技术摘要：
一种基于机器学习训练模型获取矩阵分解时间的方法，包括以下步骤：1）获取电路矩阵数据集；2）根据所述数据集进行矩阵分解时间模型训练；3）根据训练得到的矩阵分解时间模型，预测未知电路的矩阵分解时间。本发明的基于机器学习训练模型获取矩阵分解时间的方法，能够预  全部
背景技术：
随着集成电路集成度增高，电路复杂度也在与日俱增，在现有集成电路计算机辅 助设计(  Integrated  Circuit/Computer  Aided  Design  )中，采用通用的电路模拟程序分 析，对于超大规模集成电路，需要耗费大量的机时，尤其是在进行瞬态分析时需要进行多次 迭代来分解电路矩阵，使得仿真工具计算量也会爆炸式增长。当前超大规模集成电路所面 临的计算量过大，计算资源分配不均衡，以至于仿真时间过长等问题也严重影响了设计者 的设计周期。 由于电路矩阵分解需要迭代多次，需要耗费大量的计算资源，但是在电路仿真之 前，并不能够知道到底需要多少计算资源，往往导致计算资源分配不均衡，造成仿真时间过 长和计算资源的浪费。
技术实现要素：
为了解决现有技术存在的不足，本发明的目的在于提供一种基于机器学习训练模 型获取矩阵分解时间的方法，利用训练得到的矩阵分解时间模型，预估出矩阵分解时间，合 理分配计算资源，缩短电路仿真时间，提升电路仿真效率。 为实现上述目的，本发明提供的基于机器学习训练模型获取矩阵分解时间的方 法，包括以下步骤： 1）获取电路矩阵数据集； 2）根据所述数据集进行矩阵分解时间模型训练； 3）根据训练得到的矩阵分解时间模型，预测未知电路的矩阵分解时间。 进一步地，所述步骤1）进一步包括， 获取电路矩阵的维数、非零元和矩阵分解计算次数数据； 去除所述数据中的异常值和重复值。 进一步地，所述步骤2）进一步包括， 将所述数据集导入机器学习模型的样本空间； 根据机器学习的回归算法训练得出矩阵分解时间模型。 进一步地，所述根据机器学习的回归算法训练得出矩阵分解时间模型的步骤，还 包括，更换机器学习模型或更改模型参数，重新训练所述矩阵分解时间模型。 进一步地，还包括，根据回归模型评价指标评价训练的所述矩阵分解时间模型，记 录所述矩阵分解时间模型的评价性能和预测结果，根据评价选择最优矩阵分解时间模型。 进一步地，所述回归模型评价指标包括评价绝对误差和评价均方误差。 进一步地，所述评价绝对误差和所述评价均方误差的数值越小则所述矩阵分解时 3 CN 111553126 A 说　明　书 2/3 页 间模型拟合度越高。 进一步地，所述步骤3）进一步包括， 将所述矩阵分解时间模型嵌入电路仿真； 获取所述未知电路的矩阵维数、非零元和矩阵分解计算次数数据； 调用所述矩阵分解时间模型并输入所述未知电路数据； 输出预测的所述未知电路矩阵分解时间。 为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程 序，所述计算机程序运行时执行如上文所述的基于机器学习训练模型获取矩阵分解时间的 方法步骤。 为实现上述目的，本发明还提供一种基于机器学习训练模型获取矩阵分解时间的 装置，包括存储器和处理器，所述存储器上储存有在所述处理器上运行的计算机程序，所述 处理器运行所述计算机程序时执行如上文所述的基于机器学习训练模型获取矩阵分解时 间的方法步骤。 本发明的基于机器学习训练模型获取矩阵分解时间的方法，具有以下有益效果： 1）提供了一种衡量电路矩阵复杂度的指标，来预判电路的复杂度。 2）预估出矩阵分解时间，进一步合理分配计算资源，缩短电路仿真时间，提升电路 仿真效率。 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见，或者通过实施本发明而了解。 附图说明 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，并与本发明的 实施例一起，用于解释本发明，并不构成对本发明的限制。在附图中： 图1为根据本发明的基于机器学习训练模型获取矩阵分解时间的方法流程图。