您的位置 首页 智能

上算dt!IBIS 道理 SI 仿真_weixin_34255055的博客

IBIS 模子简介 IBIS标准最后由一个被称为IBIS开放服装论坛t.vhao.net的工业组织编写,这个组织是由一些EDA厂商、计算机制造商、半导体厂商和大学构成的。IBIS的…

IBIS 模子简介

上算dt

IBIS标准最后由一个被称为IBIS开放服装论坛t.vhao.net的工业组织编写,这个组织是由一些EDA厂商、计算机制造商、半导体厂商和大学构成的。IBIS的版本宣布 情形为:1993年4月第一次推出Version1.0版,同年6月经点窜后宣布了Version1.1版,1994年6月在San Diego经由过程了Version2.0版,同年12月进级为Version2.1版,1995年12 月其Version2.1版成为ANSI/EIA-656尺度,1997年6月宣布了Version3.0版,同年9月被回收为IEC 62012-1 尺度,1998年进级为Version3.1版,1999年1月推出了以后最新的版本Version3.2版。

IBIS自己只是一种文件格式,它申明在一尺度的IBIS文件中若何纪录一个芯片的驱动器和接收器的分歧参数,但并不申明这些被纪录的参数若何利用,这些参数需求由利用IBIS模子的仿真对象来读取。欲利用IBIS停止现实的仿真,需求先完成以下四件任务:

获得有关芯片驱动器和接收器的原始信息源; 获得一种将原始数据转换为IBIS花样的方式; 供应用于仿真的可被计算机辨认的结构布线信息; 供应一种可以或许读取IBIS和结构布线花样并可以或许停止剖析较量争论的软件工具。

IBIS是一种复杂直观的文件格式,很合适用于雷同于Spice(但不是Spice,由于IBIS文件格式不克不及直接被Spice对象读取)的电路仿真工 具。它供应驱动器和接收器的行动描写,但不泄露电路外部组织的知识产权细节。换句话说,销售商可以用IBIS模子来申明它们最新的门级设计任务,而不会给 其竞争对手泄漏过量的产物信息。而且,由于IBIS是一个复杂的模子,当作复杂的带负载仿真时,比响应的全Spice三极管级模子仿真要节约 10~15倍的较量争论量。

上算dt

IBIS供应两条完全的V-I曲线离别代表驱动器为高电平和低电平状况,和在肯定的转换速度下状况转换的曲线。V-I曲线的感化在于为IBIS供应珍爱二极管、TTL图腾柱驱动源和射极追随输入等非线性效应的建模才能。

由上可知,IBIS模子的长处可以归纳综合为:

在I/O非线性方面可以或许供应正确的模子,同时斟酌了封装的寄生参数与ESD构造; 供应比结构化的方式更快的仿真速度; 可用于零碎板级或多板旌旗灯号完整性剖析仿真。可用IBIS模子剖析的旌旗灯号完整性成绩包孕:串扰、反射、振荡、上冲、下冲、不婚配阻抗、传输 线剖析、拓扑构造剖析。IBIS特别可以或许对高速振荡和串扰停止正确邃密的仿真,它可用于检测最坏情形的上升时间前提下的旌旗灯号行动及一些用物理测试没法处理 的情形; 模子可以收费从半导体厂商处获得,用户无需对模型付额定开消; 兼容工业界普遍的仿真平台。

固然,IBIS不是完善的,它也存在以下瑕玷:

很多芯片厂商缺少对IBIS模子的支撑。而缺少IBIS模子,IBIS对象就没法任务。固然IBIS文件可以手工建立或经由过程Spice模子主动转换,然则假如没法从厂家获得最小上升时间参数,任何转换对象都力所不及。 IBIS不克不及幻想地处置惩罚上升时间受控的驱动器类型的电路,特殊是那些包括庞杂反应的电路; IBIS缺少对地弹噪声的建模才能。IBIS模子2.1版包括了描写分歧管脚组合的互感,从这里可以提取一些异常有效的地弹信息。它不任务的缘由在于建模体式格局,当输入由高电平向低电平跳变时,大的地弹电压可以改动输入驱动器的行动。

IBIS模子采取I/V和V/T表的情势来描写数字集成电路I/O单位和引脚的特征。因为IBIS模子无需描写I/O 单位的外部设计和晶体管制作参数,因此获得了半导体厂商的迎接和支撑。如今各首要的数字集成电路制造商都可以或许在供应芯片的同时供应响应的IBIS模子。

IBIS模子的剖析精度首要取决于I/V和V/T表的数据点数和数据的精确度。因为基于IBIS模子的PCB板级仿真采取查表较量争论,因此较量争论量较小,平日只要响应的SPICE模子的1/10到1/100。

上算dt

IBIS是为了知足旌旗灯号完整性(SI)仿真的需求,其效果是IBIS模子具有旌旗灯号完整性(signal integrity)剖析所需求的信息,如在分歧的负载下旌旗灯号上升/下降时间。因为提取的程度如斯之高,所以模子不可以或许很轻易的调剂巨细,然则对旌旗灯号完 整性(SI)的运用不成问题。

IBIS模子引见

1、IBIS模子

跟着数字零碎机能的赓续提拔,旌旗灯号输入的转换速度也越来越快,在旌旗灯号完整性剖析中,不克不及复杂的以为这些高速转换的旌旗灯号是纯洁的数字信号,还必需斟酌到它们 的摹拟行动。为了在PCB停止临盆前停止正确的旌旗灯号完整性仿真并处理设计中存在的成绩,请求竖立能描写器件I/O特征的模子。如许,Intel最后提出了 IBIS的概念,IBIS就是I/O BufferInformation Specification的缩写。

为了制订同一的IBIS花样,EDA公司、IC供应商和最终用户成立了一个IBIS花样制订委员会,IBIS公然服装论坛t.vhao.net也随之降生。在1993年,花样制订 委员会推出了IBIS的第一个尺度Version 1.0,今后赓续对其停止修订,如今的版本是1999年发布的Version 3.2, 这一尺度已获得了EIA的承认,被界说为ANSI/EIA-656-A尺度。每一个新的版本都会到场一些新的内容,但这些新内容都只是一个IBIS模子 文件中的可选项目而不是必需项目,这就包管了IBIS模子的向后兼容性能。

