決提示關(guān)聯(lián)的與高維判決圖相似的數(shù)據(jù)結(jié)構(gòu)來操作。在示例實施例中，NN生成在-1 (指示隨機邏輯)與+1 (指示數(shù)據(jù)路徑邏輯)之間規(guī)范化的分數(shù)?？梢酝ㄟ^移動所需分數(shù)更接近數(shù)據(jù)路徑邏輯最大值來偏置判決以最大化正確選擇的數(shù)據(jù)路徑電路的數(shù)目；例如，僅在邏輯的規(guī)范化分數(shù)在0.8以上時，可以指示它為數(shù)據(jù)路徑?？梢赃\用一種基于迭代子梯度更新的彈性向后傳播方法。為了獲取更佳質(zhì)量，可以使用容許軟錯誤(soft-error)的SVM和特殊工作集合選擇方法二者。
[0045]在計算邊界之后，可以優(yōu)選地通過人工調(diào)整分離閾值化/或NN分數(shù)來校準模型
(68)。設(shè)計者可以移動邊界以考慮到測試數(shù)據(jù)中的噪聲或者另外提高評估準確度。然后將模型應(yīng)用于已知設(shè)計圖案的更大集合(排除學習集合)用于驗證，以保證學習準確度在訓練數(shù)據(jù)與未知測試數(shù)據(jù)之間的平衡(70)。驗證集合與學習集合比較優(yōu)選為大(例如30，000個圖案)。在示例實現(xiàn)方式中，定義數(shù)據(jù)路徑評估準確度和非數(shù)據(jù)路徑評估準確度這兩種準確度類型以量化學習性能。數(shù)據(jù)路徑評估準確度是正確檢測的數(shù)據(jù)路徑(或者與數(shù)據(jù)路徑相似)圖案與實際數(shù)據(jù)路徑結(jié)構(gòu)的總數(shù)之比。非數(shù)據(jù)路徑評估準確度是正確檢測的非數(shù)據(jù)路徑(例如隨機邏輯)圖案與處理的非數(shù)據(jù)路徑結(jié)構(gòu)的總數(shù)之比。用于SVM和NN 二者的優(yōu)化目標是最大化數(shù)據(jù)路徑和非數(shù)據(jù)路徑圖案的評估準確度或者等效為最小化用于兩個圖案評估類的均方誤差。
[0046]可以比較評估準確度與最小比值以便確定模型是否有效，S卩，確定是否有充分置信度(72)。最小比值可以根據(jù)使用的學習圖案集合變化。如果認為模型有效，則訓練完成。否則，可以重新校準模型(返回到框68)或者設(shè)計者可以決定應(yīng)用附加學習集合(返回到塊62)。一旦被驗證，模型就準備好在對新(未知)電路設(shè)計的數(shù)據(jù)路徑提取中使用。
[0047]可以參照圖8的流程圖進一步理解本發(fā)明，該圖示出用于數(shù)據(jù)路徑提取過程80的一個實現(xiàn)方式的邏輯流程。該過程通過接收用于新電路設(shè)計或者其部分的網(wǎng)表來開始(82)。設(shè)計優(yōu)選地已經(jīng)經(jīng)過優(yōu)化的布局，諸如全局布局，并且在網(wǎng)表中包括布局信息，從而可以在分析中考慮物理信息，但是本領(lǐng)域技術(shù)人員將理解，根據(jù)本發(fā)明的數(shù)據(jù)路徑提取在這樣的物理信息的情況下仍然可以繼續(xù)。根據(jù)任何方便的聚類算法(諸如上文描述的基于連通度的種子生長方法)對設(shè)計的單元或者節(jié)點分組(84)。標識聚類特征，這些聚類特征包括自同構(gòu)及其發(fā)生器和來自全局布局提示的物理信息，諸如全單元面積與定界塊半周長之比(86)。然后通過應(yīng)用數(shù)據(jù)學習模型以評估聚類特征來將每個聚類單獨分類為數(shù)據(jù)路徑邏輯或者隨機邏輯(88)。