一种评估单粒子效应的XDL网表级电路拓扑关系构建方法

专利名称：一种集成电路单粒子效应定位系统
专利类型：发明专利
发明人：赵承心,杨海波,周威,张月昭,李先勤,牛晓阳申请号：CN202210093251.3
申请日：20220126
公开号：CN114460440A
公开日：
20220510
专利内容由知识产权出版社提供
摘要：本发明属于重离子加速器技术领域，涉及一种集成电路单粒子效应定位系统，包括：重离子定位模块、单粒子效应检测模块和径迹拟合模块，重离子定位模块，设置在重离子束流通道的四周，用于对重离子束流中的粒子进行定位；单粒子效应检测模块，设置在重离子束流通道的后方，用于放置待测集成电路，并将此其对应的单粒子效应；径迹拟合模块，用于将重离子定位模块和单粒子效应检测模块获得的数据进行拟合，从而获得待测集成电路的敏感区。

其记录发生单粒子效应时重离子在集成电路上的击中位置及所有重离子的击中位置，从而精准给出单粒子效应的敏感区域，为研究器件设计与单粒子效应的关系、单粒子效应产生机制和抗辐射加固提供精确的实验数据。

申请人：中国科学院近代物理研究所
地址：730000 甘肃省兰州市南昌路509号
国籍：CN
更多信息请下载全文后查看。

单粒子效应tcad数值仿真的三维建模方法《单粒子效应TCAD数值仿真的三维建模方法》摘要：单粒子效应是半导体器件中的重要现象，对器件可靠性和性能具有显著影响。

本文提出了一种基于TCAD数值仿真的三维建模方法，用于对单粒子效应进行精确模拟和分析。

该方法结合了三维器件结构建模、单粒子注入和电子-空穴非平衡输运模型，能够更加真实地还原单粒子注入引起的器件性能变化。

引言：随着CMOS工艺的不断发展，器件尺寸的缩小使得单粒子效应越发严重，对器件可靠性和性能造成了巨大挑战。

由于单粒子效应受到诸多因素的影响，模拟分析成为研究单粒子效应的重要手段之一。

TCAD数值仿真是一种有效的工具，可以用于对器件行为进行准确描述和模拟。

本文将介绍一种基于TCAD数值仿真的三维建模方法，以实现对单粒子效应的精确模拟和分析。

方法：本文提出的三维建模方法主要包括三个步骤：器件结构建模、单粒子注入和电子-空穴非平衡输运模型。

首先，对需要研究的器件进行结构建模。

通过使用TCAD工具中的三维建模工具，将器件的几何结构、材料参数和电场分布等信息进行准确描述。

这一步骤是三维建模的基础，准确的器件结构模型能够保证后续分析的可靠性。

然后，进行单粒子注入。

通过在器件的敏感区域引入一个单粒子注入源，模拟单粒子撞击器件的过程。

根据所研究的器件类型和注入粒子的能量、入射角度等参数，对注入源进行设置以模拟实际的单粒子注入场景。

这一步骤能够准确地模拟单粒子撞击引起的敏感区域电荷分布变化。

最后，使用电子-空穴非平衡输运模型，对单粒子注入后的器件行为进行分析。

该模型能够考虑电子和空穴的非平衡输运过程，在时间和空间上对输运过程进行准确描述。

通过考虑电子和空穴的扩散、漂移和重新组合等过程，可以获得器件内部电荷密度、电子和空穴的能带分布和载流子浓度等相关信息。

结论：本文介绍了一种基于TCAD数值仿真的三维建模方法，用于对单粒子效应进行模拟和分析。

该方法能够准确地描述器件的结构特征、单粒子注入和电子-空穴的非平衡输运过程，能够更加真实地还原单粒子效应引起的器件性能变化。

逻辑电路单粒子效应加固关键技术研究近年来，随着技术的发展，电子设备的功能日益强大，为了更有效的发挥设备的性能，特别是在安全领域，针对电路的攻击变得异常重要，对于这种情况，对密码学加固以及加固电路逻辑电路等都变得极其重要。

在传统的加固方法中，通常只针对硬件逻辑，但是单粒子效应却能够有效地破坏半导体中的逻辑门，因此，本研究以逻辑电路单粒子效应加固关键技术为研究主题，旨在提出一些有效的加强技术，以期对电路提供更好的防护。

首先，本研究的背景是由于近年来电子设备的技术越来越发达，而单粒子效应在电路中的攻击可能性越来越大，因此，逻辑电路的安全防护问题变的尤为重要，特别是对电路结构的分析和加固方法提出了更高的要求。

这就引发了寻求有效的加固技术，以保护电路和系统免受单粒子效应攻击的挑战。

其次，本研究将深入讨论单粒子效应攻击的原理、特征及其对电路的影响。

接下来将介绍逻辑电路单粒子效应加固的基本原理，并分析其主要技术，包括噪声等效技术、网络重构、动态加密和单粒子效应静态加密等技术，以及加固电路逻辑电路中有针对性技术，包括VERO前瞻式技术、硬件加固技术等。

紧接着，本研究将介绍在实际工程中，逻辑电路单粒子效应加固实现的具体步骤、方法及其工具，以及实现单粒子效应静态加密技术的关键算法，包括对密钥的管理等。

此外，本研究还将给出一些可用来评估逻辑电路单粒子效应加固效果的方法，如系统可靠性、安全性评估等。

最后，本研究将概述结论，并分析逻辑电路单粒子效应加固技术的发展趋势。

从上文可以看出，本研究以单粒子效应加固关键技术的研究为核心，从实验背景、原理技术以及实验过程到评估方法和发展趋势，进行了全面的论述和分析，从而更好地阐述了逻辑电路单粒子效应加固关键技术的重要性，为对电路提供更好的防护提供了帮助。