如今,已有几十个EDA公司成为IBIS公然服装论坛t.vhao.net的成员,支撑IBIS的EDA公司供应分歧器件的IBIS模子和软件仿真对象。有愈来愈多的半导体厂商最先供应本身产物的IBIS模子。 2、IBIS与SPICE的对照

SPICE作为一种通用的电路摹拟说话,最早由加州大学伯克利分校发现。SPICE模子是对电路中现实的物理构造停止描写。因为其精确性和多功能性,已 成为电子电路摹拟的尺度说话。SPICE模子今朝有两个首要的版本:HSPICE和PSPICE,HSPICE首要运用于集成电路设计,而PSPICE主 要运用于PCB板和零碎级的设计。

采取SPICE模子在PCB板级停止SI剖析时,需求集成电路设计者和制造商供应能具体正确的描写集成电路I/O单位子电路的SPICE模子和半导体特征 的制作参数。因为这些材料平日都属于设计者和制造商的知识产权和秘要,所以只要较少的半导体制造商会在供应芯片产物的同时供应响应的SPICE模子。 SPICE模子的剖析精度首要取决于模子参数的起原(即数据的精确性),和模子方程式的适用范围。而模子方程式与各类分歧的数字仿真器相结合时也能够会 影响剖析的精度。有的半导体生产者在向外界供应SPICE模子时,经常会对一些触及到知识产权的部份停止‘清算’,如许也会致使仿真效果的不正确。

IBIS模子不对电路的详细构造停止描写,而只是采取I/V和V/t表的情势来描写数字集成电路I/O单位和引脚的特征。半导体厂商很轻易在不泄漏本身的知识产权的同时为客户供应这类模子。

IBIS模子的剖析精度首要取决于I/V和V/T表的数据点数和数据的精确度。因为基于IBIS模子的PCB板级仿真采取查表较量争论,因此较量争论量较小,平日 只要响应的SPICE模子的1/10到1/100。用它停止仿真的速度要比用SPICE模子快许多。跟着电路板的设计愈来愈庞杂,利用SPICE模子仿真 会花去很长的时候,而利用IBIS模子使得对全部电路板上的零碎停止仿真成为能够。固然IBIS模子没有SPECE模子那末正确,但对零碎级剖析而言已 经是完整足够了。

利用IBIS模子的别的一个长处就是,许多的IBIS模子都是由现实的器件获得,如许,一旦有了完整的IBIS数据,那末仿真获得的数据就与现实的器件有了直接的关系。

上算dt

总之,因为IBIS模子的轻易,快捷,和具有需要的精确度,愈来愈多的半导体厂商都情愿向客户收费供应本身产物的IBIS模子。

因为今朝还没有一种同一的模子来完成一切的PCB板级旌旗灯号完整性剖析,是以在高速数字PCB板设计中,需求夹杂各类模子来最大水平地竖立要害旌旗灯号和敏感旌旗灯号的传输模子。

对分立的无源器件,可以追求厂家供应的SPICE模子,或经由过程实行丈量直接竖立并利用简化的SPICE模子。对要害的数字集成电路,则必需追求厂家 供应的IBIS模子。今朝大多数集成电路设计和制造商都可以或许经由过程web网站或其它体式格局在供应芯片的同时供应所需的IBIS模子。对非关键的集成电路,若 没法获得厂家的IBIS模子,还可以根据芯片引脚的功用选用类似的或缺省的IBIS模子。固然,也可以经由过程实行丈量来竖立简化的IBIS模子。对PCB 板上的传输线,在停止旌旗灯号完整性预剖析及解空间剖析时可采取简化的传输线SPICE模子,而在布线后的剖析中则需求根据现实的疆土设计利用完全的传输线 SPICE模子。 3、IBIS模子的组成

一个IBIS文件包孕了从行动上摹拟一个器件的输出、输入和I/O缓冲器所需求的数据,它以ASCII的花样留存。IBIS文件中的数据被用来组成一个模 型,这个模子可以用来对印刷电路板停止旌旗灯号完整性仿真和时序剖析。停止这些仿真所需的最根基的信息是一个缓冲器的I/V参数和开关参数(输入电压与时候的 关系)。要留意的是,IBIS自己只是一种文件格式,它申明在一个尺度的IBIS文件中若何纪录一个芯片的驱动器和接收器的分歧参数,但并不申明这些被记 录的数据若何利用,这些参数要由利用IBIS模子的对象来读取。

IBIS模子是以元件为中间的,也就是说,一个IBIS文件答应你摹拟全部的一个元件,而不单单是一个特定的输出、输入或I/O缓冲器。因此,除器件缓 冲器的电学特征参数之外,IBIS文件还包孕了器件的管脚信息和器件封装的电学参数。从Version 1.1最先,就界说了一个IBIS模子文件的最根基的构成元素为I/V数据表、开关信息和封装信息(图1)。

图1 IBIS模子的根基构成元素

图中,模块2 Pullup和模块1 PullDown显示了尺度输入缓冲器的上拉和下拉晶体管,用直流I/V数据表来描写它们的行动。模块3中的Power_Clamp和Gnd_Clamp 是静电放电或钳位二极管,也是用直流I/V数据表来描写的。模块4在IBIS文件中是Ramp参数,透露表现输入从一个逻辑状况转换到另一个逻辑状况,用dV /dt来描写某一特定阻性负载下输入波形的上升沿和下落沿。模块5描写的是体电容和封装寄生参数,个中C_comp是硅晶元电容,它是不包孕封装参数的总 的输入电容_L_pkg、R_pkg和C_pkg离别是由封装带来的寄生电感、寄生电阻和寄生电容。假如描写的仅仅是输出管脚的IBIS模子,则只由模块 3和模块5两部份构成便可。

IBIS标准请求的I/V曲线的局限是Vcc到(2*Vcc),制订这一电压局限的缘由是,由全反射所引发的过冲实际上的最大值是两倍的信号摆幅。 Gnd_Clamp的I/V曲线局限界说为-Vcc到Vcc,而Power_Clamp的I/V曲线局限是0到(2*Vcc)。要留意的是,Pullup 和Power_Clamp在IBIS文件中的电压Vtable为Vcc-Voutput。

[Pulldown]

|

| Voltage I(typ) I(min) I(max)

|

-5.0V -40.0m -34.0m -45.0m

-4.0V -39.0m -33.0m -43.0m

| …

上算dt

0.0V 0.0m 0.0m 0.0m

| …

5.0V 40.0m 34.0m 45.0m

10.0V 45.0m 4 0.0m 4 9.0m

|

[Pullup] | Note: Vtable=Vcc -Voutput

|

上算dt

Voltage I(typ) I(min) I(max)

