本發(fā)明涉及智能芯片，尤其涉及一種用于芯片的電磁干擾抑制方法及系統(tǒng)。

背景技術：

1、隨著電子技術的飛速發(fā)展和集成電路的高度集成化，芯片的功能日益復雜，工作頻率不斷提高，導致芯片內(nèi)部及芯片之間的電磁干擾問題日益突出。電磁干擾不僅會影響芯片的正常工作，降低系統(tǒng)的可靠性和穩(wěn)定性，還可能導致信息泄露和安全隱患。

2、現(xiàn)有的電磁干擾抑制方法雖然在一定程度上緩解了芯片的電磁干擾問題，但仍然存在諸多局限性，難以滿足現(xiàn)代電子系統(tǒng)日益提高的電磁兼容性要求。傳統(tǒng)方法主要依賴于人工經(jīng)驗和重復試驗，缺乏智能化和自適應能力，難以應對復雜多變的電磁環(huán)境。同時，現(xiàn)有方法大多針對特定類型的電磁干擾，缺乏一種通用的、系統(tǒng)化的抑制方案。因此，如何有效抑制芯片的電磁干擾，已經(jīng)成為電子設計領域亟待解決的關鍵問題之一。

3、綜上所述，亟需一種智能化、自適應的電磁干擾抑制方法，能夠根據(jù)芯片的實際工作環(huán)境和電磁干擾特性，自動生成最優(yōu)的抑制策略，實現(xiàn)對各類電磁干擾的有效抑制。同時，新的抑制方法應具有通用性和可擴展性，滿足日益復雜的電磁兼容性設計需求，提高芯片的可靠性和穩(wěn)定性，保障電子系統(tǒng)的正常工作，本發(fā)明能夠解決現(xiàn)有技術中的問題。

技術實現(xiàn)思路

1、本發(fā)明實施例提供一種用于芯片的電磁干擾抑制方法及系統(tǒng)，能夠解決現(xiàn)有技術中的問題。

2、本發(fā)明實施例的第一方面，

3、提供一種用于芯片的電磁干擾抑制方法，包括：

4、獲取待抑制電磁干擾的目標芯片的版圖數(shù)據(jù)，基于所述版圖數(shù)據(jù)，通過圖像分割算法，提取目標芯片中各功能模塊的結(jié)構(gòu)參數(shù)和對應器件的器件參數(shù)，基于所述結(jié)構(gòu)參數(shù)和所述器件參數(shù)，構(gòu)建包含所述目標芯片的整體結(jié)構(gòu)和各個器件模型的多物理場耦合仿真模型；

5、基于所述多物理場耦合仿真模型，通過機器學習算法，確定目標芯片對應的最優(yōu)激勵源，基于所述最優(yōu)激勵源，采用時域有限元方法，通過自適應時間步長控制策略，動態(tài)調(diào)整仿真計算的時間步長，計算獲得目標芯片的瞬態(tài)多物理場分布，通過對瞬態(tài)多物理場分布進行后處理，提取電磁干擾的時頻域多尺度分布特征，利用深度卷積神經(jīng)網(wǎng)絡對時頻域多尺度分布特征進行學習并分類，構(gòu)建電磁干擾的頻譜指紋庫，生成包含電磁干擾類型和干擾嚴重程度的電磁干擾識別結(jié)果；

6、基于電磁干擾識別結(jié)果，通過抑制拓撲搜索算法，確定最優(yōu)抑制電路拓撲，通過多目標優(yōu)化算法，結(jié)合電磁兼容性指標約束，確定最優(yōu)抑制器件參數(shù)，基于所述最優(yōu)抑制電路拓撲和所述最優(yōu)抑制器件參數(shù)，生成電磁干擾抑制策略。