隨著新圖案遍歷學習模型，它們的評估分數(shù)可以分別針對NN和SVM在用于數(shù)據(jù)路徑和非數(shù)據(jù)路徑圖案的某些范圍內(nèi)跨越，因此設(shè)計者可以選擇用于判決給定的聚類是否為數(shù)據(jù)路徑的不同基礎(chǔ)。在一個優(yōu)選實現(xiàn)方式中，如果并且僅如果NN和SVM評估分數(shù)二者指示數(shù)據(jù)路徑邏輯(即在某些閾值以上)，則確定圖案為數(shù)據(jù)路徑邏輯。這一冗余方式幫助系統(tǒng)地提高數(shù)據(jù)路徑評估準確度而沒有非數(shù)據(jù)路徑準確度的明顯代價。通常，NN和SVM具有用于多數(shù)二元分類的相似性能，例如區(qū)分與數(shù)據(jù)路徑相似的圖案和非數(shù)據(jù)路徑圖案。在原理上，SVM保障全局最優(yōu)，但是可能對數(shù)據(jù)噪聲敏感。NN通常具有良好抗噪聲性，然而它可能在訓練中需要更多時間或者需要校準來達到最優(yōu)或者接近最優(yōu)的結(jié)果O
[0048]一旦已經(jīng)評估所有聚類，用分類信息更新網(wǎng)表(90)，并且該過程結(jié)束。分類信息可以在以后設(shè)計階段中由不同數(shù)據(jù)路徑和隨機路徑比對方法的布局工具使用。例如可以根據(jù)在2012年4月19日提交的第13/451，382號美國專利申請中描述的分層對準方法布局數(shù)據(jù)路徑邏輯用于改進位堆對準。實驗結(jié)果指示在使用這里描述的新穎提取方法的自動化布置期間的顯著接線長度改進。數(shù)據(jù)路徑接線長度改進甚至更大。
[0049]雖然已經(jīng)參照具體實施例描述本發(fā)明，但是不會在限制意義上解釋本描述。公開的實施例的各種修改以及本發(fā)明的備選實施例將在參照本發(fā)明的描述時變得為本領(lǐng)域技術(shù)人員所清楚。因此設(shè)想可以進行這樣的修改而未脫離如在所附權(quán)利要求中限定的本發(fā)明的精神實質(zhì)或者范圍。
【權(quán)利要求】
1.一種從集成電路設(shè)計提取數(shù)據(jù)路徑邏輯的計算機實施的方法，包括: 通過執(zhí)行計算機系統(tǒng)中的第一指令，接收用于所述集成電路設(shè)計的電路描述，所述電路描述包括被互連用于形成多個網(wǎng)的多個單元； 通過執(zhí)行所述計算機系統(tǒng)中的第二指令，根據(jù)所述電路描述生成單元聚類； 通過執(zhí)行所述計算機系統(tǒng)中的第三指令，評估所述單元聚類以標識所述單元聚類中的一個或者多個聚類特征；并且 通過執(zhí)行所述計算機系統(tǒng)中的第四指令，基于所述一個或者多個聚類特征使用一個或者多個機器學習模型將所述單元聚類選擇性地分類為數(shù)據(jù)路徑邏輯或者非數(shù)據(jù)路徑邏輯。
2.根據(jù)權(quán)利要求1所述的方法，其中所述分類使用至少兩個機器學習模型，每個所述機器學習模型提供對所述單元聚類中的給定的單元聚類是否為數(shù)據(jù)路徑邏輯的指示，并且僅在所述兩個機器學習模型均指示所述給定的單元聚類是數(shù)據(jù)路徑邏輯時將所述給定的單元聚類分類為數(shù)據(jù)路徑。
3.根據(jù)權(quán)利要求2所述的方法，其中所述機器學習模型中的第一機器學習模型是支持向量機，并且所述機器學習模型中的第二機器學習模型是神經(jīng)網(wǎng)絡(luò)。