第33卷　第3期2010年3月计 算 机 学 报C HIN ESE J OU RNAL OF COM PU TERSVol.33No.3Mar.2010收稿日期:2007209218;最终修改稿收到日期:2009206203.本课题得到国家自然科学基金(60572100,60872125)、国家自然科学基金委员会与英国皇家学会合作研究项目(60711130233)和深圳市科技三项经费(200704)资助.纪　震,男,1973年生,博士,教授,博士生导师,主要研究兴趣为数字信号处理、智能计算、嵌入式系统.E 2mail :jizhen @.周家锐,男,1984年生,硕士研究生,主要研究兴趣为生物启发式算法、DNA 数据压缩技术.廖惠连,女,1983年生,博士研究生,主要研究兴趣为智能计算及其应用.吴青华,男,1953年生,博士,教授,博士生导师,主要研究兴趣为自适应控制、智能计算、电力系统控制.智能单粒子优化算法纪　震1)　周家锐1)　廖惠连2)　吴青华2)1)(深圳大学计算机与软件学院德州仪器DSPs 实验室　深圳　518060)2)(利物浦大学电气电子工程系　利物浦L693G J 英国)摘　要　文中在传统粒子群优化(Particle Swarm Optimization ,PSO )算法的基础上,提出了智能单粒子优化算法(Intelligent Single Particle Optimizer ,ISPO ).与传统的PSO 算法不同,该算法采用了一个粒子在解空间中搜索,粒子的位置矢量被分成一定数量的子矢量,并基于子矢量对粒子进行更新.在子矢量更新过程中,通过分析之前的速度更新情况,引入一种新的学习策略,使粒子在搜索空间中能够动态地调整速度和位置,从而向全局最优靠近.实验表明,此算法对大部分标准复合测试函数都具有很强的全局搜索能力,其寻优能力超过了国际上最近提出的基于PSO 的改进算法.关键词　智能单粒子优化算法;粒子群优化;子矢量;学习策略中图法分类号TP18 DOI 号:10.3724/SP.J.1016.2010.00556A Novel Intelligent Single Particle OptimizerJ I Zhen 1)　ZHOU Jia 2Rui 1)　L IAO Hui 2Lian 2)　WU Qing 2Hua 2)1)(Tex as Instruments DS Ps L aboratory ,College of Com puter Science and S of tw are Engineering ,S henz hen Universit y ,S henz hen 518060)2)(Depart ment of Elect rical Engineering and Elect ronics ,T he Universit y of L iverpool ,L iverpool ,L 693GJ ,U K )Abstract Intelligent single particle optimizer (ISPO )is propo sed based on conventional particle swarm optimization (PSO ).ISPO applies a particle ,which is different f rom conventional PSO ,to search in t he p roblem space.The whole position vector of particle is split into a certain number of subvectors ,and t he particle is updated based on t hese subvectors.During t he process of updating each subvector ,a novel learning st rategy is int roduced based on t he analysis of p revious velocity subvectors ,and t he particle adjust s it s velocity and position subvector dynamically.Experimental result s demonst rate t hat ISPO has an out standing ability to find t he global optimum.ISPO per 2forms much better t han mo st recently propo sed PSO 2based algorit hms on t he optimization of most co mplicated composition test f unctions.K eyw ords intelligent single particle optimizer ;particle swarm optimization ;subvector ;learning st rategy1　引　言1995年Eberhart 博士和Kennedy [1]博士基于鸟群觅食行为提出了粒子群优化算法(Particle SwarmOptimization ,PSO ).由于该算法概念简明、实现方便、收敛速度快、参数设置少,是一种高效的搜索算法,近年来受到学术界的广泛重视.但在优化复杂函数时,PSO算法很容易陷入局部最优,并出现早熟收敛现象.为了提高算法的收敛性能,随后出现了各种基于不同思想的改进算法.其中在对于基本粒子群算法进化方程的改进方面,Shi和Eberhart[2]于1998年对PSO算法的速度项引入了惯性权重,并提出在进化过程中动态调整惯性权重以平衡收敛的全局性和收敛速度.后来Shi和Eberhart[3]又提出了基于模糊系统的惯性权重的动态调整,从而实现对惯性权重的非线性控制.此外Clerc等[425]提出带收缩因子的粒子群算法,以确保算法收敛.在借鉴其它优化方法的思想方面,也出现了各类的改进粒子群算法,如Angeline[6]于1999年借鉴进化计算中的选择概念,将其引入到PSO算法中,从而淘汰差的粒子,将具有较高适应值的粒子进行复制以产生等数额的粒子来提高算法的收敛性,随后Angeline[7]又提出了借鉴杂交的改进粒子群算法.在利用小生境思想方面,Sugant han[8]于1999年提出一种基于领域思想的粒子群算法,其基本思想是在算法开始阶段,每个个体的领域为其自身,随着进化代数的增长,其领域范围也在不断增大直至整个种群.为进一步改善算法性能,避免过早收敛的现象,Kennedy[9]于1999年提出几种基本的领域结构,如环形结构和轮形结构及它们的推广.近来性能较为显著的基于PSO算法的改进算法有Peram[10]等人于2003年提出的基于粒子群优化的适应值2距离2比例算法(Fit ness2Distance2Ratio based Particle Swarm Op2 timization,FDR2PSO),在此算法中每个粒子根据一定的适应值2距离2比例原则,向附近具有较好适应值的多个粒子进行不同程度的靠近,而不仅仅只向当前所发现的最好粒子靠近.此算法改善了PSO 算法的早熟收敛问题,在优化复杂函数方面,其性能得到了较大改善.Bergh[11]等人于2004年提出了协同粒子群优化算法(Cooperative Particle Swarm Optimizer,CPSO),采用多个协同工作的子粒子群对解向量的不同部分分别进行优化,达到较好的寻优结果.为防止PSO算法陷入局部最优,Liang[12]等人于2006年提出了综合学习粒子群优化算法(Comp rehensive Learning Particle Swarm Optimi2 zer,CL PSO),使得每个粒子的速度更新基于所有其它粒子的历史最优位置,从而达到综合学习的目的.但上述算法在优化复杂高维多模函数时,容易陷入局部最优,且解与全局最优值相差较大.本文基于传统粒子群算法,提出了智能单粒子优化算法(Intelligent Single Particle Optimizer,ISPO).在ISPO算法的优化过程中,算法不是对整个速度矢量或位置矢量同时进行更新,而是先把整个矢量分成若干子矢量,并按顺序循环更新每个子矢量.在子矢量的更新过程中,此算法通过引入一种新的学习策略,使得粒子在更新过程中能够分析之前的速度更新情况,并决定子矢量在下一次迭代中的速度.而在传统粒子群算法中,粒子只是简单的个体,不具备分析之前速度更新情况的能力.实验结果表明,此算法在优化复杂的具有大量局部最优点的高维多模函数方面具有一定的优势,其性能显著优于最近提出的粒子群改进算法的性能,且其解非常接近全局最优点.2　PSO算法在一个D维的目标搜索空间中,由n个粒子构成一个群体,其中第i个粒子(i=1,2,…,n)的位置可表示为D维的位置矢量z i=(zi1,z i2,…,z i d,…, z i D).n也被称为群体规模,过大的n会影响算法的运算速度和收敛性.根据一定标准计算z i当前的适应值,即可衡量粒子位置的优劣.每次迭代中粒子i 移动的距离为粒子的飞行速度或者速度矢量,表示为v i=(vi1,v i2,…,v i d,…,v iD),粒子迄今为止搜索到的最优位置为p i=(pi1,p i2,…,p i d,…,p iD),整个粒子群迄今为止搜索到的最优位置为p g=(p g1, p g2,…,p g d,…,p gD).每次迭代中,粒子根据以下式子更新速度和位置:v k′+1i d=w v k′i d+c1r1(p i d-z k′i d)+c2r2(p g d-z k′i d)(1)z k′+1i d=z k′i d+v k′+1i d(2)其中i=1,2,…,n,k′是迭代次数,r1和r2为[0,1]之间的随机数构成的矢量.c1和c2为学习因子,也称加速因子,其使粒子具有自我总结和向群体中优秀个体学习的能力,从而向自己的历史最优点以及群体内历史最优点靠近.速度v i d的取值范围为[v min,v max],位置z i d的取值范围为[z min,z max].3　智能单粒子优化算法在ISPO算法的优化过程中,算法并不是对整个速度矢量或位置矢量(即所有维的数值)同时进行更新,而是先把整个矢量分成若干个子矢量,并基于子矢量进行粒子更新.在子矢量的更新过程中,通过引入一种新的学习策略,使其对之前的速度更新情7553期纪　震等:智能单粒子优化算法况进行分析,并决定下一次迭代的速度,从而实现对速度的动态调整.3.1　子矢量大部分随机优化算法(包括粒子群算法和遗传算法等)的性能随维数增加而变差.在更新过程中,传统的PSO 算法往往同时改变整个解矢量中各维的数值,并根据更新后的解矢量得到一个适应值(fit ness value ),从而判断解矢量的适应程度.此适应值能够判断解矢量的整体质量,但不能判断部分维是否向最优方向移动.例如,在解决三维函数问题中,其全局最优为[0,0,0],解的初始值设为[1,1,1],给其一个随机扰动[012,-015,013],可得到更新后的解为[112,015,113].假设更新后的解的适应值比初始值对应的适应值有所提高,则在下一次迭代中解将会在某种程度上向[012,-015,013]方向移动.此时,虽然第二维的数值向全局最优靠近,但第一维和第三维的数值却远离了全局最优.因此,对于高维函数,一般PSO 算法很难兼顾所有维的优化方向.为解决这个问题,在保证粒子能够搜索到空间中的每个区域的同时,可把搜索空间分解成若干个低维小空间进行搜索.在本文提出的ISPO 算法中,一个粒子代表着整个位置矢量.在更新过程中,把整个D 维的解空间分成m 部分,即把整个位置矢量分成m 个位置子矢量,其中每一位置子矢量与其对应的速度子矢量分别表示为z j 和v j ,j =1,…,m.为简单起见,设D 刚好被m 整除,则每个子矢量包括了l (l =D/m )维,如图1所示.图1　位置子矢量示意图对于维之间相关性较大的函数,需根据函数特征来决定子矢量的个数.如图2所示,假设全局最优点为(0,0),而(k 1,k 2)为直线x =k 1和y =k 2上的最优解.把初始值设在(k 1,k 2),并在更新过程中轮流更新每一维.在更新其中一维的数值时需保持另一维的数值不变.由于(k 1,k 2)为两直线上的最优解,所以对这两维数值进行轮流更新将会导致解跳不出局部最优(k 1,k 2).此时,如果同时改变两维的数值,解有可能会跳出局部最优点,并到达全局最优.因此在解决不同问题时,需根据维之间的相关性来决定每个子矢量所包含的维数.图2　维相关性示意图3.2　子矢量的更新过程ISPO 的更新过程是基于子矢量,按先后顺序(从z ～1到z ～m )进行循环更新.在更新第j (1Φj Φm )个子矢量的过程中,将按以下的速度和位置更新公式迭代执行N 次:v ～kj =(a/k p )×r +b ×L k -1j(3)z ～kj =z ～k -1j +v ～k j ,f (x k 1)>f (x k2)z ～k -1j,f (x k 1)Φf (x k2)(4)L kj =L k -1j/s ,f (x k 1)Φf (x k2)v ～kj ,f (x k 1)>f (x k2)(5)其中x k 1=[z ～1,z ～2,…,z ～k -1j,…,z ～m ];x k2=[z ～1,z ～2,…,z ～k -1j+v ～k j ,…,z ～m ];k =1,2,…,N.参数L 为学习变量,用于分析之前速度的更新情况,从而决定下一次迭代的速度;随机矢量r 在[-015,015]范围内服从均匀分布;多样性因子a 、下降因子p 、收缩因子s 和加速度因子b (b Ε1)为常数;f ()为评估算法性能的适应值.在子矢量更新过程中,位置子矢量由速度子矢量决定.速度子矢量由两部分组成:多样性部分(a/k p )×r 和学习部分b ×L k j .在多样性部分中,a控制随机矢量r 的幅度,而p 控制幅度的下降梯度.由于(a/k p )是随迭代次数增加而下降的幂函数,所以粒子在优化前期更趋向于全局搜索,并随更新过程逐渐从全局搜索向局部搜索转换.学习部分b ×L k j 完成一种新的学习策略,其中学习变量L 能够根据之前的速度更新情况而动态地调整速度子矢量.学习部分在更新过程中所起的作用主要为如下3点:(1)在每次迭代中,如果一个粒子找到比历史最好位置更优的位置时,它将会把这次迭代的速度增加到b 倍,并决定下一次迭代的速度,如式(4)、(5)所示.(2)如果在第1次迭代中,适应值得到改善,但在第2次迭代中适应值没有得到改善.这是因为第2次迭代的速度子矢量是第1次迭代的速度子矢量855计 算 机 学 报2010年的b 倍,其速度太大以至于位置子矢量跳过了最优点.在这种情况下,如果L ≠0,降低速度将会有助于搜索全局最优点,因此第3次迭代中的学习子矢量L 将减小为原值的1/s.(3)如果粒子经过几次迭代后适应值仍然没有得到改善,L 将会被减到一个很小的值,当其小于ε时将被设为0,此时只有多样性部分(a/k p )×r 决定着速度子矢量.这意味着此时的速度会具有更大的多样性,更容易跳出局部最优.从上述几点可见此粒子的智能性.ISPO 的伪代码如下(其中N FEs 为函数计算(Function Evalua 2tions ,FEs )的次数,N max 为N FEs 的最大次数):　开始　初始位置矢量z 0=[z ～01,z ～02,…,z ～0m ];　计算适应值z 0,即f (z 0);1.初始FEs 的次数为N FEs =1;2.初始子矢量的个数j =1;　初始学习变量L 0j =0;3.初始子矢量中的迭代次数k =1;　计算v ～k j =(a/k p)×r +b ×Lk -1j;　计算f (x k1)=f (z ～1,z ～2,…,z ～k -1j ,…,z ～m );　计算f (x k2)=f (z ～1,z ～2,…,z ～k -1j +v ～k j ,…z ～m );　N FEs =N FEs +2;　如果f (x k 1)>f (x k 2),设置z ～k j =z ～k -1j +v ～k j ;L k j =v ～k j ;　如果f (x k 1)Φf (x k 2),设置z ～k j =z ～k -1j ;L k j =L k -1j/s;　如果L k j <ε,设置学习变量L k j =0;　如果k <N ,跳至步3;　j =j +1;　如果j <m ,跳至步2;　如果N FEs <N max ,跳至步1;　结束.4　实验结果实验仿真平台为WindowsXP ,Matlab 615.