-5.0V 32.0m 30.0m 35.0m

-4.0V 3 1.0m 2 9.0m 33.0m

上算dt

| …

0.0V 0.0m 0.0m 0.0m

| …

上算dt

5.0V -32.0m -30.0m -35.0m

上算dt

10.0V -38.0m -35.0m -40.0m

上算dt

|

[GND C1amp]

|

| Voltage I(typ) I(min) I(max)

|

-5.0V -390 0.0m -3800.0m -4000.0m

-0.7V -80.0m -75.0m -85.0m

-0.6V -22.0m -20.0m -25.0m

-0.5V -2.4m -2.0m -2.9m

-0.4V 0.0m 0.0m 0.0m

5.0V 0.0m 0.0m 0.0m

|

[POWER Clamp] | Note:Vtable=Vcc—Voutput

|

| Voltage I(typ) I(min) I(max)

上算dt

|

-5.0V 4450.0m NA NA

-0.7V 95.0m NA NA

-0.6V 23.0m NA NA

-0.5V 2.4m NA NA

-0.4V 0.0m NA NA

0.0V 0.0m NA NA

Ramp参数透露表现了缓冲器的上升和下降时间,Ramp中的dV是缓冲器输入电压由20%转变到80%间的差值。这一参数只计入了晶元电容C_comp的影 响,而不斟酌封装寄生参数的影响。有时也用dV/&曲线来描写一样的开关特征,相比之下dV/&曲线要加倍正确一些。R_load透露表现这 些数据是在什么样的负载状态下获得的,假如利用的是尺度的50 ohm负载,那末这一项是可选择的。

上算dt

[Ramp]

上算dt

| variable typ min max

dV/dt_r 2.20/1.06n 1.92/1.28n 2.49/650p

dV/dt_f 2.46/1.21n 2.21/1.54n 2.70/770p

R_load=300ohms

下面所提到的这些数据都有三个值可供选择:典型值、最小值和最大值.这些是由任务情况的温度、电源电压和工艺制程的转变来决意的。利用各类数据的最小值 和最大值,就可以显示出模子的最差和最好情形。例如,要获得一个疾速的模子,可以利用最高值的电流、最快的ramp数据和最小的封装寄生参数:而要获得 慢速的模子则正好相反。在有的模子中,并不供应最小值和最大值,只是用N/A来透露表现,如下面举的Power Clamp的例子。而典型值在模子中是必需要供应的。

封装寄生参数在IBIS模子文件顶用R_pkg、L_pkg和C_pkg来透露表现,假如在文件中对管脚的申明部份对每一个管脚又付与了详细的封装参数值,那末全局界说的封装参数就不起作用。

在后面给出的IBIS文件的例子中可以看到,每一部分的开首都由方括号最先,在方括号中的是界说语句的关键字,它对跟在前面的数据作出了申明,如许仿真器 就可以利用这些数据。在一个IBIS文件中,有的关键字是必需的,而有的则是可选择的。一个有用的IBIS文件必需包孕以下三部份的数据和关键字: 一个IBIS文件包孕了从行动上摹拟一个器件的输出、输入和I/O缓冲器所需求的数据,它以ASCII的花样留存。IBIS文件中的数据被用来组成一个模 型,这个模子可以用来对印刷电路板停止旌旗灯号完整性仿真和时序剖析。停止这些仿真所需的最根基的信息是一个缓冲器的I/V参数和开关参数(输入电压与时候的 关系)。要留意的是,IBIS自己只是一种文件格式,它申明在一个尺度的IBIS文件中若何纪录一个芯片的驱动器和接收器的分歧参数,但并不申明这些被记 录的数据若何利用,这些参数要由利用IBIS模子的对象来读取。IBIS模子是以元件为中间的,也就是说,一个IBIS文件答应你摹拟全部的一个元件,而不单单是一个特定的输出、输入或I/O缓冲器。因此,除器件缓 冲器的电学特征参数之外,IBIS文件还包孕了器件的管脚信息和器件封装的电学参数。从Version 1.1最先,就界说了一个IBIS模子文件的最根基的构成元素为I/V数据表、开关信息和封装信息(图1)。图1 IBIS模子的根基构成元素图中,模块2 Pullup和模块1 PullDown显示了尺度输入缓冲器的上拉和下拉晶体管,用直流I/V数据表来描写它们的行动。模块3中的Power_Clamp和Gnd_Clamp 是静电放电或钳位二极管,也是用直流I/V数据表来描写的。模块4在IBIS文件中是Ramp参数,透露表现输入从一个逻辑状况转换到另一个逻辑状况,用dV /dt来描写某一特定阻性负载下输入波形的上升沿和下落沿。模块5描写的是体电容和封装寄生参数,个中C_comp是硅晶元电容,它是不包孕封装参数的总 的输入电容_L_pkg、R_pkg和C_pkg离别是由封装带来的寄生电感、寄生电阻和寄生电容。假如描写的仅仅是输出管脚的IBIS模子,则只由模块 3和模块5两部份构成便可。IBIS标准请求的I/V曲线的局限是Vcc到(2*Vcc),制订这一电压局限的缘由是,由全反射所引发的过冲实际上的最大值是两倍的信号摆幅。 Gnd_Clamp的I/V曲线局限界说为-Vcc到Vcc,而Power_Clamp的I/V曲线局限是0到(2*Vcc)。要留意的是,Pullup 和Power_Clamp在IBIS文件中的电压Vtable为Vcc-Voutput。[Pulldown]| Voltage I(typ) I(min) I(max)-5.0V -40.0m -34.0m -45.0m-4.0V -39.0m -33.0m -43.0m| …0.0V 0.0m 0.0m 0.0m| …5.0V 40.0m 34.0m 45.0m10.0V 45.0m 4 0.0m 4 9.0m[Pullup] | Note: Vtable=Vcc -VoutputVoltage I(typ) I(min) I(max)-5.0V 32.0m 30.0m 35.0m-4.0V 3 1.0m 2 9.0m 33.0m| …0.0V 0.0m 0.0m 0.0m| …5.0V -32.0m -30.0m -35.0m10.0V -38.0m -35.0m -40.0m[GND C1amp]| Voltage I(typ) I(min) I(max)-5.0V -390 0.0m -3800.0m -4000.0m-0.7V -80.0m -75.0m -85.0m-0.6V -22.0m -20.0m -25.0m-0.5V -2.4m -2.0m -2.9m-0.4V 0.0m 0.0m 0.0m5.0V 0.0m 0.0m 0.0m[POWER Clamp] | Note:Vtable=Vcc—Voutput| Voltage I(typ) I(min) I(max)-5.0V 4450.0m NA NA-0.7V 95.0m NA NA-0.6V 23.0m NA NA-0.5V 2.4m NA NA-0.4V 0.0m NA NA0.0V 0.0m NA NARamp参数透露表现了缓冲器的上升和下降时间,Ramp中的dV是缓冲器输入电压由20%转变到80%间的差值。这一参数只计入了晶元电容C_comp的影 响,而不斟酌封装寄生参数的影响。有时也用dV/&曲线来描写一样的开关特征,相比之下dV/&曲线要加倍正确一些。R_load透露表现这 些数据是在什么样的负载状态下获得的,假如利用的是尺度的50 ohm负载,那末这一项是可选择的。[Ramp]| variable typ min maxdV/dt_r 2.20/1.06n 1.92/1.28n 2.49/650pdV/dt_f 2.46/1.21n 2.21/1.54n 2.70/770pR_load=300ohms下面所提到的这些数据都有三个值可供选择:典型值、最小值和最大值.这些是由任务情况的温度、电源电压和工艺制程的转变来决意的。利用各类数据的最小值 和最大值,就可以显示出模子的最差和最好情形。例如,要获得一个疾速的模子,可以利用最高值的电流、最快的ramp数据和最小的封装寄生参数:而要获得 慢速的模子则正好相反。在有的模子中,并不供应最小值和最大值,只是用N/A来透露表现,如下面举的Power Clamp的例子。而典型值在模子中是必需要供应的。封装寄生参数在IBIS模子文件顶用R_pkg、L_pkg和C_pkg来透露表现,假如在文件中对管脚的申明部份对每一个管脚又付与了详细的封装参数值,那末全局界说的封装参数就不起作用。在后面给出的IBIS文件的例子中可以看到,每一部分的开首都由方括号最先,在方括号中的是界说语句的关键字,它对跟在前面的数据作出了申明,如许仿真器 就可以利用这些数据。在一个IBIS文件中,有的关键字是必需的,而有的则是可选择的。一个有用的IBIS文件必需包孕以下三部份的数据和关键字: 被摹拟的器件及IBIS文件自己的信息,包括这些信息的关键字为[IBIS Ver]、[FileName]、 [File Rev]、 [Component]、 [Manufacturer]。 与封装的电气特征相干的信息和管脚散布情形,用关键字[Package]和[Pin]申明。 摹拟器件的输出、输入及I/O缓冲器所需的数据,用关键字[Model]、[Pullup]、[Pulldown]、 [GND Camp]、 [Power Clamp]和[Ramp]申明。 4、竖立IBIS模子

