摘要:随着超大规模集成电路的不断发展,片上供电网络的设计日益重要,需要通过计算供电网络的静态电压降来反映设计的性能。然而传统的计算方法需要耗费大量的时间,导致芯片设计周期延长。为了缩短芯片设计的周期和提高芯片设计的效率,本文提出了一个基于卷积神经网络—ResCSP-34的快速静态电压降预测模型。模型采用编码器-解码器结构,首先对残差网络ResNet34进行修改作为编码器的主体结构,然后在解码器中引入特征融合模块CSP(Cross Stage Partial),并且在编码器和解码器的连接处引入CBAM(Convolutional Block Attention Module)注意力机制模块,最后提出了一个同时结合了均方误差(Mean Squared Error,MSE),皮尔逊相关系数(Pearson Correlation Coefficient,PCC)和平均绝对误差(Mean Absolute Error,MAE)的损失函数对模型进行训练。实验结果表明,在CircuitNet数据集上,模型预测结果的平均MAE为0.7mv,小于1mv,皮尔逊相关系数的平均值大于0.93,接近于1,对一个片上供电网络设计进行静态电压降预测的平均总时间为7.36s,其中卷积神经网络的平均推理时间为0.015s。实验结果表明,ResCSP-34模型能够快速且精准地预测静态电压降。