7、在一種可選的實施例中，

8、獲取待抑制電磁干擾的目標芯片的版圖數(shù)據(jù)，基于所述版圖數(shù)據(jù)，通過圖像分割算法，提取目標芯片中各功能模塊的結(jié)構(gòu)參數(shù)和對應器件的器件參數(shù)，基于所述結(jié)構(gòu)參數(shù)和所述器件參數(shù)，構(gòu)建包含所述目標芯片的整體結(jié)構(gòu)和各個器件模型的多物理場耦合仿真模型包括：

9、獲取目標芯片的版圖數(shù)據(jù)文件；

10、將所述版圖數(shù)據(jù)文件轉(zhuǎn)換為版圖圖像，將所述版圖圖像編碼為量子態(tài)，基于量子傅里葉變換和量子相位估計算法，在量子態(tài)的對應空間中提取版圖圖像的多尺度紋理特征和拓撲結(jié)構(gòu)特征，確定版圖特征，構(gòu)建基于量子門電路的相似性度量模型，通過量子態(tài)之間的糾纏測量，計算不同版圖圖像在特征空間中的相似度，利用量子搜索算法在預設的版圖數(shù)據(jù)庫中檢索與所述版圖圖像相似的版圖，獲取版圖分割和參數(shù)提取的候選區(qū)域，在所述候選區(qū)域中，提取各功能模塊的幾何結(jié)構(gòu)參數(shù)和器件參數(shù)；

11、基于所述幾何結(jié)構(gòu)參數(shù)，構(gòu)建目標芯片的三維幾何模型，并基于所述器件參數(shù)，構(gòu)建器件模型，在所述三維幾何模型中放置對應的器件模型，建立多物理場耦合仿真模型。

12、在一種可選的實施例中，

13、所述多物理場耦合仿真模型還包括：

14、采用自適應網(wǎng)格劃分方法對所述多物理場耦合仿真模型進行離散化處理；

15、根據(jù)目標芯片不同區(qū)域的電磁場場強分布和器件位置分布，自適應地調(diào)整網(wǎng)格密度和尺寸；

16、結(jié)合多層網(wǎng)格嵌套技術，在不同尺度上對所述多物理場耦合仿真模型進行網(wǎng)格劃分，確定整體電磁干擾特征和局部電磁分布；

17、所述網(wǎng)格劃分基于不同物理場之間的耦合關系，確定統(tǒng)一網(wǎng)格劃分方案。

18、在一種可選的實施例中，

19、基于所述多物理場耦合仿真模型，通過機器學習算法，確定目標芯片對應的最優(yōu)激勵源包括：

20、基于所述多物理場耦合仿真模型，構(gòu)建描述芯片內(nèi)部的電磁場、熱場和應力場耦合效應的偏微分方程組，采用預設的有限元方法對所述偏微分方程組進行離散化處理，得到多物理場耦合代數(shù)方程組；

21、將所述多物理場耦合代數(shù)方程組轉(zhuǎn)化為以激勵源為設計變量的優(yōu)化模型，基于機器學習算法，通過迭代搜索獲得令多物理場分布最優(yōu)的激勵源參數(shù)組合，得到最優(yōu)激勵源；

22、將所述最優(yōu)激勵源輸入激勵源信號生成模塊，合成與實際場景相匹配的激勵信號序列，結(jié)合預設的數(shù)據(jù)增強方法，保持所述最優(yōu)激勵源對應的分布特征，擴充激勵源樣本。

23、在一種可選的實施例中，

24、基于所述最優(yōu)激勵源，采用時域有限元方法，通過自適應時間步長控制策略，動態(tài)調(diào)整仿真計算的時間步長，計算獲得目標芯片的瞬態(tài)多物理場分布包括：

25、基于所述多物理場耦合代數(shù)方程組，引入時域項，構(gòu)建時域有限元模型，采用時間步進算法，計算每個時間步長下目標芯片內(nèi)部節(jié)點的多物理場分布；