IBIS模子可以经由过程仿真器件的SPICE模子来取得,也可以用直接丈量的方式来取得。作为最终用户,最罕见的方式是到半导体制造厂商的网站上去下载各类器件的IBIS模子,在利用前要对获得的IBIS模子停止语法搜检。

竖立一个器件的IBIS模子需求以下几个步调: 停止竖立模子前的预备任务。这包孕了:决意模子的复杂程度;凭据模子所要显示的内容和元件任务的情况,来肯定电压和温度局限和制程限制等身分;获得元件相干信息,如电气特征和管脚散布;器件的运用信息。 完成了下面的任务后,接下来就是要取得I-V曲线或上升/下落曲线的数据,这可以经由过程直接丈量或是仿真获得。 将获得的数据写入IBIS模子。分歧的数据在各自响应的关键字后列出,要留意知足IBIS的语法请求。 初步竖立了模子后,该当用s2iplt等对象来检查以图形体式格局显示的V/I曲线,并搜检模子的语法是不是准确。假如模子是经由过程仿真获得的,该当离别用IBIS模子和最后的晶体管级模子停止仿真,对照其效果,以磨练模子的正确性。 获得了现实的器件后,或假如模子是由丈量获得的,要对模型的输入波形和丈量的波形停止对照。 5、利用IBIS模子

IBIS模子可以经由过程仿真器件的SPICE模子来取得,也可以用直接丈量的方式来取得。最为最终用户,最罕见的方式是到半导体制造厂商的网站上去下载各类器件的IBIS模子,在利用前要对获得的IBIS模子停止语法搜检。

上算dt

IBIS模子首要用于板级零碎或多板旌旗灯号的旌旗灯号完整性剖析。可以用IBIS模子剖析的旌旗灯号完整性成绩包孕:串扰、反射、振铃、上冲、下冲、不婚配阻抗、传 输线剖析、拓扑构造剖析等等。IBIS模子特别可以或许对高速旌旗灯号的振铃和串扰停止正确邃密的仿真,它可用于检测最坏情形的上升时间前提下的旌旗灯号行动,和一 些用物理测试没法处理的成绩。在利用时,用户用PCB的数据库来生成电路板上的连线的传输线模子,然后将IBIS模子赋给电路板上响应的驱动端或接收端, 就可以停止仿真了。

图2和图3给出了一个用IBIS模子停止旌旗灯号完整性剖析的例子。可以看到,在利用IBIS模子停止仿真后,发明旌旗灯号质量欠安,因而接纳了添加终端婚配的方式,使旌旗灯号质量有了较大的改良。

图2 未添加终端婚配的例子

图3 添加了串连婚配的例子

为了知足多板旌旗灯号仿真的请求,IBIS最新的版本Version3.2中添加了EBD(ElectricalBoard Description)的新特色。EBD模子的根基语法与IBIS模子沟通,它是将整块电路板做为一个器件来看待,如许,在多板仿真时就可以直接挪用 EBD模子,而不消关怀EBD模子所描写的电路板外部的具体情况。利用一些电路

保举浏览:[网盘下载]1stOpt15PRO.exe

1stOpt15PRO.exe

起原:其它网盘 类型:软件 分享者:Yahui要起劲 分享时候:2015-01-13 17:52 文件个数:1 巨细:6.4 MB

× 平安提醒: 由于我们看到这个文件能够包括可以在你的电脑或手机履行的法式,请必然记得杀毒后履行。 我晓得了

去下载 守法 \ 违规告发

赞 踩 评论 珍藏 分享

人人立场(个体负面能够是误点) 很不错 (1) 已被删 (1)

