論文の概要: Adaptive Verifiability-Driven Strategy for Evolutionary Approximation of Arithmetic Circuits

• arxiv url: http://arxiv.org/abs/2003.02491v1
• Date: Thu, 5 Mar 2020 09:11:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 06:42:01.247928
• Title: Adaptive Verifiability-Driven Strategy for Evolutionary Approximation of Arithmetic Circuits
• Title（参考訳）: 適応verifiability-driven strategyによる算術回路の進化的近似
• Authors: Milan Ceska, Jiri Matyas, Vojtech Mrazek, Lukas Sekanina, Zdenek Vasicek, Tomas Vojnar
• Abstract要約: 電力消費の正しさを交換する複雑な近似回路を設計するための新しい手法を提案する。 提案手法は,近似誤差の形式的保証を提供する独自の形式的手法を進化回路最適化アルゴリズムに統合する。
• 参考スコア（独自算出の注目度）: 0.7242150882569264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel approach for designing complex approximate arithmetic circuits that trade correctness for power consumption and play important role in many energy-aware applications. Our approach integrates in a unique way formal methods providing formal guarantees on the approximation error into an evolutionary circuit optimisation algorithm. The key idea is to employ a novel adaptive search strategy that drives the evolution towards promptly verifiable approximate circuits. As demonstrated in an extensive experimental evaluation including several structurally different arithmetic circuits and target precisions, the search strategy provides superior scalability and versatility with respect to various approximation scenarios. Our approach significantly improves capabilities of the existing methods and paves a way towards an automated design process of provably-correct circuit approximations.
• Abstract（参考訳）: 本稿では,電力消費の正しさをトレードオフし,多くのエネルギー対応アプリケーションにおいて重要な役割を果たす複素近似算術回路の設計手法を提案する。 提案手法は,近似誤差の形式的保証を提供する独自の形式的手法を進化回路最適化アルゴリズムに統合する。 鍵となるアイデアは、迅速な検証可能な近似回路への進化を促す、新しい適応型探索戦略を採用することである。 いくつかの構造的に異なる算術回路と目標精度を含む広範な実験評価で示されているように、探索戦略は様々な近似シナリオに対して優れたスケーラビリティと汎用性を提供する。 提案手法は既存の手法の能力を大幅に向上させ,回路近似の自動設計プロセスへの道を開く。

関連論文リスト

• Optimization Algorithm Design via Electric Circuits [13.101300549333297]
  本稿では,電気RCC回路のアイデアを用いた凸最適化アルゴリズムの設計手法を提案する。 この手法の第一段階は、連続時間ダイナミクスが目の前の最適化問題の解に収束する適切な電気回路を設計することである。 第2段階は、連続時間力学のコンピュータ支援による自動離散化であり、証明可能な収束離散時間アルゴリズムをもたらす。
  論文  参考訳（メタデータ） (2024-11-04T20:10:59Z)
• A Full Adagrad algorithm with O(Nd) operations [4.389938747401259]
  この研究は大規模アプリケーションのための効率的で実用的なアルゴリズムを提供する。 この革新的な戦略は、一般的にフルマトリックスメソッドに関連する複雑さとリソース要求を著しく削減する。
  論文  参考訳（メタデータ） (2024-05-03T08:02:08Z)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• Acceleration in Policy Optimization [50.323182853069184]
  我々は、楽観的かつ適応的な更新を通じて、政策改善のステップにフォレストを組み込むことにより、強化学習(RL)における政策最適化手法を加速するための統一パラダイムに向けて研究する。 我々は、楽観主義を、政策の将来行動の予測モデルとして定義し、適応性は、過度な予測や変化に対する遅延反応からエラーを軽減するために、即時かつ予測的な修正措置をとるものである。 我々は,メタグラディエント学習による適応型楽観的ポリシー勾配アルゴリズムを設計し,実証的なタスクにおいて,加速度に関連するいくつかの設計選択を実証的に強調する。
  論文  参考訳（メタデータ） (2023-06-18T15:50:57Z)
• Reinforcement Learning Methods for Wordle: A POMDP/Adaptive Control Approach [0.3093890460224435]
  我々は、新しい強化学習手法を用いて、人気のあるWordleパズルの解法に対処する。 Wordleパズルでは、比較的控えめな計算コストで最適に近いオンラインソリューション戦略が得られる。
  論文  参考訳（メタデータ） (2022-11-15T03:46:41Z)
• Linear Self-Attention Approximation via Trainable Feedforward Kernel [77.34726150561087]
  高速な計算を追求する中で、効率的なトランスフォーマーは印象的な様々なアプローチを実証している。 我々は,トランスフォーマーアーキテクチャの自己保持機構を近似するために,トレーニング可能なカーネルメソッドのアイデアを拡張することを目指している。
  論文  参考訳（メタデータ） (2022-11-08T08:14:11Z)
• Automated Circuit Sizing with Multi-objective Optimization based on Differential Evolution and Bayesian Inference [1.1579778934294358]
  一般化微分進化3(GDE3)とガウス過程(GP)に基づく設計最適化手法を提案する。 提案手法は,多数の設計変数を持つ複雑な回路の小型化を実現し,多くの競合対象を最適化する。 本研究では,2つの電圧レギュレータにおいて,異なるレベルの複雑さを示す手法について検討した。
  論文  参考訳（メタデータ） (2022-06-06T06:48:45Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Domain Knowledge-Infused Deep Learning for Automated Analog/Radio-Frequency Circuit Parameter Optimization [6.599793419469274]
  本稿では,アナログ回路パラメータの最適化を自動化する強化学習手法を提案する。 これはアナログ回路設計のドメイン知識に依存する人間の専門家にインスパイアされている。 模範回路の実験結果から, 既存の最適性能手法の人間レベルの設計精度 (99%) 1.5倍の効率を達成できた。
  論文  参考訳（メタデータ） (2022-04-27T13:58:51Z)
• Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization [49.207538634692916]
  そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。 提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。 我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
  論文  参考訳（メタデータ） (2021-10-08T07:22:45Z)
• SUPER-ADAM: Faster and Universal Framework of Adaptive Gradients [99.13839450032408]
  一般的な問題を解決するための適応アルゴリズムのための普遍的な枠組みを設計することが望まれる。 特に,本フレームワークは,非収束的設定支援の下で適応的手法を提供する。
  論文  参考訳（メタデータ） (2021-06-15T15:16:28Z)

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。