本实验把ISPO 算法与带惯性的粒子群算法(ParticleSwarm Optimizer wit h inertia weight w ,PSO 2w )[2]、协同粒子群优化算法(Cooperative Particle Swarm Optimizer ,CPSO )[11]和综合学习粒子群优化算法(Comp rehensive Learning Particle Swarm Optimizer ,CL PSO )[12]进行比较①.本实验采用了国际上通用的6个标准复合测试函数[13]:C F 1～C F 6.这些测试函数为高维多模函数,具有大量的局部最优点,是优化领域中公认的较难优化的函数.大部分优化算法在对其进行寻优的过程中往往会陷入局部最优点.近年来,优化高维多模函数已成为优化算法领域的研究热点.在实验中,适应值函数f ()的值为当前位置对应的函数值.PSO 2w 算法的参数设置为c 1=c 2=2.CPSO 和CL PSO 的参数设置参考文献[13].ISPO 算法的参数设置如表1所示.表1　ISPO 算法的参数设置函数abplsεC F 14000240141100E +00C F 25240141100E +00C F 33002011141100E +00C F 4400021141100E +00C F 5102100140100E +00C F 6400021141100E +00各算法对6个标准复合测试函数分别执行10次,在每次执行中函数的总计算次数FEs 设置为5×104,其平均结果和标准方差如表2所示.在优化这6个标准复合测试函数时,ISPO 算法都能够到达距全局最优点较近的位置,其算法稳定性较好.与PSO 2w 、CPSO 和CL PSO 算法相比,ISPO 算法在测试函数C F 1、C F 2、C F 3和C F 5上所得到的最终位置比其它3个算法更接近于全局最优点.特别是对于C F 1和C F 5,ISPO 算法的适应值明显优于其它3个算法.ISPO 的优化结果的标准方差也相对较低,从而证明本算法的稳定性.表2　各算法对6个标准复合测试函数进行优化的结果函数平均结果及标准方差PSO 2wCPSOCL PSOISPOCF 12132E +02±1117E +021139E +02±2179E +011141E +02±2113E +022147E +01±7179E +01CF 22129E +02±1161E +021115E +02±3148E +011112E +02±1140E +026154E +01±6103E +01CF 33142E +02±1152E +022127E +02±6145E +013101E +02±1195E +022112E +02±6106E +01CF 44171E +02±1151E +023177E +02±4179E +013132E +02±1126E +024111E +02±5187E +01CF 52169E +02±2141E +021111E +02±2147E +011195E +02±2136E +023137E +01±2188E +01CF 69105E +02±3110E +006171E +02±1158E +028139E +02±1144E +026195E +02±2107E +02图3给出了各算法在优化复合测试函数时的收敛特性,图中横坐标显示FEs 的范围为0～5×104,纵坐标为适应值的对数.ISPO 在C F 1、C F 2和C F 5上收敛速度明显快于其它3个算法.9553期纪　震等:智能单粒子优化算法①各算法的程序可从http :///pso/ispo 下载和浏览.图3　各算法对标准复合测试函数进行优化的收敛曲线5　结　论本文在粒子群优化算法的基础上,针对复杂高维多模函数很难极小化的问题,提出了智能单粒子优化算法,并给出了一种确定算法参数的方法.智能单粒子优化算法先把整个矢量分成若干子矢量,并按顺序循环更新每一子矢量.在更新每一子矢量的过程中,此算法通过引入一种新的学习策略,使粒子能够根据之前的速度更新情况进行动态地调整子矢量速度.粒子在陷入局部最优点时会增加速度的多样性,从而跳出局部最优,并向全局最优靠近.实验表明,此算法对大部分函数都具有很强的全局搜索能力,特别在优化复杂的高维多模函数时,其性能比起PSO2w、FEP和CL PSO算法有着很大的改善,且其解非常接近全局最优点.参考文献[1]Kennedy J,Eberhart R C.Particle swarm optimization//Proceedings of t he IEEE International Conference on NeuralNetworks,1995:194221948[2]Shi Y,Eberhart R C.A modified particle swarm optimizer//Proceedings of t he IEEE International Conference on Evolu2tionary Computation,1998:69273065计 算 机 学 报2010年[3]Shi Y,Eberhart R C.Fuzzy adaptive particle swarm optimi2zation//Proceedings of t he IEEE Congress on Evolutionary Computation.Seoul,K orea,2001:10112106[4]Clerc M.The swarm and t he queen:Toward a deterministicand adaptive particle swarm optimization//Proceedings of t he Congress on Evolutionary Computation,1999:195121957 [5]Corne D,Dorigo M,G lover F.New Ideas in Optimization.Mc Graw Hill,1999:3792387[6]Angeline P ing selection to improve particle swarm opti2mization//Proceedings of t he IEEE International Conference on Evolutionary Computation.Anchorage,Alaska,USA, 1998:84289[7]Angeline P J.Evolutionary optimization versus particleswarm optimization:Philosophy and performance differ2 ences//Proceedings of t he7t h Annual Conference on Evolu2 tionary Programming.Germany,1998:6012610[8]Sugant han P N.Particle swarm optimizer wit h neighborhoodtopology on particle swarm performance//Proceedings of t he 1999Congress on Evolutionary Computation,1999:19582 1962[9]Kennedy J.Small worlds and Mega2minds:Effect s of neigh2borhood topology on particle swarm performance//Proceed2ings of t he Congress on Evolutionary Computation,1999:193121938[10]Peram T,Veeramachaneni K,Mohan C K.Fitness2distance2ratio based particle swarm optimization//Proceedings of t heSwarm Intelligence Symposium.Indianapolis,Indiana,USA,2003:1742181[11]Bergh F,Engelbrecht A P.A cooperative approach to parti2cle swarm optimization.IEEE Transactions on EvolutionaryComputation,2004,8(3):2252239[12]Liang J J,Qin A K,Sugant han P N et prehensivelearning particle swarm optimizer for global optimization ofmultimodal functions.IEEE Transactions on EvolutionaryComputation,2006,10(3):2812295[13]Liang J J,Sugant han P N,Deb K.Novel composition testfunctions for numerical global optimization//Proceedings oft he IEEE International Swarm Intelligence Symposium.Mes2sina,Italy,2005:68275JI Zhen,born in1973,Ph.D.,professor,Ph.D.supervisor.His re2search interests include digital signalprocessing,computation intelligence andembedded system design.ZH OU Jia2Rui,born in1984,M.S.candidate.His re2search interests include Bio2heuristic algorithm and DNAcompression technique.L IAO H ui2Lian,born in1983,Ph.D.candidate.Herresearch interests include computation intelligence and appli2cations.WU Q ing2H u a,born in1953,Ph.D.,professor,Ph.D.supervisor.His research interests include adaptive control,mathematical morphology,neural networks,learning sys2tems,evolutionary computation and power system controland operation.B ackgroundParticle Swarm Optimization(PSO),proposed by Ken2nedy and Eberhart in1995,has been widely used for optimi2zation problems.Since PSO was proposed,research on itsimprovement and application in engineering optimization be2comes a hot spot in the area of evolutionary computation andswarm intelligence.Recently,IEEE Transactions on Evolu2tionary Computation published a special issue on PSO.PSOhas a lot of advantages compared with other evolutionary al2gorithms,due to its simplicity of implementation,fast con2vergence rate and easy selection of parameters.However,for most stochastic optimization algorithms,including PSO,their performance deteriorates as the dimen2sionality of the search space increases.Many existing PSO2based algorithms are easily trapped into local optima on solvingcomplicated multi2modal functions.In this paper,the new al2gorithm ISPO,proposed as the improvement of PSO,aims tooptimize complicated multimodal functions.ISPO uses a singleparticle instead of a particle swarm,and applies a novel learn2ing strategy to update the particle’s velocity and position.Ex2perimental results have shown that:on solving some widely usedmultimodal benchmark functions,SPO outperforms PSO with in2ertia weight,Faster Evolutionary Programming(FEP)and C om2prehensive Learning PSO(CL PSO),which was published onIEEE transaction on Evolutionary C omputation in2006.The research on ISPO is completed by cooperating with aresearching group,led by Prof.Zhen Ji in School of ComputerScience and Software Engineering,Shenzhen University andProf.Wu Qinghua in Department of Electrical Engineering andElectronics,The University of Liverpool.The source code ofFEP is provided by Yang Z.Y.,a student of Yao X.whoproposed FEP and was the Editor2in2Chief of the IEEE Trans2actions on Evolutionary Computation(200322008).Thesource code of CL PSO is provided by Prof.Suganthan,whois the author of the paper CL PSO and is also an associate edi2tor of the IEEE Transactions on Evolutionary Computation.Another paper entitled“A Strategy of Particle2pair forVector Quantization in Image Coding”,belonging to the sameproject,has been published on Acta Electronica Sinica,Oct.2007,35(10):191621920by Ji Zhen,Liao Huilian,XuWenhuan,Jiang Lai.In this paper,a novel algorithm basedon PSO,called particle2pair optimizer(PPO),is proposed tosolve vector quantization in image coding.165 3期纪　震等:智能单粒子优化算法。

