专利交易市场

一种基于随机与并行计算策略的RTL级电路可靠性度量方法，首先，对网表进行解析并对相关量进行初始化，以为后续计算做好准备；接着，基于sobol序列构建均匀非伯努利序列的生成方法，并基于该序列生成方法分别利用并行计算策略构建长度为ls的电路输入向量与面向模块输出端的故障注入许可序列；然后，基于随机计算策略分别并行计算了针对各输入向量在不同状况下的电路逻辑输出；最后，通过最大‑最小蚁群算法实现了算法的自适应收敛。本发明有效兼顾评估精度与计算速度。

本发明提出了一种基于预测反馈的电路逻辑优化方法。该方法包括：首先构建逻辑综合的数据集，将电路逻辑综合后的面积和延迟作为数据集的标签；然后对数据集进行预处理来获得电路的优化序列和图特征；随后构建预测模型，利用预处理后的数据集对其进行预训练；再构建逻辑优化模型并利用预处理后的数据集训练；最后用训练好的逻辑优化模型在电路上进行逻辑优化。本发明首先通过GNN、RNN和解码器构成的预测模型来预测结果，再通过Transformer提取预测结果特征，最后利用基于强化学习的多头近端策略来选择下一步优化策略，从而快速获得面积与延迟最好的优化序列。

本发明提供了一种基于强化学习的针对FPGA映射的电路逻辑综合方法，以解决传统网表优化方法中模型优化未见过电路的能力不足的问题。首先构建逻辑综合的数据集，然后对数据集进行预处理，获得电路的统计特征与图结构；随后构建基于强化学习的针对FPGA映射的逻辑综合模型，并利用预处理后的数据集进行预训练，最后利用预训练好的基于强化学习的针对FPGA映射的逻辑综合模型在电路上进行逻辑优化。本发明的电路特征提取模块采用GNN模块对逻辑电路和网表结构进行解析，得到图嵌入，通过FCN模块解析逻辑电路和网表的统计特征，拼接两部分特征得到精确的电路的增强表示状态，提高了强化学习模型对不同电路之间的理解能力。

本发明公开基于GNN‑Transformer的逻辑综合电路面积预测方法，该方法包括：构建逻辑综合电路面积预测数据集，所述数据集RTL verilog描述的电路，以及由逻辑综合工具提供的一系列优化算子排列组成的优化序列，以及电路综合后的面积作为标签；构建基于GNN‑Transformer的逻辑综合电路面积预测模型。本发明通过利用来自电路和优化序列的时空信息，并考虑了不同规模电路的数据标签跨度大对模型训练产生的影响，能够对不同规模电路进行更加精确的预测。