点击数: 更新日期: 2023-10-27
中文题目：利用特征选择和LSTM神经网络的时间步长控制方法加速电路仿真直流分析
论文题目：Accelerating DC Circuit Simulation through Feature Selection and LSTM-Based Time-Step Control
录用期刊/会议：Electronics（JCR Q2）
原文DOI：10.3390/electronics12081927
原文链接：https://www.mdpi.com/2079-9292/12/8/1927?h=1
封面图片：
作者列表：
1）金洲 中国石油大学（北京）信息科学与工程学院 计算机科学与技术系 副教授
2）杨子毅 中国石油大学（北京）信息科学与工程学院 电子信息工程系 本科 20
3）裴浩杰 中国石油大学（北京）信息科学与工程学院 计算机技术系 硕 20
4）查夏如 中国石油大学（北京）人工智能学院 人工智能系 研 23
5）柏一诺 中国石油大学（北京）信息科学与工程学院 电子信息工程系 本科 19
6）牛丹 东南大学 自动化学院 自动化系 副教授
7）周振亚 北京华大九天科技股份有限公司
8）吴枭 北京华大九天科技股份有限公司
文章简介:
该研究成果由中国石油大学（北京）金洲老师团队和东南大学、华大九天合作完成，已被Electronics (JCR Q2区)收录。
摘要:
随着超大规模集成电路的发展，电路仿真在电路设计中起着重要的作用，而直流分析作为电路行为分析的基础，是非线性电路仿真的基础。在各种延拓算法中，伪瞬态分析(PTA)方法取得了很大的成功。然而，如果没有合适的时间步长控制方法，PTA的计算量会与时间步长控制方法离散出的时间点成正相关，从而导致仿真效率受限。因此，本文中提出了一个基于深度学习的新型时间步长控制方法。具体而言，所提方法引入粗细粒度混合采样策略寻找最优时间步长，探索可能的性能提升空间并构建训练数据集。其次，利用具有时间信息处理能力的长短期记忆网络学习PTA的时序特性，同时通过基于随机森林的特征选择和两阶段数据预处理的策略来加速网络训练，以实现最优时间步长的控制从而加速直流（DC）分析。实验结果表明，该方法可以达到61.32倍的加速比。
背景与动机:
直流分析是非线性电子电路仿真的基础，近年来直流分析的延拓方法被广泛研究，其中伪瞬态算法由于其易实现性和解曲线良好的连续性，成为了最具有前景的直流分析算法。然而，PTA的仿真效率受限于数值积分过程中的时间步长控制，因此，需要一种有效的时间步长控制方法。在本文中提出了一种深度学习增强的时间步长控制方法，实现在最优时间步长的在线预测与控制功能，以加速电路仿真。
图1：深度学习增强时间步长控制方法的框架
设计与实现:
所提出方法的整个流程如图2所示，在PTA迭代过程中，收集样本进行离线模型训练；在后续的PTA迭代过程中，使用训练好的模型进行在线预测。
图2：所提方法的流程图
（1） 粗细粒度混合采样策略
PTA方法的时间步长控制不是由局部截断误差等精度因素决定的。相反，只要NR迭代收敛就可以选择尽可能大的时间步长。因此，我们引入了粗细粒度混合的采样策略来寻找最优时间步长，在保证NR迭代收敛的同时选择尽可能大的时间步长，流程图如图3所示：
图3：粗细粒度混合策略的流程图
（2） 基于随机森林的特征选择和两阶段处理策略
PTA的时间步长控制不局限于电路，而是依赖于仿真过程中过程变量的变化趋势。因此，仿真过程中的变量被选作特征。此外，还利用随机森林对特征重要性进行评估，实现特征降维，从而加快了网络的训练速度，提高了预测的准确性。所选特征的描述和数据类型如表1所示。
表1：随机森林评估后所选特征和其数据类型
很明显表中的特征有不同的数据类型。然而，为了让模型正常工作，它需要具有统一数据类型的输入特征。因此，文中采用了两阶段处理策略，首先进行内部处理，将残差和电压统一起来；接着进行外部处理，将所有处理后的一维行向量连接成一个大矩阵以形成训练集，再进行最大最小归一化等处理。
（3） 模型选择与训练
PTA本身是一个随时间变化的普通微分系统，因此LSTM在处理时间序列信息方面的优势非常适合这项工作。在训练过程完成后我们得到了一个可靠的模型，能够准确预测时间步长。
实验结果及分析:
（1） 加速仿真效率
为了验证所提方法对于仿真效率的加速效果，将其与自适应的和常规的时间步长控制方法进行了比较，我们对实验室电路的NR迭代次数进行了评估，结果如表2所示，可以看到所提方法相比自适应方法最高可以达到61.32倍的加速比。
表2：不同电路下各步长控制方法的仿真效率
（2） 改善仿真收敛性
值得注意的是，所提出的方法能够解决一些电路中的不收敛(N/A)问题，如表3所示。这对于基于SPICE电路仿真尤其有价值，因为不收敛问题的根本原因通常很难准确识别。
表3：改进一些电路的仿真收敛性
结论:
在本文中，我们提出一种新的时间步长控制方法，使用深度学习模型实现步长控制来有效地完成非线性直流分析，特别是采用粗、细粒度混合搜索策略确定最优时间步长，探索性能提升空间并收集训练数据。此外，基于随机森林的特征选择和两阶段数据处理策略为训练模型提供了良好的数据集，提高了模型的训练速度和预测精度。仿真结果表明，与其他时间步长控制方法相比，该方法具有61.32倍的加速比，在一些电路中所提方法还可以改善某些电路中由步长控制引起的不收敛问题。
作者简介:
金洲
中国石油大学（北京）计算机系副教授，入选北京市科协青年人才托举工程、校青年拔尖人才。主要从事集成电路设计自动化（EDA）、面向科学计算的DSA软硬件协同设计等方面的研究工作。主持并参与国家自然科学基金青年项目、重点项目，科技部重点研发微纳电子专项、高性能计算专项青年科学家项目，国家重点实验室开放课题、企业横向课题等。在DAC、TCAD、TODAES、SC、PPoPP、IPDPS、TCAS-II、ASP-DAC等重要国际会议和期刊上发表40余篇高水平学术论文。
联系方式：jinzhou@cup.edu.cn