专利名称：一种SRAM单粒子瞬态效应仿真分析方法及系统专利类型：发明专利
发明人：刘毅,翁笑冬,范凌怡,杨银堂
申请号：CN201911283331.X
申请日：20191213
公开号：CN110991072A
公开日：
20200410
专利内容由知识产权出版社提供
摘要：本发明提供一种SRAM单粒子瞬态效应仿真分析方法及系统，能够支持SRAM混合仿真，将器件级的仿真信息加入电路级的仿真中，进行单粒子效应仿真分析。

该方法包括：分析SRAM单元器件结构模型加入单粒子效应物理模型，提取单粒子效应电流源脉冲；建立多LET单粒子效应脉冲电流源等效模型并生成SPICE可以使用的仿真模型；根据用户提供的SRAM电路网表文件提取SRAM中的所有敏感节点，生成SRAM敏感节点列表文件；依据前面生成的SPICE可用的多LET单粒子效应脉冲电流源等效模型，结合SRAM敏感电路节点列表文件，编写脚本随机选取SRAM节点和故障注入时间，生成故障注入文件；分别计算翻转阈值和翻转截面。

申请人：西安电子科技大学
地址：710071 陕西省西安市太白南路2号
国籍：CN
代理机构：西安智邦专利商标代理有限公司
代理人：胡乐
更多信息请下载全文后查看。

逻辑电路单粒子效应加固关键技术研究现代信息社会的发展，使得大量的数据被传输、存储和访问，而这些数据所涉及的领域也愈加多样化。

随着信息技术在各个领域的快速发展，硬件系统的安全性也变得更加重要，因此研究针对安全性的加固技术便显得尤为重要。

逻辑电路中的单粒子效应（single-event effect，SEE）可以被认为是一种最容易发生的安全性漏洞，可能产生严重的影响，因此针对此技术的加固研究成为一个热门研究课题。

单粒子效应是指受外部的辐射(如高能粒子)影响单个电子晶体管，从而引起电路中发生故障的一种物理现象。

在空间电子设备中，例如电路板、地面集成电路、卫星电路等，经常受到太空射线、自然辐射等外界环境的有害辐射，从而导致单粒子效应发生，而这一效应可能会对电路组件出现可预测的故障，从而影响电路的正常工作。

为了改善和加强逻辑电路的安全性，研究者们开始针对单粒子效应的技术发展方向进行研究，以增强逻辑电路的可靠性。

“逻辑电路单粒子效应加固关键技术”是一项用于提高逻辑电路的安全性的重要技术。

该技术的主要内容是采用低成本的高质量硬件，通过改变硬件结构，增强电路的扰动抵抗能力，从而对电路进行加固，以减轻关键电路受辐射攻击所产生的影响。

同时，该技术还采用一种新的自适应故障检测技术，以检测和确定由单粒子效应引起的故障，有效改善系统的可靠性。

在系统设计中，采用逻辑电路单粒子效应加固技术可以显著提高电路的可靠性，从而提高系统工作的可靠性和安全性。

因此，为了进一步提高逻辑电路的安全性，开发新型加固技术则成为一项迫切需要解决的问题。

目前，研究者们正在探索和研究一系列有效加固技术，比如抗辐射技术，免疫技术，使用保护电路重新分配等等。

当前，在单粒子效应加固技术的研究中，重点集中在硬件结构方面的研究，尤其是在抗辐射设计、容错设计和重构设计等方面，科研人员正在致力于开发出一系列更安全、可靠的新型单粒子效应加固技术。

