CN110765723A - 一种基于bp神经网络的走线建模优化方法和装置 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的走线建模优化方法和装置，包括以下步骤：获取板卡叠层信息，利用板卡参数信息进行走线建模；利用BP神经网络获得待建模走线满足阻抗和损耗指标的优化参数；调用优化中间文件建立多条走线优化模型。本发明加入BP神经网络实现走线阻抗和损耗优化的自适应性，从而提高走线模型的精度和建模优化的效率。利用走线建模生成的中间文件，结合建模软件可以实现一次性建立多条走线模型，实现走线优化的批量处理，从而提高效率。

Description

一种基于BP神经网络的走线建模优化方法和装置

技术领域

本发明涉及板卡走线建模技术领域，尤其是一种基于BP神经网络的走线建模优化方法和装置。

背景技术

随着时钟频率的不断提高，对高速信号的信号完整性提出了越来越高的要求，在项目前期对链路风险进行评估，对风险链路进行仿真对于规避风险，缩短项目周期有着重要的意义。对于高速链路仿真前期我们需要搜集链路中device、连接器、线缆、过孔和走线的模型。其中对于device、连接器和线缆而言，一般是供应商提供，对于过孔和走线是需要自己建模设计的。走线作为高速链路中的重要组成部分，模型的精度对仿真结果起着重要作用。

目前行业内走线模型是使用ADS、IMLC等软件建立，在软件中输入叠层信息和走线的物理尺寸和属性从而建立走线模型，通过仿真计算出走线的阻抗和***损耗。为了保证仿真结果的准确性，要求建立的走线模型要符合阻抗和***损耗的要求，因此需要对走线进行优化。而影响阻抗和损耗的因素很多，比如走线的线宽、线距和介质材料的介电常数值主要影响阻抗，而铜箔的粗糙度、介质材料的介质损耗值和走线的蚀刻程度会影响走线的损耗。在优化走线时，现有技术需要根据经验手动调节各个参数从而使走线满足阻抗和损耗要求。采用手动调节的方式来进行走线优化对设计者的经验要求比较高，而且优化耗费时间比较长，当需要建立很多走线进行链路仿真时，前期建模需要花费大量时间。

发明内容

本发明的目的是提供一种基于BP神经网络的走线建模优化方法和装置，提高走线模型的精度和建模优化的效率。

为实现上述目的，本发明采用下述技术方案：

本发明第一方面提供了一种基于BP神经网络的走线建模优化方法，包括以下步骤：

获取板卡叠层信息，利用板卡参数信息进行走线建模；

利用BP神经网络获得待建模走线满足阻抗和损耗指标的优化参数；

调用优化中间文件建立多条走线优化模型。

结合第一方面，在第一方面第一种可能的实现方式中，所述获取板卡叠层信息，具体包括：

获取包括信号层厚度、参考层的厚度、铜的重量、铜箔类型、导电率、粗糙度、绿油厚度、绝缘基板的厚度和芯板的厚度、介电常数、介质损耗、走线蚀刻厚度、不同走线层不同信号的阻抗、***损耗以及对应的线宽线距在内的板卡叠层信息。

结合第一方面，在第一方面第二种可能的实现方式中，所述利用板卡参数信息进行走线建模，具体包括：

将走线对数、攻击线、受害线、线宽线距输入到走线建模单元；

将内层走线芯板、绝缘基板的厚度层、走线层的厚度、介电常数、介质损耗值、蚀刻厚度、铜的导电率、粗糙度输入到走线建模单元。

结合第一方面，在第一方面第三种可能的实现方式中，所述利用BP神经网络获得待建模走线满足阻抗和损耗指标的优化参数，具体包括：

建立阻抗Z、***损耗IL的目标函数式：

IL＝f(ω₁DK+ω₂TW+ω₃TD)

Z＝f(ω₁*Df+ω₂*rough+ω₃*etch)