4.根據(jù)權(quán)利要求1所述的方法，其中所述聚類特征包括用于所述單元聚類的自同構(gòu)發(fā)生器。
5.根據(jù)權(quán)利要求1所述的方法，其中所述電路描述還包括來自先前布局的用于所述單元的位置，并且所述聚類特征包括基于所述單元位置的物理信息。
6.根據(jù)權(quán)利要求5所述的方法，其中所述物理信息包括用于給定的聚類的總單元面積與用于所述給定的單元聚類 的定界框的半周長之比。
7.一種計算機系統(tǒng)，包括: 處理程序指令的一個或者多個處理器； 連接到所述一個或者多個處理器的存儲器設(shè)備；以及 在所述存儲器設(shè)備中駐留的程序指令，用于通過以下操作從集成電路設(shè)計提取數(shù)據(jù)路徑邏輯:接收用于所述集成電路設(shè)計的電路描述，所述電路描述包括被互連用于形成多個網(wǎng)的多個單元，根據(jù)所述電路描述生成單元聚類，評估所述單元聚類以標識所述單元聚類中的一個或者多個聚類特征，并且基于所述一個或者多個聚類特征使用一個或者多個機器學習模型將所述單元聚類選擇性地分類為數(shù)據(jù)路徑邏輯或者非數(shù)據(jù)路徑邏輯。
8.根據(jù)權(quán)利要求7所述的計算機系統(tǒng)，其中所述程序指令使用至少兩個機器學習模型來對所述單元聚類分類，每個所述機器學習模型提供對所述單元聚類中的給定的單元聚類是否為數(shù)據(jù)路徑邏輯的指示，并且僅在所述兩個機器學習模型均指示所述給定的單元聚類是數(shù)據(jù)路徑邏輯時將所述給定的單元聚類分類為數(shù)據(jù)路徑。
9.根據(jù)權(quán)利要求8所述的計算機系統(tǒng)，其中所述機器學習模型中的第一機器學習模型是支持向量機，并且所述機器學習模型中的第二機器學習模型是神經(jīng)網(wǎng)絡(luò)。
10.根據(jù)權(quán)利要求7所述的計算機系統(tǒng)，其中所述聚類特征包括用于所述單元聚類的自同構(gòu)發(fā)生器。
11.根據(jù)權(quán)利要求7所述的計算機系統(tǒng)，其中所述電路描述還包括來自先前布局的用于所述單元的位置，并且所述聚類特征包括基于所述單元位置的物理信息。
12.根據(jù)權(quán)利要求11所述的計算機系統(tǒng)，其中所述物理信息包括用于給定的聚類的總單元面積與用于所述給定的單元聚類的定界框的半周長之比。
13.一種從集成電路設(shè)計提取數(shù)據(jù)路徑邏輯的系統(tǒng)，包括: 用于通過以下操作從集成電路設(shè)計提取數(shù)據(jù)路徑邏輯的裝置: 接收用于所述集成電路設(shè)計的電路描述，所述電路描述包括被互連用于形成多個網(wǎng)的多個單元，根據(jù)所述電路描述生成單元聚類，評估所述單元聚類以標識所述單元聚類中的一個或者多個聚類特征，并且基于所述一個或者多個聚類特征使用一個或者多個機器學習模型將所述單元聚類選擇性地分類為數(shù)據(jù)路徑邏輯或者非數(shù)據(jù)路徑邏輯。
14.根據(jù)權(quán)利要求13所述的系統(tǒng)，還包括:用于使用至少兩個機器學習模型來對所述單元聚類分類的裝置，每個所述機器學習模型提供對所述單元聚類中的給定的單元聚類是否為數(shù)據(jù)路徑邏輯的指示，并且僅在所述兩個機器學習模型均指示所述給定的單元聚類是數(shù)據(jù)路徑邏輯時將所述給定的單元聚類分類為數(shù)據(jù)路徑。
15.根據(jù)權(quán)利要求14所述的系統(tǒng)，其中所述機器學習模型中的第一機器學習模型是支持向量機，并且所述機器學習模型中的第二機器學習模型是神經(jīng)網(wǎng)絡(luò)。