在实现逻辑电路单粒子效应加固时，首先要考虑的是由单粒子效应可能引起的故障的类型及其影响，然后根据单粒子效应的特性，提出有效的加固技术方案，以便实现加固的目标。

专利名称：一种存储器电路的通用单粒子效应检测方法
专利类型：发明专利
发明人：陈莉明,董攀,郑宏超,范隆,岳素格,陆时进,杜守刚,马建华,王煌伟,陈茂鑫,文圣泉,毕潇
申请号：CN201210512620.4
申请日：20121130
公开号：CN103021469A
公开日：
20130403
专利内容由知识产权出版社提供
摘要：一种存储器电路的通用单粒子效应检测方法，步骤为：(1)配置待测存储器为写状态并写入测试向量，然后将待测存储器置于辐照环境中；(2)若进行动态测试，则将待测存储器配置为读状态，将各地址单元存储的数据读出并与写入数据比较，将比较结果不一致的地址单元的数量作为总错误计数，并进一步分析各地址单元发生2位或以上数据翻转的情况；(3)若是静态测试，则将待测存储器配置为不读不写状态，当辐照过程中的累计辐照粒子达到标准后，顺序读出各地址单元内的数据并与写入数据比较，将比较结果不一致的地址单元的数量作为总错误计数。

在辐照过程中，实时监测待测存储器的工作电流，当工作电流超过正常工作电流的1.5倍时判定发生闩锁。

申请人：北京时代民芯科技有限公司,北京微电子技术研究所
地址：100076 北京市丰台区东高地四营门北路2号
国籍：CN
代理机构：中国航天科技专利中心
代理人：安丽
更多信息请下载全文后查看。

随着超大规模集成电路（Very Large Scale Integra-tion Circuit，VLSI）的制造工艺从深亚微米工艺时代进入纳米工艺时代，导致现场可编程门阵列（Field Pro-grammable Gate Array，FPGA）的噪声容限日益减少[1]，对高能粒子辐射和噪声干扰愈发敏感，软错误率（Soft Error Rate，SER）呈指数增长[2]。

XDL（Xilinx Design Language）[3]是Xilinx公司提供的一种描述FPGA设计内部结构信息的特征化物理设计语言，使用巴科斯范式（Backus-Naur Form，BNF）描述FPGA实现特定功能硬件设计的网表级电路，其中的逻辑资源配置信息和布线资源互联信息，可用于准确分析SRAM（Static Random Access Memory）型FPGA器件的单粒子软错误敏感性，提升容错可靠性的计算精确度。

本文基于SRAM型FPGA器件的单粒子软错误传播机理[4]，构建XDL网表级电路的信号传播模型“有向超图”，进而提出了基于有向超图的XDL网表的前向电路图生成算法。

相比基于XDL网表的前向电路图生成算法冷明，孙凌宇，郭晨井冈山大学计算机科学系，江西吉安343009摘要：作为描述FPGA（Field Programmable Gate Array）电路网表的XDL（Xilinx Design Language）描述文件，不仅能用于解析抽取FPGA设计的Inst电路单元和Net电路信号，而且能用于构建FPGA电路网表中信号传播的前向电路图模型。

采用有向超图来构建FPGA电路网表中信号的前向拓扑关系，其中FPGA电路单元的有效管脚表示为超图结点，管脚间的外部连线、管脚内的电路逻辑功能表示为有向超边。

给出了XDL网表级电路描述文件编译所需的EBNF表达式，提出了基于有向超图的XDL网表的前向电路图生成算法，进行了算法的时空复杂度分析。

粒子群算法邻域拓扑结构研究摘要：粒子群算法（PSO算法）是一种启发式全局优化技术。

PSO的邻域拓扑结构是决定粒子群优化算法效果的一个很重要的因素，不同邻域拓扑结构的粒子群算法，效果差别很大。

文章分析了邻域拓扑结构与PSO算法的关系，阐述了粒子群算法邻域拓扑结构研究现状，提出了未来可能的研究方向。

关键词：粒子群算法；PSO算法；邻域拓扑结构；启发式：F235：A：1009-2374（2009）16-0036-02粒子群优化算法PSO（Particle Swarm Optimization，简称PSO）是由Kennedy 和Eberhart于1995年提出的一种启发式全局优化技术。

由于PSO概念简单，易于实现，因而短期内得到很大发展，迅速得到了国际演化计算研究领域的认可，并在很多领域得到应用，如电力系统优化、TSP问题、神经网络训练、数字电路优化、函数优化、交通事故探测、参数辨识等。

