【技術實現步驟摘要】
本申請實施例涉及電子設備的性能預測，尤其涉及一種用于存儲器的性能預測方法、裝置、電子設備和存儲介質。
技術介紹
1、隨著集成電路工藝的進步，存儲器單元的面積越來越小，單顆芯片上集成的存儲器越來越大，從而導致提高成品率越來越難。為了設計高可靠性存儲器，需要對存儲器的性能進行模擬。現有技術中通常采用蒙特卡洛(monte?carlo,mc)仿真對存儲器的性能進行模擬，然而由于存儲器是由數以百萬計的晶體管電路構成，并且采用蒙特卡洛仿真需對存儲器進行晶體管級的模擬仿真，所以采用蒙特卡洛仿真針對存儲器的性能進行相應的仿真運算耗很長的時間。
技術實現思路
1、有鑒于此，本申請實施例提供一種用于存儲器的性能預測方法、裝置、電子設備和存儲介質，以至少部分解決上述問題。
2、根據本申請實施例的第一方面，提供了一種用于存儲器的性能預測方法，包括：獲取存儲器的工藝參數集，以所述工藝參數集中的至少部分工藝參數作為第一向量的向量元素生成第一向量；其中，所述工藝參數集中的工藝參數包括以下至少之一：所述存儲器包括的mos管的閾值電壓和所述存儲器包括的mos管的電子遷移率；將所述第一向量輸入第一預測模型，獲得所述第一預測模型輸出的所述存儲器的性能指標的第一預測值；根據所述第一預測模型中系數為零的輸入變量，將所述第一向量中的作為該輸入變量輸入所述第一預測模型的向量元素刪除，獲得第二向量；將所述第二向量輸入第二預測模型，獲得所述第二預測模型輸出的所述性能指標的第二預測值，并將所述第二向量輸入第三預測模型，獲
3、在一種可能的實現方式中，所述以所述工藝參數集中的至少部分工藝參數作為第一向量的向量元素生成第一向量，包括：對所述工藝參數集中的所述工藝參數進行多次采樣，以采樣得到的所述工藝參數作為第一向量的向量元素，生成多個所述第一向量；所述方法還包括：根據各所述第一向量對應的所述第四預測值，確定所述存儲器的良率預測值。
4、在一種可能的實現方式中，所述根據各所述第一向量對應的所述第四預測值，確定所述存儲器的良率，包括：
5、將各所述第一向量對應的所述第四預測值輸入良率預測模型，獲得所述良率預測模型輸出的良率預測值；
6、所述良率預測模型為：
7、
8、其中，
9、
10、n用于指示所述第一向量的數量，xi用于指示第i個所述第一向量，meta(xi)用于指示所述組合預測模型輸出的與第i個所述第一向量xi對應的所述第四預測值，y用于指示所述性能指標達標的預測值區間。
11、在一種可能的實現方式中，所述第一預測模型為線性回歸模型，所述第二預測模型為隨機森林回歸模型，所述第三預測模型為梯度提升回歸樹模型。
12、在一種可能的實現方式中，所述方法還包括所述第一預測模型、所述第二預測模型、所述第三預測模型的訓練方法；所述第一預測模型、所述第二預測模型、所述第三預測模型的訓練方法包括：通過對所述工藝參數集中的所述工藝參數進行均勻采樣，生成多個第一參數向量，分別基于各所述第一參數向量進行電路仿真，獲得各所述第一參數向量對應所述性能指標的第一仿真值，根據所述第一參數向量以及所述第一參數向量對應的所述第一仿真值建立第一訓練集；基于所述第一訓練集對所述第一預測模型的初始模型進行訓練，獲得所述第一預測模型，根據所述第一預測模型中系數為零的輸入變量，將所述第一參數向量中的作為該輸入變量輸入所述第一預測模型的向量元素刪除，獲得第二參數向量、以及包括所述第二參數向量和所述第一仿真值的第二訓練集；基于所述第二訓練集對所述第二預測模型的初始模型和所述第三預測模型的初始模型進行訓練，獲得所述第二預測模型和所述第三預測模型。
13、在一種可能的實現方式中，所述基于所述第二訓練集對所述第二預測模型的初始模型和所述第三預測模型的初始模型進行訓練，包括：通過對所述第二訓練集進行有放回的抽樣，從所述第二訓練集中抽取所述第二參數向量和對應的所述第一仿真值，獲得第三訓練集；根據所述第三訓練集對所述第二預測模型的初始模型進行訓練；和/或，通過對所述第二訓練集進行加權抽樣，從所述第二訓練集中抽取所述第二參數向量和對應的所述第一仿真值，獲得第四訓練集；根據所述第四訓練集對所述第三預測模型的初始模型進行訓練。