26、基于多物理場變化的劇烈程度，結(jié)合自適應時間步長控制策略，通過錯誤估計和迭代校正，動態(tài)調(diào)整時域求解的時間步長；

27、基于混合并行模式，將時域有限元模型劃分為多個子區(qū)域，其中通過消息傳遞接口實現(xiàn)子區(qū)域間通信同步，通過開放多線程并行執(zhí)行機制實現(xiàn)子區(qū)域內(nèi)多線程并行。

28、在一種可選的實施例中，

29、通過對瞬態(tài)多物理場分布進行后處理，提取電磁干擾的時頻域多尺度分布特征，利用深度卷積神經(jīng)網(wǎng)絡對時頻域多尺度分布特征進行學習并分類，構(gòu)建電磁干擾的頻譜指紋庫，生成包含電磁干擾類型和干擾嚴重程度的電磁干擾識別結(jié)果包括：

30、對瞬態(tài)多物理場分布進行短時傅里葉變換，獲得多物理場的時頻表示，構(gòu)建時頻譜圖，基于預設的多尺度卷積核，從時頻譜圖中提取不同時間、不同頻率尺度下的局部紋理特征，確定電磁干擾的時頻域多尺度分布特征；

31、構(gòu)建以時頻域多尺度分布特征為輸入的深度卷積神經(jīng)網(wǎng)絡模型，通過端到端的監(jiān)督學習，優(yōu)化所述深度卷積神經(jīng)網(wǎng)絡模型的網(wǎng)絡參數(shù)，結(jié)合注意力機制，確定深度卷積神經(jīng)網(wǎng)絡模型對各時頻域的敏感度，對電磁干擾類型進行分類；

32、基于訓練完成的深度卷積神經(jīng)網(wǎng)絡模型，輸入預先設置的電磁干擾樣本集合，提取每個電磁干擾樣本對應的時頻域特征，并映射到對應電磁干擾類型，確定電磁干擾類型與時頻域特征的對應關系，構(gòu)建頻譜指紋庫；

33、結(jié)合干擾嚴重程度評估模塊，提取嚴重程度評估特征，包括干擾能量、干擾頻率分布和干擾持續(xù)時間，結(jié)合電磁干擾類型，生成電磁干擾識別結(jié)果。

34、在一種可選的實施例中，

35、基于電磁干擾識別結(jié)果，通過抑制拓撲搜索算法，確定最優(yōu)抑制電路拓撲包括：

36、所述抑制拓撲搜索算法基于果蠅優(yōu)化算法構(gòu)建；

37、對抑制電路拓撲進行量子編碼，將抑制電路中的每一個器件映射為一個量子比特，所述器件的狀態(tài)對應量子比特的概率幅，多個量子比特組成一個量子染色體，對應一個抑制電路拓撲候選解；

38、隨機生成一組量子染色體，每個量子染色體對應一個果蠅個體，確定初始果蠅種群；

39、對所述初始果蠅種群進行味覺搜索，根據(jù)果蠅個體的量子染色體，對量子比特進行觀測，從量子比特的疊加態(tài)中確定抑制電路拓撲候選解對應的抑制電路拓撲確定解，計算抑制電路拓撲確定解對應的適應度，在搜索空間中確定初始最優(yōu)抑制電路拓撲，并更新對應的量子染色體中所有量子比特的概率幅；

40、以所述初始最優(yōu)抑制電路拓撲作為視覺搜索中心點，按照預設的近鄰閾值，在視覺搜索中心點附近生成一組新的量子染色體，確定視覺搜索樣本點，計算所述視覺搜索樣本點對應的適應度，選擇適應度最大值對應的視覺搜索樣本點，確定進階最優(yōu)抑制電路拓撲，并作為新的視覺搜索中心點，同時更新量子比特的概率幅；

41、基于量子旋轉(zhuǎn)門操作，對所述量子比特的概率幅進行調(diào)整更新，在預設的旋轉(zhuǎn)門角度區(qū)間內(nèi)，自適應確定量子旋轉(zhuǎn)門的旋轉(zhuǎn)角度，所述旋轉(zhuǎn)角度與適應度成反比；