16.根據(jù)權(quán)利要求13所述的系統(tǒng)，其中所述聚類特征包括用于所述單元聚類的自同構(gòu)發(fā)生器。
17.根據(jù)權(quán)利要求13所述的計算機系統(tǒng)，其中所述電路描述還包括來自先前布局的用于所述單元的位置，并且所述聚類特征包括基于所述單元位置的物理信息。
18.根據(jù)權(quán)利要求17所述的計算機系統(tǒng)，其中所述物理信息包括用于給定的聚類的總單元面積與用于所述給定的單元聚類的定界框的半周長之比。
19.在計算機系統(tǒng)的存儲器設(shè)備中駐留的、優(yōu)化集成電路設(shè)計的單元布局的電子設(shè)計自動化工具中，改進包括: 數(shù)據(jù)路徑提取工具，其使用一個或者多個機器學習模型以基于一個或者多個聚類特征將所述單元的聚類選擇性地分類為數(shù)據(jù)路徑邏輯或者非數(shù)據(jù)路徑邏輯。
20.根據(jù)權(quán)利要求19所述的改進，其中所述數(shù)據(jù)路徑提取工具使用包括支持向量機和神經(jīng)網(wǎng)絡(luò)的至少兩個機器學習模型，并且僅在所述支持向量機和所述神經(jīng)網(wǎng)絡(luò)指示給定的單元聚類是數(shù)據(jù)路徑邏輯時將給定的單元聚類分類為數(shù)據(jù)路徑。
21.根據(jù)權(quán)利要求19所述的改進，其中所述聚類特征包括用于所述單元聚類的自同構(gòu)發(fā)生器。
22.根據(jù)權(quán)利要求19所述的改進，其中所述聚類特征包括基于來自先前布局的用于所述單元的位置的物理信息。
23.根據(jù)權(quán)利要求22所述的改進，其中所述物理信息包括用于給定的聚類的總單元面積與用于所述給定的單元聚類的定界框的半周長之比。
24.一種訓練基于機器學習的數(shù)據(jù)路徑提取工具的計算機實施的方法，包括: 通過執(zhí)行計算機系統(tǒng)中的第一指令，接收代表互連的單元的聚類的設(shè)計圖案的學習集合，其中指定每個設(shè)計圖案為數(shù)據(jù)路徑或者非數(shù)據(jù)路徑； 通過執(zhí)行所述計算機系統(tǒng)中的第二指令，標識所述設(shè)計圖案中的聚類特征； 通過執(zhí)行所述計算機系統(tǒng)中的第三指令，將一個或者多個機器學習模型應(yīng)用于所述聚類特征以將所述特征與數(shù)據(jù)路徑邏輯或者非數(shù)據(jù)路徑邏輯選擇性地關(guān)聯(lián)；并且 通過執(zhí)行所述計算機系統(tǒng)中的第四指令，校準所述一個或者多個機器學習模型。
25.根據(jù)權(quán)利要求24所述的方法，還包括: 將所述一個或者多個機器學習模型應(yīng)用于代表互連的單元的不同聚類的設(shè)計圖案的驗證集合以將所述驗證集合中的所述設(shè)計圖案分類為數(shù)據(jù)路徑或者非數(shù)據(jù)路徑； 確定所述一個或者多個機器學習模型并未準確地分類所述驗證集合中的所述設(shè)計圖案；并且 響應(yīng)于所述確定來重新校準所述一個或者多個機器學習模型。
【文檔編號】G06F17/50GK103455654SQ201310205844
【公開日】2013年12月18日 申請日期:2013年5月29日 優(yōu)先權(quán)日:2012年5月30日
【發(fā)明者】S·I·瓦德 申請人:國際商業(yè)機器公司