优良保举

声名:点点文档不存储任何实体文件,搜刮效果均为爬虫抓取索引互联网网页

如你发明或以为链接存在违规侵权,冒犯您所在地司法的效果,请立刻向所属链接(百度网盘,新浪网盘等文件托管机构)告发。

1. 百度网盘违规告发:http://tousu.百度.com/pan/add

2. 百度网盘侵权告发:http://copyright.百度.com/index.php/index/complaint

3. 联络本站客服邮箱:cilidiandian@gmail.com 告发,点点文档将在三个工作日以内答复并屏障相干链接和效果。

点点文档尊敬并情愿珍爱个人隐私,假如搜刮到的文件触及个人隐私,请立刻邮件联络我们,我们将三个工作日以内屏障效果。

保举浏览:[论文解读]NBDT: Neural-Backed Decision Trees

NBDT: Neural-Backed Decision Trees

简介

论文题目

NBDT: Neural-Backed Decision Trees

NBDT:神经支撑决策树

2020.1

进献

我们提出了一种将任何分类神经网络作为决策树运转的方式,方式是界说一组嵌入的决议计划划定规矩,这些划定规矩可以从完整连通层组织出来。我们还设计了易于神经网络进修的引诱层次结构。

我们提出了树监视丧失,它使神经网络的准确率进步了0.5个百分点,并发生了高精度的NBDT。我们在小型、中型和大型图象分类数据集上证实了我们的NBDT到达了与神经网络相当的精度。

我们为我们的模子决议计划供应了语义注释的定性和定量证据。

该对象可以直接在以下地址在线利用:

Demo:http://nbdt.alvinwan.com/demo/

Colab:http://nbdt.alvinwan.com/notebook/

git : https://github.com/alvinwan/neural-backed-decision-trees

论文:https://arxiv.org/abs/2004.00221

论文中先讲的推理后讲的练习

摘要

深度进修正被用于需求正确和公道的猜测的情况中,从金融到医学成像。固然比来有为模子猜测供应过后注释的任务,但索求更直接可注释的模子以婚配最先辈的准确性的任务绝对较少。从汗青上看,决策树一向是均衡可解释性和准确性的黄金尺度。但是,比来将决策树与深度进修相结合的测验考试致使了以下模子:(1)即便在较小的数据集(例如MNIST)上,完成的精度也远远低于古代神经网络(例如ResNet),和(2)需求明显分歧的体系结构,迫使实践者在准确性和可解释性之间做出选择。我们经由过程建立神经支撑的决策树(NBDs)来脱节这一窘境,它(1)完成了神经网络的准确性,(2)不需求对神经网络的体系结构停止任何改动。利用最新的WideResNet,NBDT在CIFAR10、CIFAR100、TinyImageNet上的根基神经网络的精确度在1%之内;在ImageNet上,NBDT在EfficientNet上的精确度在2%之内。这在ImageNet上发生了最先辈的可注释模子,NBDT将基准∼进步了14%到75.30%TOP-1准确率。另外,我们还经由过程半自动进程展现了我们模子决议计划的定性和定量可解释性。代码和事后培训的NBDT可以在github.com/alvinwan/neuralbacked-decision-trees.上找到。

初步

在这项任务中,我们提出了神经支撑决策树(NBDT)来使最先辈的计算机视觉模子具有可解释性。这些NBDT不需求非凡的体系结构:任何用于图象分类的神经网络都可以经由过程微调和自定义丧失转换成NBDT。另外,NBDT经由过程将图象分类分解成中央决议计划序列来履行推理。然后,这个决议计划序列可以映照到更多可注释的概念,并在底层类中揭露可感知的信息层次结构。要害的是,与计算机视觉中关于决策树的先前任务比拟,NBDT在CIFAR10[18]、CIFAR100[18]、TinyImageNet[19]和ImageNet[8]上的最新效果具有竞争力,而且比基于可比决策树的方式精确度大大提高(高达18%),同时也更易于注释。

我们引见了一种针对NBDT的两阶段练习进程。起首,我们较量争论一个条理,称为引诱条理(图1,步调1)。该层次结构是从已在目的数据集上练习的神经网络的权重导出的。其次,我们利用专门为该树设计的自定义丧失来微调收集,称为树监视丧失(图1,步调2)。这类丧失迫使模子在给定固定的树层次结构的情形下最大化决策树的准确性。然后,我们分两步停止推理:(1)利用收集骨干(图1,步调3)为每幅练习图象组织特点.然后,对每一个节点,我们在给定决策树层次结构的情形下,在收集的权重空间中较量争论最能代表其子树中的叶子的向量-我们将该向量称为代表性向量。(2)从根节点最先,将每一个样本发送给与样本具有最类似代表向量的子节点。我们持续采摘和遍历这棵树,直到我们达到一片树叶。与此叶相干的类是我们的猜测(图1,步调4)。这与引入可解释性妨碍的相干任务构成比较,例如不纯树叶[16]或模子鸠合[1,16]

图1:神经支撑诊断树。在步调1中,我们利用事后练习的收集的完整毗邻层权重来构建层次结构(第3.2节)。在步调2中,我们利用自定义消耗(秒)微调收集。3.3)。在步调3中,我们利用神经网络骨干对样本停止特点化。在步调4中,我们利用完整毗邻层的权重来运转决议计划划定规矩(SEC。3.1)。如上所示,步调3中的橙色箭头与步调4中的树的橙色节点相关联。一样,绿色箭头映照到绿色节点。该树获得传入样本与橙色w1和绿色w2矢量中的每一个之间的内积;猜测具有较高内积的叶子。

若何构建树,若何练习树,若何选择树分类

相干任务

从决策树到神经网络。比来的任务还用决策树[13]供应的权重收获神经网络,从新引发了人们对基于梯度的方式[29]的爱好。这些方式在UCI数据集[9]上显示了异常稀少特点和稀少样本的经历证据。

神经网络到决策树 比来的任务[10]利用蒸馏,练习决策树来摹拟神经网络的输入输出函数。一切这些任务都是在复杂的数据集(如UCI[9]或MNIST[20])上停止评价,而我们的方式是在更庞杂的数据集(如CIF

