論文の概要: Machine Learning to Tackle the Challenges of Transient and Soft Errors in Complex Circuits

• arxiv url: http://arxiv.org/abs/2002.08882v1
• Date: Tue, 18 Feb 2020 18:38:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 20:43:50.618350
• Title: Machine Learning to Tackle the Challenges of Transient and Soft Errors in Complex Circuits
• Title（参考訳）: 複雑回路における過渡的・ソフトなエラーに対処する機械学習
• Authors: Thomas Lange, Aneesh Balakrishnan, Maximilien Glorieux, Dan Alexandrescu, Luca Sterpone
• Abstract要約: 機械学習モデルは、回路インスタンスの完全なリストに対して、インスタンスごとの正確な関数デレートデータを予測するために使用される。 提案手法を実例に適用し,各種機械学習モデルの評価と比較を行った。
• 参考スコア（独自算出の注目度）: 0.16311150636417257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Functional Failure Rate analysis of today's complex circuits is a difficult task and requires a significant investment in terms of human efforts, processing resources and tool licenses. Thereby, de-rating or vulnerability factors are a major instrument of failure analysis efforts. Usually computationally intensive fault-injection simulation campaigns are required to obtain a fine-grained reliability metrics for the functional level. Therefore, the use of machine learning algorithms to assist this procedure and thus, optimising and enhancing fault injection efforts, is investigated in this paper. Specifically, machine learning models are used to predict accurate per-instance Functional De-Rating data for the full list of circuit instances, an objective that is difficult to reach using classical methods. The described methodology uses a set of per-instance features, extracted through an analysis approach, combining static elements (cell properties, circuit structure, synthesis attributes) and dynamic elements (signal activity). Reference data is obtained through first-principles fault simulation approaches. One part of this reference dataset is used to train the machine learning model and the remaining is used to validate and benchmark the accuracy of the trained tool. The presented methodology is applied on a practical example and various machine learning models are evaluated and compared.
• Abstract（参考訳）: 今日の複雑な回路の機能的故障率分析は難しい作業であり、人的努力、処理資源、ツールライセンスの面で大きな投資を必要とする。 これにより、デレーティングまたは脆弱性要因は、障害分析の取り組みの主要な手段となる。 通常、計算集約的なフォールトインジェクションシミュレーションキャンペーンは、機能レベルのきめ細かい信頼性メトリクスを取得するために必要である。 そこで本論文では,本手法を支援するために機械学習アルゴリズムを用いることにより,障害注入作業を最適化し,強化する。 具体的には、機械学習モデルを使用して、古典的な手法で到達するのが困難な回路インスタンスの完全なリストの正確なインスタンスごとの機能的デレーティングデータを予測する。 上記の手法は、静的要素(セル特性、回路構造、合成属性)と動的要素(シグナルアクティビティ)を組み合わせた分析アプローチによって抽出された、インテンス毎の機能セットを使用する。 第一原理故障シミュレーションアプローチにより参照データを得る。 この参照データセットの1つは機械学習モデルのトレーニングに使用され、残りの部分はトレーニングされたツールの精度の検証とベンチマークに使用される。 提案手法を実例に適用し,各種機械学習モデルの評価と比較を行った。

関連論文リスト

• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Generalization Properties of Retrieval-based Models [50.35325326050263]
  検索ベースの機械学習手法は、幅広い問題で成功をおさめた。 これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。 本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
  論文  参考訳（メタデータ） (2022-10-06T00:33:01Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)
• A Step Towards Efficient Evaluation of Complex Perception Tasks in Simulation [5.4954641673299145]
  単純化された低忠実度シミュレータを用いて,効率的な大規模テストを実現する手法を提案する。 我々のアプローチは、テスト中のタスクの計算集約的なコンポーネントに対応する効率的なサロゲートモデルを設計することに依存している。 計算コストを削減したCarlaシミュレータにおける自律運転タスクの性能を評価することで,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-09-28T13:50:21Z)
• Applying physics-based loss functions to neural networks for improved generalizability in mechanics problems [3.655021726150368]
  Informed Machine Learning(PIML)は、過去5年間で、科学者や研究者が機械学習の進歩によって得られる利点を活用するために勢いを増しています。 本研究では,物理に基づく損失関数の利用に対処する,PIMLを利用するための新しいアプローチについて論じる。
  論文  参考訳（メタデータ） (2021-04-30T20:31:09Z)
• Structured Prediction for CRiSP Inverse Kinematics Learning with Misspecified Robot Models [39.513301957826435]
  本稿では,データ駆動戦略とフォワードキネマティックス関数を組み合わせた構造化予測アルゴリズムを提案する。 提案手法により、予測された関節構成がロボットの制約内に適切に収まることが保証される。
  論文  参考訳（メタデータ） (2021-02-25T15:39:33Z)
• Learning Generalized Relational Heuristic Networks for Model-Agnostic Planning [29.714818991696088]
  本稿では,記号的行動モデルが存在しない場合の一般化を学習するための新しいアプローチを開発する。 データの効率的で一般化可能な学習を容易にするために、抽象状態表現を使用する。
  論文  参考訳（メタデータ） (2020-07-10T06:08:28Z)
• On the Estimation of Complex Circuits Functional Failure Rate by Machine Learning Techniques [0.16311150636417257]
  デレーティング(De-Rating)あるいは脆弱性要因(Vulnerability Factors)は、今日の機能的安全要件によって管理される障害分析の最大の特徴である。 機械学習を用いて個々のフリップフロップの関数的デレートを推定する新しい手法が提案されている。
  論文  参考訳（メタデータ） (2020-02-18T15:18:31Z)

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。