PSO算法在多维空间函数寻优、动态目标寻优等方面有着收敛速度快、解质量高、鲁棒性好等优点。

但是，随着迭代次数的增加，其易于陷入局部最优的缺点就暴露无疑，因此，近年来很多学者均致力于PSO算法的改进工作。

目前，对粒子群优化算法的改进主要体现在以下几个方面：参数的改进和优化、惯性权值和加速因子的改进、混合PSO、领域拓扑结构等。

PSO的拓扑结构是指整个群体中所有粒子之间相互连接的方式，而PSO的邻域结构是指单个粒子如何与其它粒子相连。

前者是整体性质，后者是局部性质，邻域结构决定了拓扑结构。

潘峰等人的研究表明，邻域结构是决定粒子群优化算法效果的一个很重要的因素，不同邻域结构的粒子群优化算法，效果会有很大的差别。

邻域拓扑结构的改进是粒子群优化算法研究的一个很重要的方面。

一、邻域拓扑结构与PSO算法的关系目前，对于种群邻域拓扑结构的研究大多基于如下五种模式：1．全局（gbest）：种群中所有个体相互通信。

该模式中，信息传递的速度比较快，所以收敛速度也比较快，但是也较容易陷入到局部极小点。

基于SRAM型FPGA单粒子效应的故障传播模型吴珊;周学功;王伶俐【摘要】SRAM型FPGA在辐射环境中易受到单粒子翻转的影响,造成电路功能失效.本文基于图论和元胞自动机模型,提出了一种针对SRAM型FPGA单粒子效应的电路故障传播模型.本文将单粒子翻转分为单位翻转和多位翻转来研究,因为多位翻转模型还涉及到了冲突处理的问题.本文主要改进了耦合度的计算方式,通过计算FPGA布局布线中的相关配置位,从而使得仿真的电路故障传播模型更接近于实际电路码点翻转的结果,与以往只计算LUT相关配置位的方法比较,平均优化程度为19.89%.最后阐述了本模型在故障防御方面的一些应用,如找出最易导致故障扩散的元胞.%SRAM-based FPGA (Field Programmable Gate Array) could be affected by SEU (Single Event Upset) in radiation environment,causing circuit function failures.This paper proposes an SEU-induced fault propagation model for FPGAs based on the graph theory and the cellular automata.In addition,this paper divides SEU effect into two parts: SBU (Single-Bit Upset) and MBU (Multi-Bit Upset) because MBU has an extra problem about conflict management.The core part of this model is the computing method of the coupling degree which is based upon relative bits from FPGA placement and routing results to make the model more accurate.After validation between fault propagation model and fault injection experiment,this fault propagation model is 19.89% more relative to fault injection experiment than the fault propagation model only counting relative bits in LUT (Look Up Table).Finally,this paper analyses anapplication about this model to find cells most easily leading to fault diffusion.【期刊名称】《电子学报》【年(卷),期】2017(045)008【总页数】9页(P1976-1984)【关键词】现场可编程门阵列;单粒子翻转;单位翻转;多位翻转;电路故障传播模型【作者】吴珊;周学功;王伶俐【作者单位】复旦大学专用集成电路与系统国家重点实验室,上海 201203;复旦大学专用集成电路与系统国家重点实验室,上海 201203;复旦大学专用集成电路与系统国家重点实验室,上海 201203【正文语种】中文【中图分类】TN47基于静态随机存储器(Static Random Access Memory,SRAM)的现场可编程门阵列(Field Programmable Gate Array,FPGA)芯片具有开发成本低、开发时间短、上市时间快等优点,目前被广泛应用于医疗、通信、航空航天等领域.而太空的辐射环境中存在着各种各样的高能粒子,随着半导体制造工艺的进步、特征尺寸不断缩小,SRAM型FPGA产生单粒子翻转(Single Event Upset,SEU)效应越来越明显.单粒子效应会造成FPGA可编程码点的翻转,很可能影响到电路的功能；但也可能只是翻转了无关码点,对电路功能不造成直接影响.电路故障如何传播主要取决于电路各子模块之间的耦合作用,耦合的紧密程度直接导致了故障是否扩散传播.因此,针对SRAM型FPGA的特性,通过故障注入模拟单粒子翻转效应,并分析故障传播过程,建立更为贴切的故障传播模型至关重要.关于单粒子效应的研究是近几年的热点.随着微电子技术的发展,集成电路的特征工艺尺寸得以大幅度地缩减,一位翻转SBU (Single- Bit Upset)效应的概率逐渐降低,多位翻转(Multi- Bit Upset,MBU)效应有着上升趋势[1-4].当芯片受到辐射时,同时触发多个码点发生翻转称为MBU.文献[5]通过辐照各种不同的重离子,统计不同位数MBU的占比.实验发现,翻转位数越高发生的概率越低.其中,SBU占比超过50%,这说明SBU现象还是占据了主导地位；2位翻转占比约为30%,因此SEU主要还是引起一位翻转及两位翻转；随着入射粒子的线性能量传输值(Linear Energy Transfer,LET)增大,出现的多位翻转情况越多,然而当器件的翻转横截面(Device Cross Section,DCS)处于饱和状态之后,翻转的百分比就基本不再变化了.文献[5]中最多测试到了8位翻转.在故障传播模型的研究方面,最经典的是基于图论的故障诊断模型.很多模型都是以图论为基础发展演化而来的.图论分析的主要方法是把电路的各子模块抽象为图的结点,把子模块之间的故障传播关系抽象为两结点的有向边.并且,基于故障传播构建的有向图往往是加权有向图,权重可以根据结点间的故障传播概率或是故障传播时间确定[6-10].图论的方法一般只能用于解决单故障问题,系统复杂时难以转化为有向图来求解,但基本思想还是值得借鉴的.文献[11-15]提出了基于元胞自动机(Cellular Automata,CA)的电路故障传播模型.元胞自动机模型的应用非常广泛,几乎涉及社会和自然科学的各个领域,包括生物学、社会学、物理学、计算机科学等.在电路故障研究方面,主要是用来仿真故障覆盖率,从而针对扰动值、耦合度、传播概率等影响因子来提出降低故障覆盖率的解决方案.然而这是个较为通用的模型,需要加以改进才能体现出故障传播在不同电路的不同表现.文献[14]将基于元胞自动机的电路故障传播模型用在了FPGA上,然而最关键的参数——耦合度却没有很准确地体现.文献[16]采用基于Petri网的故障传播模型来分析多路径的故障传播问题,在大规模系统中找到所有故障可能传播的路径,从而提出提高系统可靠性的解决方案.Petri网涉及到的传播关系非常复杂,往往求解困难.文献[17,18] 研究的是基于复杂网络的电路故障传播模型,其中基于小世界网络模型最为经典.小世界网络是指介于规则网络和随机网络之间的网络,若用在故障传播的问题上,则是反应了故障的扩散程度,再结合蚁群算法就可以求得扩散能力最强的故障传播路径,为设计改进和故障防御提供了重要依据.小世界网络对系统的特征路径长度和聚类系数有要求,并非所有系统都能转化为小世界网络.为了测试SEU效应,多采用辐照实验的方法.但真实辐照实验成本高、并且很有可能会损坏待测器件,因此国内外普遍采用模拟故障注入的方法来测试SEU效应.通过配置故障注入后的部分位流的方法[19]来刷新电路功能,从而大大提高测试效率,进行快速错误注入.文献[20]根据不同种类可编程点具有不同单粒子翻转敏感性,建立了基于权重的故障注入模型,并通过实验数据得出,基于权重的故障注入模型下可编程码点的翻转比率与辐射实验结果相吻合.因此本文在基于权重的故障注入模型下进行模拟单粒子翻转效应的故障注入实验.本文的模型是以SRAM型FPGA发生的SEU效应为研究对象,综合图论和元胞自动机模型进行改进,使模型适用于不同的电路设计.借鉴元胞自动机模型中元胞的概念,本文的模型主要改进了演化规则,比如不同电路的元胞排布不一样、不同电路的元胞连接关系不一样、不同电路非空元胞的耦合关系不一样等.FPGA是具有一定规模的Tile阵列,Tile就可以看作是元胞.FPGA各Tile的连接均靠布线的开关盒(General Switch Block,GSB)[21]来实现,因此与耦合度最相关的是布线信息,这也就成为了计算耦合度的重点来源.本文的研究是基于实验室自主研发的FDP3P7可编程FPGA芯片[22],可通过解析布局布线后的网表文件来提取关键信息.模型仿真之后再用实验室自主研发的FPGA故障注入平台进行测试,在不同电路中进行验证,从而得出了更贴近SRAM型FPGA实际电路的故障传播模型.设元胞空间的大小为M×N.非空元胞赋值为1,空元胞赋值为0.某元胞的位置表示为：借鉴元胞自动机模型,我们把相邻元胞的连接关系称为邻居关系.如图1所示,图1(a)为元胞自动机模型中的Von Neumann邻居模型(或称为5邻居模型)[13],该模型中,中心元胞的邻居即为上下左右四个元胞.图1(b)为本文的改进模型,设定相连的元胞互为邻居,突破了传统二维空间的限制.由于FPGA布线很多时候会跨越多个Tile,因此邻居关系更为复杂.如图1(b),中心元胞为c,设元胞c的邻居分别为元胞n1,n2,…,nq,其中q为元胞c的邻居总数,设1≤k≤q.故障传播模型的演化规则如下：式中：(1)Ot+1(c)表示t+1时刻元胞c的输出状态,输出状态有1、0、-1三种.状态为1时表示元胞正常运行；状态为-1时表示元胞发生故障；状态为0表示该元胞为空,即该电路设计没有用到这个元胞.(2)Gt+1(c)表示t+1时刻元胞c的故障程度值,仿真初始化时需设置,其值越大,下一时刻对该元胞及其邻居元胞的影响就越大.故障程度阈值为δ,若故障程度大于等于该阈值则元胞输出状态为-1.(3)R表示t时刻外部加入的故障扰动,仿真时需设置,其值越大,则表示注入的故障扰动越大,下一时刻对该元胞及其邻居元胞的影响越大.一般设置R>1,这样才能保证起始元胞发生故障.