基于深度学习的时变负载下关键路径老化时序预测方法

本发明提出了一种基于深度学习的时变负载下关键路径老化时序预测方法，首先，基于时空Transformer网络STTN中的自适应多头注意力机制，对路径子图中各个单元在空间和时间两个维度上的关联性进行建模，精准捕捉路径中相邻单元对目标单元老化时序的影响，以及工作负载序列中各元素对老化过程的贡献程度。在此基础上使用图注意力网络GAT对路径拓扑结构和时序信息进行学习，作为对STTN模型的信息补充。其次，设计了基于门控机制的特征融合网络，用于整合多尺度图学习模型的输出信息，并通过多层感知机对融合特征进行路径老化延时的回归预测。本方法对于老化的电路关键路径特征捕捉完备，对实现高精度的老化时序分析预测以及设计高鲁棒性电路具有重要意义。