42、基于進階最優(yōu)抑制電路拓撲，結(jié)合隨機擾動，生成新一代果蠅種群；

43、重復迭代，直到達到預設的迭代次數(shù)，將最后一次味覺搜索和視覺搜索得到的進階最優(yōu)抑制電路拓撲，作為最終的最優(yōu)抑制電路拓撲。

44、本發(fā)明實施例的第二方面，

45、提供一種用于芯片的電磁干擾抑制系統(tǒng)，包括：

46、第一單元，用于獲取待抑制電磁干擾的目標芯片的版圖數(shù)據(jù)，基于所述版圖數(shù)據(jù)，通過圖像分割算法，提取目標芯片中各功能模塊的結(jié)構(gòu)參數(shù)和對應器件的器件參數(shù)，基于所述結(jié)構(gòu)參數(shù)和所述器件參數(shù)，構(gòu)建包含所述目標芯片的整體結(jié)構(gòu)和各個器件模型的多物理場耦合仿真模型；

47、第二單元，用于基于所述多物理場耦合仿真模型，通過機器學習算法，確定目標芯片對應的最優(yōu)激勵源，基于所述最優(yōu)激勵源，采用時域有限元方法，通過自適應時間步長控制策略，動態(tài)調(diào)整仿真計算的時間步長，計算獲得目標芯片的瞬態(tài)多物理場分布，通過對瞬態(tài)多物理場分布進行后處理，提取電磁干擾的時頻域多尺度分布特征，利用深度卷積神經(jīng)網(wǎng)絡對時頻域多尺度分布特征進行學習并分類，構(gòu)建電磁干擾的頻譜指紋庫，生成包含電磁干擾類型和干擾嚴重程度的電磁干擾識別結(jié)果；

48、第三單元，用于基于電磁干擾識別結(jié)果，通過抑制拓撲搜索算法，確定最優(yōu)抑制電路拓撲，通過多目標優(yōu)化算法，結(jié)合電磁兼容性指標約束，確定最優(yōu)抑制器件參數(shù)，基于所述最優(yōu)抑制電路拓撲和所述最優(yōu)抑制器件參數(shù)，生成電磁干擾抑制策略。

49、本發(fā)明實施例的第三方面，

50、提供一種電子設備，包括：

51、處理器；

52、用于存儲處理器可執(zhí)行指令的存儲器；

53、其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。

54、本發(fā)明實施例的第四方面，

55、提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)前述所述的方法。

56、在本發(fā)明實施例中，通過獲取目標芯片的版圖數(shù)據(jù)，并采用圖像分割算法提取各功能模塊的結(jié)構(gòu)參數(shù)和器件參數(shù)，可以準確地重建目標芯片的物理布局和器件信息。基于這些數(shù)據(jù)，構(gòu)建出包含目標芯片整體結(jié)構(gòu)和各個器件模型的多物理場耦合仿真模型，能夠全面模擬芯片在不同物理場下的行為；利用機器學習算法識別和確定目標芯片的最優(yōu)激勵源，使得仿真更貼近實際工作條件，提高了仿真結(jié)果的真實性和準確性；構(gòu)建電磁干擾的頻譜指紋庫，有效地提取并分類了電磁干擾的特征，使得電磁干擾的識別更加準確和全面；電磁干擾識別結(jié)果的獲取，提高了識別的準確性和全面性；抑制拓撲搜索算法的應用，有效降低了電磁干擾設計的復雜性。通過全局搜索和迭代優(yōu)化，找到抑制效果最佳的電路拓撲，保證抑制電路的實際可行性；通過多目標優(yōu)化算法，確定最優(yōu)抑制器件參數(shù)，提高電路的抑制效率和系統(tǒng)的可靠性，使得抑制電路能夠有效應對不同的電磁干擾情況。