式中，DK为介电常数、TW为线宽、TD为线距、Df为介质损耗、rough为铜的粗糙度、etch为蚀刻因子、ω₁、ω₂、ω₃为权值；

根据目标函数式确定神经网络各层的神经元个数、各层神经元的传递函数以及训练用函数的名称；

利用newff()函数在神经网络初始化步骤前完成权值和阈值的初始化；

神经网络将误差信号按照正向传播的通路反向传回，并对每个隐含层的各个神经元的连接权***进行调整，以使期望误差信号趋于最小。

结合第一方面，在第一方面第四种可能的实现方式中，所述调用优化中间文件建立多条走线优化模型，具体包括：

获取走线建模过程中的生成的.xml格式的优化中间文件；

调用优化中间文件与走线建模单元批量处理板卡叠层信息，建立多条走线模型。

本发明第二方面提供了一种基于BP神经网络的走线建模优化装置，包括：

板卡参数信息获取模块，获取板卡叠层信息，利用板卡参数信息进行走线建模；

走线参数优化模块，利用BP神经网络获得待建模走线满足阻抗和损耗指标的优化参数；

批量走线建模模块，调用优化中间文件建立多条走线优化模型。

本发明第二方面的所述基于BP神经网络的走线建模优化装置能够实现第一方面的方法，并取得相同的效果。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

本发明加入BP神经网络实现走线阻抗和损耗优化的自适应性，从而提高走线模型的精度和建模优化的效率。利用走线建模生成的中间文件，结合建模软件可以实现一次性建立多条走线模型，实现走线优化的批量处理，从而提高效率。

附图说明

图1是本发明方法实施例一步骤流程图；

图2是本发明方法实施例二步骤流程图；

图3是本发明方法实施例三步骤流程图；

图4是本发明装置实施例示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

如图1所示，一种基于BP神经网络的走线建模优化方法，包括以下步骤：

S1、获取板卡叠层信息，利用板卡参数信息进行走线建模；

S2、利用BP神经网络获得待建模走线满足阻抗和损耗指标的优化参数；

S3、调用优化中间文件建立多条走线优化模型。

作为本发明的一个实施例，步骤S1中，获取板卡叠层信息，具体包括：

获取包括信号层厚度、参考层的厚度、铜的重量、铜箔类型、导电率、粗糙度、绿油厚度、绝缘基板的厚度和芯板的厚度、介电常数、介质损耗、走线蚀刻厚度、不同走线层不同信号的阻抗、***损耗以及对应的线宽线距在内的板卡叠层信息。

作为本发明的一个实施例，步骤S1中，利用板卡参数信息进行走线建模，具体包括：

将走线对数、攻击线、受害线、线宽线距输入到走线建模单元；

将内层走线芯板、绝缘基板的厚度层、走线层的厚度、介电常数、介质损耗值、蚀刻厚度、铜的导电率、粗糙度输入到走线建模单元。

本实施例里，使用IMLC软件进行走线建模。

如图2所示，作为本发明的一个实施例，步骤S2中，利用BP神经网络获得待建模走线满足阻抗和损耗指标的优化参数，具体包括：

S21、建立阻抗Z、***损耗IL的目标函数式：

IL＝f(ω₁DK+ω₂TW+ω₃TD)

Z＝f(ω₁*Df+ω₂*rough+ω₃*etch)

式中，TW为线宽、TD为线距、rough为铜的粗糙度、etch为蚀刻因子、ω₁、ω₂、ω₃为权值。

对于输出变量insert损耗而言，其相关性输入变量是介电常数，线宽TW、线距TD。对于输出变量阻抗Z，其相关性输入变量是介质损耗、铜的粗糙度roughness、蚀刻因子etch.

权值ω₁、ω₂、ω₃是通过对网络的训练得到的，一般使用MATLAB的话不要自己设定，使用net＝newff(minmax(p)，[12，4]，{'tansig'，'logsig'}，'trainlm')之后会自动赋值，范围处在[0，1]之间。其中权值是变量，线宽TW、线距TD，Df、铜的粗糙度roughness、蚀刻因子etch是变量。

以以上叠层为例，以50ohm单端线为例。DK1:3.65；DK2:3.71；TW:[3.01，4.01]，TD:6mil；Df:[0.08,0.1]；roughness:5.5；etch:[0.3,0.5]，IL的目标值是0.65Db,Z的目标值是50ohm。

S22、根据目标函数式确定神经网络各层的神经元个数、各层神经元的传递函数以及训练用函数的名称；

S23、利用newff()函数在神经网络初始化步骤前完成权值和阈值的初始化；

S24、神经网络将误差信号按照正向传播的通路反向传回，并对每个隐含层的各个神经元的连接权***进行调整，以使期望误差信号趋于最小。

利用BP神经网络对走线参数优化的具体算法如下：

％构建训练样本中的输入向量p

p＝[3.653.713.016；]