AR10[18]、CIF AR100[18]和TinyImageNet[19])上停止评价。

将神经网络与决策树相结合。比来的任务是将神经网络与决策树相结合,将推理扩大到有许多高维样本数据集。深度神经决议计划丛林[16]的机能与ImageNet上的神经网络相匹配。但是,这产生在残剩收集最先之前,经由过程利用不纯的树叶和需求丛林来就义模子的可解释性。Murthy等人。[23]提出为决策树中的每一个节点竖立一个新的神经网络,并给出可注释的输入。艾哈迈德等人。1经由过程在一切节点之间同享骨干来点窜这一点,但仅支撑深度-2树;NofE以为ImageNet的机能与ResNet之前的架构相媲美。我们的方式进一步竖立在此基础上,不但同享骨干,并且同享完整毗邻层;另外,我们在连结可解释性的同时,还显示了与最先辈的神经网络(包孕残差收集)的竞争机能。

一些任务没有明白地将神经网络和决策树相结合,而是从决策树中鉴戒了神经网络的思惟,反之亦然。特殊地,几种从新设计的神经网络构造行使决策树分支构造[35,21,34]。固然精确度进步了,但这类方式就义了决策树的可解释性。其他人利用决策树来剖析神经网络权重[39,24]。这会带来相反的结果,要末就义准确性,要末不支撑猜测机制。正如我们假定和展现的那样,高精度的决策树对注释和注释高精度的模子是需要的。另外,我们具有竞争力的机能注解,不需求就义准确性和可解释性。

视觉注释。一个正交但占主导地位的可解释性偏向包孕生成明显图,该图凸起神经网络决议计划所利用的空间证据[30,37,28,38,27,26,25,31]。诸如指导反向流传[30]、去卷积[37,28]、GradCAM[27]和积分梯度[31]之类的白盒手艺利用收集的梯度来肯定图象中最明显的区域,而诸如LIME[26]和RISE[25]之类的黑盒手艺经由过程扰动输出并丈量猜测中的转变来肯定像素重要性。明显图只注释单个图象,当收集出于毛病的缘由(例如,一只鸟被毛病地归类为飞机)检查准确的器械时,它是没有匡助的。另一方面,我们的方式在全部数据集上透露表现模子的先验,并显式地将每一个分类分化为一系列中央决议计划。

方式

在本节中,我们描写了将任何分类神经网络转换为决策树的建议步调,如图1所示:

(1)竖立引诱层次结构(SEC。3.2)、

(2)利用树监视丧失(SEC)对模型停止微调。3.3)。

对推理,(3)利用神经网络骨干对样本停止特点化,

和(4)运转嵌入在完整毗邻层(SEC)中的决议计划划定规矩。3.1)。

利用嵌入式决议计划划定规矩停止推理

起首,我们的NBDT方式利用神经网络骨干对每一个样本停止特点化;骨干由终究完整毗邻层之前的一切神经网络层构成。

其次,在每一个节点,我们取特点化样本x∈Rd与每一个子节点的代表向量ri之间的内积。请留意,一切代表向量都是从神经网络的完整连通层权重计算出来的。是以,这些决议计划划定规矩被“嵌入”在神经网络中。

第三,我们利用这些内积来做出硬决议计划或软决议计划,以下所述。

为了鼓励我们为何利用内积,我们将起首构建一个等价于完整毗邻层的退步决策树

完整毗邻层

全毗邻层的权重矩阵为 W ∈ R k × d W \in \mathbb{R}^{k \times d} W∈Rk×d。用特点化样运转推理是矩阵向量的乘积:

个中, ⟨ x , w i ⟩ = y ^ i \left\langle x, w_{i}\right\rangle=\hat{y}_{i} ⟨x,wi​⟩=y^​i​,最大的就是猜测的

决策树

斟酌一棵最小树,它有一个根节点和k个子节点。每一个子节点是叶,而且每一个子节点具有代表向量,即行向量 r i = w i r_{i}=w_{i} ri​=wi​。用特点化样本x运转揣摸意味着取x和每一个子节点的代表向量ri之间的内积,其被写为 ⟨ x , r i ⟩ = ⟨ x , w i ⟩ = y ^ i \left\langle x, r_{i}\right\rangle=\left\langle x, w_{i}\right\rangle=\hat{y}_{i} ⟨x,ri​⟩=⟨x,wi​⟩=y^​i​。与全毗邻层一样,最大乘积 y ^ i \hat{y}_{i} y^​i​的目标也是我们的类猜测。图2(B.)申明了这一点。

虽然这两个较量争论的透露表现体式格局分歧,但都是经由过程取最大内积 argmax ⁡ ⟨ x , w i ⟩ \operatorname{argmax}\left\langle x, w_{i}\right\rangle argmax⟨x,wi​⟩的索引来猜测类。我们将决策树推理称为运转嵌入式决议计划划定规矩。

接下来,我们将朴实决策树扩大到退步情形以外。我们的判决划定规矩请求每一个子节点具有代表性向量ri。是以,假如我们将一个非叶子子代添加到根,那末这个非叶子子代将需求一个代表性向量。我们无邪地以为非叶的代表向量是一切子树的叶的代表向量的平均值。对包括中央节点的更庞杂的树结构,如今有两种体式格局来运转推理:

硬决策树 。较量争论一切子节点上每一个节点的argmax。对每一个节点,获得与最大内积对应的子节点,并遍历该子节点。这个进程选择一片叶子(图2,A.硬)。

。较量争论一切子节点上每一个节点的argmax。对每一个节点,获得与最大内积对应的子节点,并遍历该子节点。这个进程选择一片叶子(图2,A.硬)。 软决策树。在每一个节点上较量争论一切子节点上的Softmax,以取得每一个节点上每一个子节点的几率。对每一个叶,获得从其父级遍历该叶的几率。然后取遍历树叶的父代与其祖辈的几率。持续直到达到根部。这个乘积是那片叶子及其到根部的途径的几率。树遍历将为每一个叶生成一个几率。在这个叶子散布上较量争论argmax,以选择一个叶子(图2,C.Soft)。

这答应我们将任何分类神经网络作为嵌入的决议计划划定规矩序列来运转。但是,以这类体式格局复杂地运转尺度成绩的事后练习的神经网络将致使较差的精度。在下一节中,我们将评论辩论若何经由过程微调神经网络使其在肯定层次结构后履行优越,从而最大限制地进步精度。

笔记:

骨干部份: 完整毗邻层之前的一切神经网络层

完整毗邻层用于拆成决策树

每一个节点都有对应的一行向量,个中

叶子节点的特征向量对应原有的权重矩阵中的一行向量

非叶子节对应其子树叶子的一切特征向量的平均值,

树的构造是经由过程条理聚类或是wordnet预定义层次结构而来的

若何选择分支是经由过程取最大内积 argmax ⁡ ⟨ x , w i ⟩ \operatorname{argmax}\left\langle x, w_{i}\right\rangle argmax⟨x,wi​⟩的体式格局来的,称为嵌入式决议计划划定规矩

首要是讲若何经由过程内积选择分支

构建引诱层次结构

利用上述内积决议计划划定规矩,收集可以直观地更轻易地进修决策树层次结构。这些更轻易的层次结构可以更正确地反应收集是若何到达高精度的。为此,我们对从完整毗邻的层权重W提取的类代表W运转分层群集聚类,如上一节所述。3.1,每一个叶是一个Wi(图3,步调B),而且每一个中央节点的代表向量是其子树叶子的一切代表的平均值(图3,步调C)。我们把这个条理称为引诱条理(图3)。

另外,我们还利用另一种基于WordNet的层次结构停止了实行。Wordnet[22]供应了一个现有的名词层次结构,我们行使它在说话大将每一个数据集中的类联络起来。我们找到了WordNet层次结构的最小子集,个中包孕一切类作为叶子,修剪冗余的叶子和票据中央节点。是以,WordNet关系为该候选决策树供应了“自在”和可注释的标签,例如将一只猫也归类为哺乳动物和生物。为了行使这个“自在”的标签源,我们经由过程找到每一个子树叶子的最早先人,为引诱层次结构中的每一个中央节点主动生成假定。

图3:构建引诱层次结构。步调A,将事后练习好的神经网络终究的全连通层的权值加载到权重矩阵 W ∈ R d × k W \in \mathbb{R}^{d \times k} W∈Rd×k;步调B,以W为代表的每一列作为每一个叶节点的代表向量。例如,A中的白色w1被指定给B中的白色叶子。步调C利用每对叶子的平均值作为父代的代表向量。例如,B中的w1和w2(白色和紫色)均匀为C中的w5(蓝色)。步调D。对每一个先人,取其根地点的子树。子树中一切树叶的均匀透露表现向量。这个平均值是先人的代表性矢量。在这个图中,先人是根,所以它的代表向量是一切叶子w1、w2、w3、w4的平均值。

这幅图申明了若何构建一棵树,留意构建树之前普通需求预练习的权重

用树木监视丧失停止练习

下面提出的一切决策树都有一个首要成绩:即便勉励原始神经网络为每一类星散代表向量,但它没有被练习为为每一个外部节点星散代表向量。图4申明了这一点。为了处理这个成绩,我们添加了丧失项,勉励神经网络在练习时代星散外部节点的代表。如今我们顺次注释硬决议计划划定规矩和软决议计划划定规矩的附加丧失条目(图5)。

图4:病理性诊断树。在地块中,一簇点用绿色圆圈符号,另一簇用黄色符号。每一个圆的中间由它的两个灰点的平均值给出。在每一个画图的右边绘制响应的决策树。答:一旦给出一个点,决策树的根将较量争论具有最接近代表向量(绿色或黄色的点)的子节点。请留意,类4(白色)的一切样本将比准确的父级(绿色)更接近毛病的父级(黄色)。这是因为A试图用4聚类2,用3聚1。是以,神经网络很难取得高精度,由于它需求大幅挪动一切的点来辨别黄色和绿色的点。B:对沟通的点,这棵树将1与2聚为一簇,而将3与4聚为一簇,从而发生更多可星散的簇。请留意,B中的决议计划界限(虚线)绝对于绿点和黄点的边距要大得多。是以,对神经网络来讲,这棵树更轻易对点停止准确分类。

图A:白色点是绿色类,但他更接近黄色点的圆心而不是绿色

图B:这类情形下划分好,不轻易失足

因为直接利用平均值作为特征向量有误差,所以这里添加了丧失函数

对硬决议计划划定规矩,我们利用硬树监视丧失。原始神经网络的丧失 L original \mathcal{L}_{\text {original }} Loriginal ​最小化了跨类的穿插熵。对k类数据集,这是k路穿插熵丧失。每一个外部节点的目的是类似的,最小化跨子节点的穿插熵丧失。对具有c个子节点的节点i,这是猜测几率 D ( i ) pred \mathcal{D}(i)_{\text {pred }} D(i)pred ​和标签 D ( i ) label \mathcal{D}(i)_{\text {label }} D(i)label ​之间的c路穿插熵丧失。我们将这组新的丧失术语称为硬树监视丧失(等式2)。默许情形下,每一个节点的单个穿插熵丧失被缩放,使得原始穿插熵丧失和树监视丧失被相等地加权。我们在SEC中测试了各类权重计划。4.2.。假如我们假定树中有N个节点(不包孕树叶),那末我们将有N+1个分歧的穿插熵丧失项-原始的穿插熵丧失项和N个硬树监视丧失项。这是 L original + L hard \mathcal{L}_{\text {original }}+\mathcal{L}_{\text {hard }} Loriginal ​+Lhard ​,个中:

L h a r d = 1 N ∑ i = 1 N CROSSENTROPY ⁡ ( D ( i ) pred , D ( i ) label ) ⏟ over the c children for each node \mathcal{L}_{\mathrm{hard}}=\frac{1}{N} \sum_{i=1}^{N} \underbrace{\operatorname{CROSSENTROPY}\left(\mathcal{D}(i)_{\text {pred }}, \mathcal{D}(i)_{\text {label }}\right)}_{\text {over the } c \text { children for each node }} Lhard​=N1​i=1∑N​over the c children for each node CROSSENTROPY(D(i)pred ​,D(i)label ​)​​

对软决议计划划定规矩,我们利用软树监视丧失。在3.1节中,我们描写了软决策树若何在树叶上供应单一散布Dpred。我们在这个散布上增添了穿插熵丧失。总共有2个分歧的穿插熵丧失项-原始穿插熵丧失项和软树监视丧失项。这是 L original + L soft \mathcal{L}_{\text {original }}+\mathcal{L}_{\text {soft }} Loriginal ​+Lsoft ​,个中:

L soft = CROSSENTROPY ( D pred , D label ) \mathcal{L}_{\text {soft }}=\text { CROSSENTROPY }\left(\mathcal{D}_{\text {pred }}, \mathcal{D}_{\text {label }}\right) Lsoft ​= CROSSENTROPY (Dpred ​,Dlabel ​)

硬决策树由于每一个节点都是一个概率分布,所以每一个节点都算一次穿插熵

软决策树由于全体遵守一个概率分布,所以只在叶子上算一次穿插熵

图5:树监视丧失有两种变体:硬树监视丧失(A)界说了每一个节点的穿插熵项。蓝色节点的蓝色框和橙色节点的橙色框申明了这一点。穿插熵被取而代之的是子节点几率。绿色节点是标签叶。虚线节点不包孕在从标签到根的途径中,是以没有界说的消耗。软树监视丧失(B)界说了一切叶几率上的穿插熵丧失。绿叶的几率是通向根部的几率的乘积(在本例中, ⟨ x , w 2 ⟩ ⟨ x , w 6 ⟩ = 0.6 × 0.7 \left\langle x, w_{2}\right\rangle\left\langle x, w_{6}\right\rangle=0.6 \times 0.7 ⟨x,w2​⟩⟨x,w6​⟩=0.6×0.7)。其他树叶的几率被雷同地界说。每一个叶几率用一个黑色方框透露表现。然后在该叶概率分布上较量争论穿插熵,该散布由坐在彼此直接相邻的黑色框透露表现。

实行效果剖析

精度表格略

节点语义的可解释性

因为引诱条理是利用模子权重构建的,是以不会强迫对特定属性停止拆分。固然像WordNet如许的层次结构为节点的寄义供应了假定,但图6显示WordNet是不敷的,由于树能够会在上下文属性(如水下和海洋)上盘据。为了诊断节点寄义,我们履行以下4步测试:

图6:利用(A)WordNet层次结构和(B)来自训练有素的ResNet10模子的引诱树,对TinyImageNet中的10个类停止树可视化。

假定节点的寄义(例如,植物与车辆)。这一假定可以从给定的分类法(如WordNet)主动计算出来,也可以从手动搜检每一个孩子的叶子中推导出来(图7)。 搜集一个数据集,个中包括测试步骤1中节点的假定寄义的新的、看不见的类(例如,Elephant是一种看不见的植物)。此数据集中的样本称为散布外样本,由于它们是从零丁符号的数据集中提取的。 将此数据集中的样本传递给相干节点。对每一个样本,搜检所选子节点是不是与假定分歧。 假定的准确性是传递给准确孩子的样本的百分比。假如精确度较低,请利用分歧的假定反复。

这个进程主动验证WordNet假定,但WordNet以外的假定需求人工干预。图7a描写了由在CIFAR10上练习的WideResNet28x10模子引诱的CIFAR10树。我们的假定是,根节点在Animal和Vehicle上盘据。我们从CIF

AR100搜集在培训时候看不到的植物和车辆类的分发外图象。然后我们较量争论假定的准确性。图7b显示了我们的假定正确地猜测了每一个看不见的类的样本遍历的是哪一个子类。

留意,引诱出来的树形构造需求搜检或主动推导每一个非叶子节点的寄义

防止准确性与可解释性的衡量

入的分层构造在权重空间中对群集向量停止分类,然则在权重空间中接近的类能够不具有雷同的语义寄义:图8离别描画了由WideResNet20x10和ResNet10引诱的树。固然WideResNet引诱的层次结构(图8A)对语义类似的类停止分组,但ResNet(图8B)引诱的层次结构不是如许,将田鸡、猫和飞机等类分组。WideResNet的准确率进步了4%,这注释了语义意义上的差别:我们以为,准确度越高的模子在语义上显示出更多的声响权重空间。是以,与之前的任务分歧的是,NBDT的特色是更好的可解释性和更高的准确性,而不是就义一个来换取另一个。另外,层次结构中的差别注解,低精度、可注释的模子不克不及供应对高精度决议计划的洞察力;需求可注释的、最先辈的模子来注释最先辈的神经网络。

左侧的精度高,解释性也好,用来证实精度和解释性是可以相反相成的

值得注意的是,在具有 10 个类(如 CIFAR10)的小型数据集中,研究者可以找到一切节点的 WordNet 假定。然则,在具有 1000 个种别的大型数据集(即 ImageNet)中,则只能找到节点子集中的 WordNet 假定。

小型分类上可以用wordnet去注释节点,但大型分类收集则不克不及悉数都找到wordnet上的注释

树遍历的可视化完成

为了不但注释树层次结构,也注释树遍历,我们可视化了经由过程每一个节点的样本的百分比(图9)。这既凸起显示了准确的途径(最频仍遍历的途径),又答应我们注释罕见的毛病途径(图9A)。具体地说,我们可以注释遍历节点的叶子之间同享的属性。这些属性可以是配景或场景,但也可以是色彩或外形。图9B描画了描写上下文的样本的途径。在这类情形下,很少有植物在海滨情况中被认出,而船只几近老是在谁人情况中被看到。图9C描写了属于不相符假定节点的属性但连结途径一致性的非散布类的样本的途径。在这类情形下,泰迪偏向于动物类,特殊是狗,由于它有类似的外形和视觉特点。

图9:三个分歧类的途径遍历频率的可视化。(A)分派类:马利用在练习中发明的类样本。中央节点的假定寄义来自WordNet。(B)配景类:海边利用练习时看不到的样本,注解对配景的依靠。©搅浑类:Teddy利用在节点寄义中辨认边沿情形的样本。

况下,泰迪偏向于动物类,特殊是狗,由于它有类似的外形和视觉特点。

[外链图片转存中…(img-zbTn0SCl-1588410850893)]

图9:三个分歧类的途径遍历频率的可视化。(A)分派类:马利用在练习中发明的类样本。中央节点的假定寄义来自WordNet。(B)配景类:海边利用练习时看不到的样本,注解对配景的依靠。©搅浑类:Teddy利用在节点寄义中辨认

本文来自网络,不代表客家人_客家文化_客家网_客家祖地网立场,转载请注明出处:https://www.hakkaroot.com/41511.html

作者: admin

为您推荐

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

联系我们

联系我们

13000001211

在线咨询: QQ交谈

邮箱: email@wangzhan.com

关注微信
微信扫一扫关注我们

微信扫一扫关注我们

关注微博
返回顶部