(4)xt+1(nk)表示t+1时刻元胞c与邻居nk的关系.若t时刻元胞c处于正常运行状态(即输出状态为1)、并且元胞c与元胞k的耦合度Ecnk大于阈值e,则对应的xt+1(nk)取值为1,否则取值为0.耦合度值在仿真初始化时需设置,只有大于阈值时,才可能对邻居元胞有影响.本文建立模型的核心就是耦合度的计算问题.FPGA中占比最大的资源是布线,因此考虑好布线因素的影响最为重要.文献[14]中是用相关配置位数来计算耦合度的,主要是考虑LUT (Look Up Table)的个数,相对于通过真实布局布线来计算耦合度而言确实简便很多,然而只考虑LUT明显不够全面,因此最好能找到方法利用布局布线信息统计出该电路设计中用到的所有相关配置位.本文是通过解析布局布线后的网表文件来逐步计算出耦合度.解析布局布线后的网表文件时,因为布线网表包含了布局信息,因此实际操作中只需要解析布线网表就可以了.由于网表文件中只会出现关于该电路设计的信息,因此解析出来的结果都是电路相关的,如连接关系、相关配置位等.本文模型中耦合度的计算流程如图2所示.在此以16位乘法器的网表解析为例来说明耦合度的具体计算过程,图3为布线后网表文件的截图,网表文件是通过实验室自主研发的FDP3P7芯片系列开发软件FDE 生成[23].“position”的信息从“net”模块中提取,如图3(a)所示,从而得到了所有非空元胞的坐标.“PIP”的信息表示出了连接关系.依据“PIP”的描述,元胞依次相连.比如图3(a)中就是Tile(12,22)连接到Tile(12,16),Tile(12,16)连接到Tile(19,16),以此类推.同时也要注意标记连接顺序,这决定了故障从哪个元胞出发、传播到哪个元胞.相关配置位的信息来源于四个部分：slice内部互连、LUT、IO、slice外部互连.slice内部互连及LUT的相关配置位信息来源于“slice”模块,如图3(b)所示.比如<config name="BXMUX" value="#OFF"/>这一行对应的就是一个SRAM: BXMUX,算作1个配置位；比如<config name="F" value="#LUT:D=(A2*A1)"/>和<config name="G" value="#LUT:D=(A2*A1)"/>,F和G表示的都是LUT,LUT的配置位为16.IO的相关配置位信息来源于“iob”模块,与“slice”结构类似.slice外部互连的相关配置位信息来源于“net”模块.如图3(a),从“PIP”信息中可以得到某坐标Tile中用了几个PIP,1个PIP为一个配置位.接下来,计算耦合度.如图1(b),若下一时刻t+1,元胞c要将自身的故障传给一个邻居,则会从与其相连的元胞中随机选择一个来进行故障传播.设函数bit()用来计算某Tile一共用到的相关配置位数,Ecnk表示元胞c与元胞nk的耦合度,则其中ω为仿真时调节耦合度大小的系数,用来提高仿真效率.耦合度的含义实际上就是指c的故障会传递多少给它的邻居.Gt(c)表示t时刻元胞c的故障程度值,那么下一时刻元胞nk的故障程度值4.1 一位翻转的仿真流程先来阐述一位翻转的故障传播过程,模型仿真流程如图4所示.其中,Count用来统计第几次注入故障时,故障能够传播到IO.初始化用python解析xml文件(布局布线后的网表文件),与该电路设计有关的元胞标记为1、其余为0.接下来故障传播涉及到的元胞都只是非空元胞.解析PIP信息得到非空元胞之间的连接关系,通过统计布局加布线的相关配置位数来计算两个相邻非空元胞的耦合度.Count=0.选择起始点初始化之后Count++,随机选择起始元胞,若该元胞非空、并且不是IO(认为故障传播路径搜索到IO即结束)、并且有邻居元胞(即故障有机会传播下去),此时则为选定了起始点,否则重新生成随机点.选择好起始元胞后,该元胞的故障值加上扰动R.在之后的故障传播路径搜索中,若不满足形成路径的条件,则所有元胞的值复位、返回来重新换一个起始点.选择邻居有了第一个有故障的元胞c之后,把c标记为故障元胞,即元胞值由0变为-1,c的相关配置位数清零,与c为邻的所有元胞的邻居总个数减1,元胞值为-1后即当做空元胞处理,不再加入到任何故障传播路径当中.接下来在c点的邻居中随机选择一个点n1,如果n1的元胞值不是1、或者元胞值为1但邻居为0,则所有元胞复位重新选择起始点.故障传播选定了邻居n1之后,计算出n1的故障程度值,如果元胞n1为IO并且故障程度值大于阈值,说明故障已经传播到IO了,该路径成立,打印出Count值,程序结束；如果元胞n1不为IO并且故障程度值大于阈值,说明故障从原来的元胞c已经传播到了元胞n1,把n1的属性赋给c,回到标记c为故障元胞的位置,继续循环；剩下的情况就是元胞n1的故障程度值小于阈值,说明故障没有传播出去,那么所有元胞复位重新选择起始点.4.2 多位翻转的仿真流程多位翻转是在一位翻转的基础上加一层循环,如图5所示.翻转位数设为F,如果翻转位数大于1,那么先选择一个符合故障传播条件的起始点C1,在以C1为顶点的矩形框内随机选择F-1个点,接下来就分别进行每一条路径的故障传播路径搜索,流程同图4.若有一条路径成立,则结束,返回Count；若F条路径都不成立,则重新选择起始点.其中,同时搜索F条路径时,故障元胞累加,因此故障传播效率会更高.此外,在处理多路径传播的问题中,涉及到冲突处理的问题.因为本文模型中,元胞间的故障传播允许出现多对一的情况.针对冲突问题,解决的原则可以概括为先到先得.冲突处理流程如图6所示.此时为了简化流程来进行说明,假设故障均能传播到下一个元胞、故障程度值均大于阈值.以三位翻转为例进行具体说明.如图7所示,假设t=0时,有a0、b0、c0三位翻转；t=1时,故障开始向相邻的一个元胞传播,此时出现了a0和b0找到的邻居元胞为同一元胞的情况,这时假定以a、b、c为序来进行处理,也就是说先是a0选择了邻居a1,并把故障传播给了a1,所以接下来b0找到邻居b1的时候,检测到b1已经是故障元胞了,也就是说b的传播路径无效了；t=2时,a和c依然正常传播故障,b路径不再考虑；t=3时,出现了a2的邻居找到了c2的情况,此时c2已经成为故障元胞了,那么a的传播路径也无效了,c不受影响继续传播；t=4时,就只剩c一条路径正常传播了.到最后,若c故障传播到了IO,则c路径成立；若 c故障没能传播成功,则Count加1,重新选择起始三个元胞.5.1 基于FDP3P7的故障注入模拟平台故障注入测试是基于实验室自主研发的FDP3P7芯片及其模拟故障注入平台,如图8所示.由USB口将位流下载到板子上,模拟SEU时,每次下载位流仅改变部分位流的配置,有效缩短了配置时间,从而实现快速模拟故障注入,并能快速检测出电路敏感点.这种方法不但能更准确地模拟FPGA的抗辐射性能,而且大大提高了故障注入实验效率.对于某个电路设计,首先用Synopsys公司的Design Compiler中的DFT Compiler对用户电路(.v)进行DFT综合,即插入扫描链.接下来用Synopsys公司的Tetramax工具,对Design Compiler生成的电路产生相应的测试向量,用于测试电路功能.通过自主研发的FDE软件,得到电路设计的位流文件.使用Matlab Simulink搭建故障注入系统,如图9所示,其中S- Function是Simulink提供给用户实现自定义的模块,包含了：(1)测试激励产生；(2)待测电路响应分析这两个功能.而VLFDP3P7-template则作为一个抽象的待测电路存在于本系统中.另外,Unit Delay模块是为了使该系统不至于成为一个无延时的环路而使得Simulink无法对该系统求解仿真.另外,由于本实验的终止往往是由程序逻辑决定的,也就是说,仿真的时间实际上未知,因此需要用STOP模块来控制仿真的结束与否.对于模拟真实辐射环境来进行故障注入,我们所观察的结果是打翻多少次码点之后,测到电路结果出错,这与本文的故障传播模型中所观察的Count值含义一致.模拟MBU也是采用随机选取码点进行翻转的方法,当翻转位数大于1时,也是采用类似仿真模型中的划定矩形框的方法来选择要打翻的码点.5.2 改进模型的模拟测试结果对于FDP3P7芯片,元胞即为Tile,则元胞空间大小为35×55.初始时所有元胞均无故障即Gt=0(i,j)=0,故障程度阈值设为δ=1,外部加入的故障扰动R=100,耦合度系数ω=1,耦合度阈值e=0.1.为了提高实验效率,R或者ω的值可以设大些,δ或者e可以设小一些.由文献[5]可知最多能测到8位翻转,因此本模型对于SEU效应的测试数据为从1位翻转到8位翻转.如表1所示,我们比较了实际注入、对比模型、本模型三种模型在不同的电路设计中的测试结果.比较的参数为Count值,即注入多少次后故障成功传播到IO.实际注入是在打翻码点之后,用测试向量来测试电路功能,若功能无误则恢复之前被翻转的码点、继续打翻下一批码点,若功能有误则程序结束；对比模型只计算LUT的相关配置位[14],故障传播算法跟本模型一致,从而可以比较出耦合度计算精确之后对仿真结果的改善.我们用相关系数来衡量模型效果.比如1位翻转时,先统计出所有Count值(取100次测试的平均值),然后用CORREL函数来计算相关系数,比如对比模型的相关系数指的是采用对比模型所有例子的Count值连成的曲线与实际注入测试的Count值的曲线的相关系数,相关系数越高,则表示两条曲线越相似,即该模型效果越好.从表1 可见,通过多个例子、多位翻转的比较,基于耦合度计算方式的优化,本模型比对比模型平均优化了19.89%.由上述内容可见本模型可以更为有效地仿真SEU引起的故障传播.通过应用该模型,还可以计算出相关配置位数最高的元胞或者是邻居数最高的元胞,从而得到最易导致故障扩散的电路模块,有助于故障预防.设函数RelationBit()用来计算某元胞c的总相关配置位数,则：元胞的总邻居数可通过解析布线后网表文件统计得出.耦合度的含义是邻居元胞间相关配置位数的占比,因此相关配置位数越高、邻居数越多,则耦合程度越高,越易引起故障扩散.我们以16位乘法器的一位翻转为例,求得所有元胞中,相关配置位数、邻居数排名前五的元胞信息,见表2.这些相关配置位数或邻居数较高的元胞可以认为是最易引起故障传播扩散的元胞,从而在这些元胞可能引发的故障传播路径上进行防御.本文针对SRAM型FPGA的SEU效应,研究故障传播模型.本模型以图论和元胞自动机的故障模型为基本思想,针对SRAM型FPGA的特性加以改进.以实验室自主研发的FDP3P7芯片为测试对象,通过解析布局布线网表,不仅得到了更为准确的元胞状态及元胞连接关系,而且可以更加精确地计算出每个Tile在电路设计中用到的相关配置位数,使得耦合度的计算结果更贴近实际.测试结果表明,本模型提高了耦合度的精确度,对故障传播模型的改善较为显著,通过将仿真数据与测试数据进行比较,得到相关系数,本模型比对比模型平均优化了19.89%.最后,应用该模型,可求出某电路设计中相关配置位数最高的模块、邻居最多的模块,即某些最易造成故障扩散的模块,从而可以对这些模块进行重点SEU防范.周学功(通信作者) 男,助理研究员.2007年毕业于复旦大学计算机与信息技术系,获理学博士学位.