随着现代IC设计的规模越来越大,EDA工具的运行时间也越来越长,设计者不得不牺牲精度以换取速度,但是过低的精度会导致不必要的优化,因此通常需要在结果的精度和运行时间上做折衷。在时序分析当中同样也存在这种折衷。基于图的时序分析方法GBA（Graph-Based Timing Analysis）速度快,但精度低,而基于路径的时序分析方法PBA（Path-Based Timing Analysis）精度高,但是速度慢。在流程的早期,设计者通常会选择GBA模式,但是由于GBA结果精度低,需要花费更多的精力在修复违例路径上。如何快速得到精确的时序分析结果成为了一个急待解决的问题。本文基于机器学习方法,使用实习公司提供的时序分析工具平台以及芯片设计案例,分别采用神经网络和图神经网络对GBA和PBA时序信息预测展开研究,并进行了结果对比分析,并且将机器学习模型运用至PBA穷尽模式。论文的主要工作包括:首先本文提出将神经网络运用于时序预测上,于现有技术基础上,添加新的关键特征。为了防止预测结果过于乐观而导致的问题,本文将自定义损失函数运用于模型里,实现了从GBA的时序信息预测PBA时序信息。其次基于神经网络模型,本文创新性地提出一种运用图神经网络预测时序的方法。由于图神经网络与电路图的天然关系,采用图神经网络能够非常好的拟合电路图结构。在构建图神经网络模型时,采用附加小型输出神经网络等方法来提高预测精度。同时还提出了一种三步预测的方法,限制了过于乐观的预测值数量占比。通过使用图神经网络模型预测时序,设计者能够在流程早期就获得接近PBA精度的时序信息,需要修复的违例路径就会减少,从而加快设计过程。最后本文创新性地提出将任意机器学习模型运用于PBA穷尽模式的方法,该方法能改善输入路径的排序以加快PBA穷尽模式的运行速度。论文所有的工作和提出的新方法均在真实IC设计上进行测试。实验表明,神经网络模型在悲观平均值上至少减少了76.9%,而图神经网络模型也在悲观平均值上至少减少了61.3%,均比现有研究有一定程度的提升,证明了模型确实能够显著减少GBA的悲观性,使得设计者能够用比PBA更少的时间得到比GBA更加精确的结果。实验表明,神经网络模型预测结果中过于乐观的结果最多占整体的14.5%,而图神经网络模型预测结果中过于乐观的结果在一些情况下只占整体的约3%,而现有研究当中均没有考虑到该问题。在PBA穷尽模式上,实验表明运用预测模型将会使得搜索路径数目减少多达34%。三个实验均表明论文提出的模型与方法具有实践意义。