14、在一種可能的實現方式中，還包括所述組合預測模型的訓練方法；所述組合預測模型的訓練方法包括：對所述工藝參數進行蒙特卡洛仿真，獲得多個第三參數向量以及各第三參數向量對應的第二仿真值，根據所述第三參數向量以及所述第三參數向量對應的所述第二仿真值建立第五訓練集；將所述第五訓練集包括的所述第三參數向量輸入所述第一預測模型獲得各所述第三參數向量對應的第一預測樣本值；根據所述第一預測模型中系數為零的輸入變量，將所述第三參數向量中的作為該輸入變量輸入所述第一預測模型的向量元素刪除，獲得第三參數向量的子向量，將所述第三參數向量的子向量分別輸入所述第二預測模型和所述第三預測模型，獲得各所述第三參數向量對應的第二預測樣本值和第三預測樣本值；根據各所述第三參數向量對應的所述第二仿真值、所述第一預測樣本值、所述第二預測樣本值和所述第三預測樣本值，建立第六訓練集；根據所述第六訓練集，對所述組合預測模型的初始模型進行訓練，獲得所述組合預測模型。
15、根據本申請實施例的第二方面，提供了一種用于存儲器的性能預測裝置，包括：向量生成模塊，用于獲取存儲器的工藝參數集，以所述工藝參數集中的至少部分工藝參數作為第一向量的向量元素生成第一向量；其中，所述工藝參數集中的工藝參數包括以下至少之一：所述存儲器包括的mos管的閾值電壓和所述存儲器包括的mos管的電子遷移率；第一預測模塊，用于將所述第一向量輸入第一預測模型，獲得所述第一預測模型輸出的所述存儲器的性能指標的第一預測值；中間處理模塊，用于根據所述第一預測模型中系數為零的輸入變量，將所述第一向量中的作為該輸入變量輸入所述第一預測模型的向量元素刪除，獲得第二向量；第二預測模塊，將所述第二向量輸入第二預測模型，獲得所述第二預測模型輸出的所述性能指標的第二預測值，并將所述第二向量輸入第三預測模型，獲得所述第三預測模型輸出所述性能指標的第三預測值；其中，所述第二預測模型的擬合方差小于所述第三預測模型，且所述第三預測模型的擬合偏差小于所述第二預測模型；組合預測模塊，用于將所述第一預測值、所述第二預測值和所述第三預測值輸入組合預測模型，獲得所述組合預測模型輸出的所述性能指標的第四預測值，所述第四預測值用于指示所述性能指標的值。
16、根據本申請實施例的第三方面，提供了一種電子設備，包括：處理器、存儲器、通信接口和通信總本文檔來自技高網...
【技術保護點】
1.一種用于存儲器的性能預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述以所述工藝參數集中的至少部分工藝參數作為第一向量的向量元素生成第一向量，包括：
3.根據權利要求2所述的方法，其特征在于，所述根據各所述第一向量對應的所述第四預測值，確定所述存儲器的良率，包括：
4.根據權利要求1所述的方法，其特征在于，所述第一預測模型為線性回歸模型，所述第二預測模型為隨機森林回歸模型，所述第三預測模型為梯度提升回歸樹模型。
5.根據權利要求2所述的方法，其特征在于，還包括所述第一預測模型、所述第二預測模型、所述第三預測模型的訓練方法；
6.根據權利要求5所述的方法，其特征在于，所述基于所述第二訓練集對所述第二預測模型的初始模型和所述第三預測模型的初始模型進行訓練，包括：
7.根據權利要求5或6所述的方法，其特征在于，還包括所述組合預測模型的訓練方法；
8.一種用于存儲器的性能預測裝置，其特征在于，包括：
9.一種電子設備，包括：處理器、存儲器、通信接口和通信總線，所述
10.一種計算機存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現如權利要求1-7中任一所述的方法。
...【技術特征摘要】
1.一種用于存儲器的性能預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述以所述工藝參數集中的至少部分工藝參數作為第一向量的向量元素生成第一向量，包括：
3.根據權利要求2所述的方法，其特征在于，所述根據各所述第一向量對應的所述第四預測值，確定所述存儲器的良率，包括：
4.根據權利要求1所述的方法，其特征在于，所述第一預測模型為線性回歸模型，所述第二預測模型為隨機森林回歸模型，所述第三預測模型為梯度提升回歸樹模型。
5.根據權利要求2所述的方法，其特征在于，還包括所述第一預測模型、所述第二預測模型、所述第三預測...
【專利技術屬性】
技術研發人員：張琦瑢，周戩，朱勝蘭，佘一奇，
申請(專利權)人：蘇州寬溫電子科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。