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
- Convolutional State Space Models for Long-Range Spatiotemporal Modeling [65.0993000439043]
ConvS5は、長距離時間モデリングのための効率的な変種である。
トランスフォーマーとConvNISTTMは、長い水平移動実験において、ConvLSTMより3倍速く、トランスフォーマーより400倍速くサンプルを生成する一方で、大幅に性能が向上した。
論文 参考訳(メタデータ) (2023-10-30T16:11:06Z) - Physics Informed Neural Networks for Phase Locked Loop Transient
Stability Assessment [0.0]
相ロックループ(PLL)のような電力電子制御器を用いて、グリッドとグリッドの同期性を維持することで、グリッドの故障時に高速な過渡的な動作を引き起こす。
本稿では,少ないラベル付きトレーニングデータを用いて,故障時のコントローラの過渡的ダイナミクスを正確に予測するニューラルネットワークアルゴリズムを提案する。
このアルゴリズムの性能は、CIGREベンチマークモデルC4.49のPSCADにおけるROMとEMTシミュレーションと比較され、グリッドインピーダンスの異なるコントローラの軌道とROAを正確に近似する能力を示している。
論文 参考訳(メタデータ) (2023-03-21T18:09:20Z) - 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) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳(メタデータ) (2022-03-29T21:18:47Z) - 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。