論文の概要: CSM-NN: Current Source Model Based Logic Circuit Simulation -- A Neural Network Approach

• arxiv url: http://arxiv.org/abs/2002.05291v1
• Date: Thu, 13 Feb 2020 00:29:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 10:10:28.667487
• Title: CSM-NN: Current Source Model Based Logic Circuit Simulation -- A Neural Network Approach
• Title（参考訳）: CSM-NN:電流源モデルに基づく論理回路シミュレーション-ニューラルネットワークによるアプローチ
• Authors: Mohammad Saeed Abrishami, Massoud Pedram, Shahin Nazarian
• Abstract要約: CSM-NNは、最適化されたニューラルネットワーク構造と処理アルゴリズムを備えたスケーラブルなシミュレーションフレームワークである。 実験によると、CSM-NNはCPU上で動作する最先端のソースモデルベースのシミュレータと比較して、シミュレーション時間を最大6倍に短縮する。 CSM-NNはまた、HSPICEと比較して2%以下の誤差で高い精度のレベルを提供する。
• 参考スコア（独自算出の注目度）: 5.365198933008246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The miniaturization of transistors down to 5nm and beyond, plus the increasing complexity of integrated circuits, significantly aggravate short channel effects, and demand analysis and optimization of more design corners and modes. Simulators need to model output variables related to circuit timing, power, noise, etc., which exhibit nonlinear behavior. The existing simulation and sign-off tools, based on a combination of closed-form expressions and lookup tables are either inaccurate or slow, when dealing with circuits with more than billions of transistors. In this work, we present CSM-NN, a scalable simulation framework with optimized neural network structures and processing algorithms. CSM-NN is aimed at optimizing the simulation time by accounting for the latency of the required memory query and computation, given the underlying CPU and GPU parallel processing capabilities. Experimental results show that CSM-NN reduces the simulation time by up to $6\times$ compared to a state-of-the-art current source model based simulator running on a CPU. This speedup improves by up to $15\times$ when running on a GPU. CSM-NN also provides high accuracy levels, with less than $2\%$ error, compared to HSPICE.
• Abstract（参考訳）: トランジスタの小型化は5nm以上となり、集積回路の複雑さが増大し、短いチャネル効果が著しく悪化し、より多くの設計コーナーやモードの需要分析と最適化が行われる。 シミュレータは非線形挙動を示す回路タイミング、電力、ノイズなどに関連する出力変数をモデル化する必要がある。 クローズドフォーム式とルックアップテーブルの組み合わせに基づく既存のシミュレーションとサインオフツールは、数十億以上のトランジスタを持つ回路を扱う場合、不正確なか遅いかのいずれかである。 本稿では,ニューラルネットワーク構造と処理アルゴリズムを最適化したスケーラブルなシミュレーションフレームワークcsm-nnを提案する。 CSM-NNは、基礎となるCPUとGPU並列処理の機能を考えると、必要なメモリクエリと計算のレイテンシを考慮してシミュレーション時間を最適化することを目的としている。 実験結果から,CSM-NNはCPU上で動作する最先端の電流源モデルベースシミュレータと比較して,最大6\times$のシミュレーション時間を短縮した。 このスピードアップは、GPU上で動作する場合、最大15\times$で改善される。 CSM-NNはまた、HSPICEと比較して2\%以下の誤差で高い精度のレベルを提供する。

関連論文リスト

• Scalable Mechanistic Neural Networks [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。 その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• Graph Convolutional Neural Networks as Surrogate Models for Climate Simulation [0.1884913108327873]
  我々は,完全接続型ニューラルネットワーク(FCNN)とグラフ畳み込み型ニューラルネットワーク(GCNN)を活用し,高速なシミュレーションと不確実性定量化を実現する。 我々のサロゲートは、1つのA100 GPUで約310秒で80年シミュレーションしましたが、ESMモデルでは数週間でした。
  論文  参考訳（メタデータ） (2024-09-19T14:41:15Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• MemSE: Fast MSE Prediction for Noisy Memristor-Based DNN Accelerators [5.553959304125023]
  我々は,行列ベクトル乗算(MVM)を計算するためにmemristorを用いたDNNの平均二乗誤差を理論的に解析する。 DNNモデルのサイズを小さくする必要性から量子化ノイズと、中間値のプログラミングにおける可変性から生じるプログラミングノイズの両方を考慮に入れている。 提案手法はモンテカルロシミュレーションよりも約2桁高速であり, 与えられた電力制約に対して最小限の誤差を達成するために, 実装パラメータを最適化することができる。
  論文  参考訳（メタデータ） (2022-05-03T18:10:43Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Parallel Simulation of Quantum Networks with Distributed Quantum State Management [56.24769206561207]
  我々は、量子ネットワークの並列シミュレーションの要件を特定し、最初の並列離散事象量子ネットワークシミュレータを開発する。 コントリビューションには、複数のプロセスに分散した共有量子情報を維持する量子状態マネージャの設計と開発が含まれています。 既存のシーケンシャルバージョンと並行してオープンソースツールとして,並列SeQUeNCeシミュレータをリリースする。
  論文  参考訳（メタデータ） (2021-11-06T16:51:17Z)
• SEMULATOR: Emulating the Dynamics of Crossbar Array-based Analog Neural System with Regression Neural Networks [1.370633147306388]
  本稿では,深層ニューラルネットワークを用いてクロスバー型アナログコンピューティングシステムの動作をエミュレートする手法SEMULATORを提案する。 提案したニューラルアーキテクチャを用いて,実験および理論的に,ニューラル計算のためのMACユニットをエミュレートすることを示した。
  論文  参考訳（メタデータ） (2021-01-19T21:08:33Z)
• Fast simulations of highly-connected spiking cortical models using GPUs [0.0]
  本稿では,C++プログラミング言語で記述されたスパイクニューラルネットワークモデルの大規模シミュレーションのためのライブラリを提案する。 本稿では,生物活動の1秒あたりのシミュレーション時間の観点から,提案ライブラリが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-07-28T13:58:50Z)
• NN-PARS: A Parallelized Neural Network Based Circuit Simulation Framework [6.644753932694431]
  既存の回路シミュレータは、数十億のトランジスタを持つ設計の非線形挙動を分析するのに遅いか不正確なかのいずれかである。 シミュレーションタスクのイベント駆動スケジューリングを最適化したニューラルネットワーク(NN)ベースの並列回路シミュレーションフレームワークであるNN-PARSを提案する。 NN-PARSは、最先端の電流ベースシミュレーション法と比較して、大容量回路における2桁以上のシミュレーション時間を短縮することを示した。
  論文  参考訳（メタデータ） (2020-02-13T00:34:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。