主要研究方向为EDA算法、可重构嵌入式系统的体系结构与应用开发方法学等.E-mail:****************.cn王伶俐男,教授,主要研究方向为集成电路与EDA算法设计、可重构计算与量子计算.E-mail:****************.cn吴珊女,硕士研究生,主要研究方向为FPGA布线、位流、SEU故障传播.【相关文献】[1]W Wu,N Seifert.MBU- Calc: A compact model for Multi- Bit Upset (MBU) SER estimation[A].IEEE International on Reliability Physics Symposium (IRPS)[C].Monterey,CA，2015.SE.2.1-SE.2.6.[2]C Frenkel,J D Legat,D Bol.A Partial Reconfiguration- based scheme to mitigate Multiple- Bit Upsets for FPGAs in low- cost space applications[A].10th International Symposium on Reconfigurable Communication- centric Systems- on- Chip (ReCoSoC)[C].Bremen,2015.1-7.[3]M Ebrahimi,M B Tahoori.Stepped parity: A low- cost multiple bit upset detection technique[A].IEEE International on Test Conference (ITC)[C].Anaheim,CA,2015.1-8.[4]W Wei,K Namba,Y B Kim,F Lombardi.A novel scheme for tolerating SingleEvent/Multiple Bit Upsets (SE/MBU) in non- volatile memories[J].IEEE Transactions on Computers,2016,65(3):781-790.[5]郭红霞,罗尹虹,姚志斌,等.亚微米特征工艺尺寸静态随机存储器单粒子效应实验研究[J].原子能科学技术,2010,44(12):1498-1504. Guo Hongxia,Luo Yinhong,Yao Zhibin et al.Experimental research of SEU and SEL in high density SRAMs with sub- micron feature sizes[J].Atomic Energy Science and Technology,2010,44(12):1498-1504.(in Chinese)[6]吴军强,梁军.基于图论的故障诊断技术及其发展[J].机电工程,2003,5:188-190. Wu Junqiang,Liang Jun.Technology and development of fault diagnosis based on graph theory[J].Mechanical & Electrical Engineering Magazine,2003,5:188-190.(in Chinese) [7]Yuan,Haibin,J Li,Q Wang.Research on directed fault propagation graph model and optimization[A].9th International Conference on Electronic Measurement & Instruments[C].Beijing,2009.241-245.[8]Yuan Haibin.Development of simulation model based on directed fault propagation graph[A].International Conference on Computer Application and System Modeling (ICCASM)[C].Taiyuan,2010.686-690.[9]F Yang,D Xiao,S L Shah.Signed directed graph- based hierarchical modelling and fault propagation analysis for large- scale systems[J].IET Control Theory &Applications,2013,7(4):537-550.[10]Yan Xiaobo,Wang Yichen,Li Jianxing.Signal- component fault propagation model for embedded software[A].First International Conference on Reliability Systems Engineering (ICRSE)[C].Beijing,2015.1-8.[11]M Halbach,R Hoffmann.Implementing cellular automata in FPGA logic[A].18th International on Parallel and Distributed Processing Symposium[C].Santa Fe,New Mexico,2004.258-262.[12]S Murtaza,A G Hoekstra,P M A Sloot.Performance modeling of 2D cellular automata on FPGA[A].International Conference on Field Programmable Logic and Applications (FPL)[C].Amsterdam,2007.74-78.[13]吴继梅.基于元胞自动机的电路故障传播建模与应用研究[D].上海：东华大学,2008. Wu Jimei.Modeling and application of circuit fault propagation based on cellularautomata[D].Shanghai:Donghua University,2008.(in Chinese)[14]何伟.SRAM型FPGA单粒子故障传播特性与测试方法研究[D].长沙：国防科学技术大学,2011. He Wei.Characteristic and testing methodology of SEE soft error propagation in SRAM- based FPGA[D].Changsha:National University of Defense Technology,2011.(in Chinese)[15]Yan Xiaobo,Wang Yichen,Zhu Anzhi,Wang Yikun.A fault propagation model for embedded software[A].IEEE International Conference on Software Quality,Reliability and Security- Companion (QRS- C)[C].Vancouver,BC:IEEE,2015.72-79.[16]Y Wang,Hao Shi,Limin Jia,Shuai Lin,Lei Guo.Multi paths fault propagation model for network modeled system[A].11th World Congress on Intelligent Control and Automation (WCICA)[C].Shenyang,2014.5915-5920.[17]李果,高建民,高智勇,姜洪权.基于小世界网络的复杂系统故障传播模型[J].西安交通大学学报,2007,3:334-338. Li Guo,Gao Jianmin,Gao Zhiyong,Jiang Hongquan.Failure propagation model of complex system based on small world net[J].Journal of Xi’an Jiaotong University,2007,3:334-338.(in Chinese)[18]Jianmin Gao,Guo Li,Zhiyong Gao.Fault propagation analysis for complex system based on small- world network model[A].RAMS on Reliability and Maintainability Symposium[C].Las Vegas,NV,2008.359-364.[19]M M Ibrahim,K Asami,M Cho.Evaluation of SRAM based FPGA performance by simulating SEU through fault injection[A].6th International Conference on Recent Advances in Space Technologies (RAST)[C].Istanbul,2013.649-654.[20]刘智斌,王伶俐,周学功,等.基于动态局部重配置的FPGA抗辐射模拟[J].计算机工程,2010,36(14):218-220,226. Liu Zhibin,Wang Lingli,Zhou Xuegong et al.Radioresistance emulation of FPGA based on dynamic partial reconfiguration[J].Computer Engineering,2010,36(14):218-220,226.(in Chinese)[21]K Ma,L Wang,X Zhou,S X D Tan,J Tong.General switch box modeling and optimization for FPGA routing architectures[A].International Conference on Field- Programmable Technology (FPT)[C].Beijing,2010.320-323.[22]江峻.FDP FPGA芯片可编程逻辑单元建模与故障测试[D].上海：复旦大学,2010.[23]复旦大学.FPGA/SOPC后端编译软件[简称:FDE软件] V1.0[CP/CD].著作权登记号:2013SR067117.E-mail:****************。