3.653.713.026；

3.653.713.036；

……

3.653.714.016]

％创建一个BP网络，隐含层有3个神经元，传递函数为tansig

％中间层有3个神经元，传递函数为logsig，训练函数为trainlm

net＝newff(minmax(p),[3,3],{'tansig','logsig'},'trainlm')；

％训练次数默认为100

net.trainParam.epochs＝500；

％训练的目标默认为0

net.trainParam.goal＝0.01；

％神经网络训练

net＝train(net,p)；

y＝sim(net,p)。

如图3所示，作为本申请的一个实施例，步骤S3中，调用优化中间文件建立多条走线优化模型，具体包括：

S31、获取走线建模过程中的生成的.xml格式的优化中间文件；

S32、调用优化中间文件与走线建模单元批量处理板卡叠层信息，建立多条走线模型。

使用.Bat格式的批处理脚本，调用IMLC软件和.xml格式的中间文件，批量处理，一次建立多条走线。利用走线建模生成的中间文件，结合建模软件可以实现一次性建立多条走线模型，实现走线优化的批量处理，从而提高效率。

如图4所示，一种基于BP神经网络的走线建模优化装置，包括：

板卡参数信息获取模块11，获取板卡叠层信息，利用板卡参数信息进行走线建模；

走线参数优化模块12，利用BP神经网络获得待建模走线满足阻抗和损耗指标的优化参数；

批量走线建模模块13，调用优化中间文件建立多条走线优化模型。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种基于BP神经网络的走线建模优化方法，其特征是，包括以下步骤：

获取板卡叠层信息，利用板卡参数信息进行走线建模；

利用BP神经网络获得待建模走线满足阻抗和损耗指标的优化参数；

调用优化中间文件建立多条走线优化模型。

2.如权利要求1所述的基于BP神经网络的走线建模优化方法，其特征是，所述获取板卡叠层信息，具体包括：

获取包括信号层厚度、参考层的厚度、铜的重量、铜箔类型、导电率、粗糙度、绿油厚度、绝缘基板的厚度和芯板的厚度、介电常数、介质损耗、走线蚀刻厚度、不同走线层不同信号的阻抗、***损耗以及对应的线宽线距在内的板卡叠层信息。

3.如权利要求2所述的基于BP神经网络的走线建模优化方法，其特征是，所述利用板卡参数信息进行走线建模，具体包括：

将走线对数、攻击线、受害线、线宽线距输入到走线建模单元；

将内层走线芯板、绝缘基板的厚度层、走线层的厚度、介电常数、介质损耗值、蚀刻厚度、铜的导电率、粗糙度输入到走线建模单元。

4.如权利要求3所述的基于BP神经网络的走线建模优化方法，其特征是，所述利用BP神经网络获得待建模走线满足阻抗和损耗指标的优化参数，具体包括：

建立阻抗Z、***损耗IL的目标函数式：

IL＝f(ω₁DK+ω₂TW+ω₃TD)

Z＝f(ω₁*Df+ω₂*rough+ω₃*etch)

式中，TW为线宽、TD为线距、rough为铜的粗糙度、etch为蚀刻因子、ω₁、ω₂、ω₃为权值；

根据目标函数式确定神经网络各层的神经元个数、各层神经元的传递函数以及训练用函数的名称；

利用newff()函数在神经网络初始化步骤前完成权值和阈值的初始化；

神经网络将误差信号按照正向传播的通路反向传回，并对每个隐含层的各个神经元的连接权***进行调整，以使期望误差信号趋于最小。

5.如权利要求4所述的基于BP神经网络的走线建模优化方法，其特征是，所述调用优化中间文件建立多条走线优化模型，具体包括：

获取走线建模过程中的生成的.xml格式的优化中间文件；

调用优化中间文件与走线建模单元批量处理板卡叠层信息，建立多条走线模型。

6.一种基于BP神经网络的走线建模优化装置，其特征是，包括：

板卡参数信息获取模块，获取板卡叠层信息，利用板卡参数信息进行走线建模；

走线参数优化模块，利用BP神经网络获得待建模走线满足阻抗和损耗指标的优化参数；

批量走线建模模块，调用优化中间文件建立多条走线优化模型。

Images