基于循环神经网络的多段互连快速电迁移分析

《ACM Transactions on Design Automation of Electronic Systems》：Fast Electromigration Analysis of Multi-segment Interconnects Based on Recurrent Neural Networks

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

在电源传输网络中，预测电迁移应力是一个重要的可靠性难题。现有的半解析多层感知器模型忽略了电迁移扩散的马尔可夫序列依赖性，且由于需要进行全局拓扑分析，存在严重的可扩展性问题。为了解决这些架构和计算上的瓶颈，本文提出了一种动态的时空应力预测框架。具体而言，构建了一个与物理原理相一致的循环神经网络，用于直接模拟电迁移应力的马尔可夫序列演化过程。该网络还结合了一种基于张量映射的动态局部子图提取策略，从而有效地将空间复杂性与全局互连规模分开处理。在数值积分方面，我们开发了一种基于物理原理的自适应混合卷积算法。该算法通过应力松弛时间常数进行调控，在加速初期动态采用离散卷积方式，以准确保留用于应力计算的辅助函数的突变特征；而在稳定阶段则切换为高斯-勒让德求积法，从而在保证精度的同时避免平滑伪影的产生。此外，还引入了基于仿真时间的优化策略，以缩小仿真早期与后期之间的预测误差差距。实验结果证明了所提框架的有效性。与多层感知器模型相比，我们的模型可使相对误差降低93.2%，计算速度提升117.79倍；与有限元方法相比，则可实现1335.6倍的加速效果，同时仍保持工程级的精度。

AI总结

AI生成的总结（实验性内容）

此总结是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的相关性，以及帮助来自相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的主要总结内容。全文仍然是最具权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。