論文の概要: Attention Routing: track-assignment detailed routing using
attention-based reinforcement learning
- arxiv url: http://arxiv.org/abs/2004.09473v2
- Date: Fri, 22 May 2020 20:44:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 17:25:25.716109
- Title: Attention Routing: track-assignment detailed routing using
attention-based reinforcement learning
- Title（参考訳）: アテンションルーティング:注意に基づく強化学習を用いたトラック割り当て詳細ルーティング
- Authors: Haiguang Liao, Qingyi Dong, Xuliang Dong, Wentai Zhang, Wangyang
Zhang, Weiyi Qi, Elias Fallon, Levent Burak Kara
- Abstract要約: そこで我々は新しいルータであるアテンションルータを提案する。このルータは、強化学習を用いてトラック割り当ての詳細ルーティング問題を解決するための最初の試みである。
注目ルータとそのベースライン遺伝ルータは、異なる商用先進技術アナログ回路の問題を解決するために応用される。
- 参考スコア（独自算出の注目度）: 0.23453441553817037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the physical design of integrated circuits, global and detailed routing
are critical stages involving the determination of the interconnected paths of
each net on a circuit while satisfying the design constraints. Existing actual
routers as well as routability predictors either have to resort to expensive
approaches that lead to high computational times, or use heuristics that do not
generalize well. Even though new, learning-based routing methods have been
proposed to address this need, requirements on labelled data and difficulties
in addressing complex design rule constraints have limited their adoption in
advanced technology node physical design problems. In this work, we propose a
new router: attention router, which is the first attempt to solve the
track-assignment detailed routing problem using reinforcement learning. Complex
design rule constraints are encoded into the routing algorithm and an
attention-model-based REINFORCE algorithm is applied to solve the most critical
step in routing: sequencing device pairs to be routed. The attention router and
its baseline genetic router are applied to solve different commercial advanced
technologies analog circuits problem sets. The attention router demonstrates
generalization ability to unseen problems and is also able to achieve more than
100 times acceleration over the genetic router without significantly
compromising the routing solution quality. We also discover a similarity
between the attention router and the baseline genetic router in terms of
positive correlations in cost and routing patterns, which demonstrate the
attention router's ability to be utilized not only as a detailed router but
also as a predictor for routability and congestion.
- Abstract（参考訳）: 集積回路の物理設計において、大域的および詳細なルーティングは、設計制約を満たしながら、回路上の各ネットの相互接続経路を決定する重要な段階である。
既存のルータとルタビリティ予測器は、高い計算時間に繋がる高価なアプローチを採用するか、一般化しないヒューリスティックを使用するかのどちらかである。
このニーズに対処するために、新しい学習ベースのルーティング手法が提案されているが、ラベル付きデータに対する要求と複雑な設計規則の制約に対処することの難しさは、高度な技術ノード物理設計問題において採用を制限している。
本研究では,新しいルータであるアテンションルータを提案する。これは強化学習を用いたトラック割り当ての詳細なルーティング問題を解決する最初の試みである。
複雑な設計ルールの制約はルーティングアルゴリズムにエンコードされ、ルーティングにおける最も重要なステップを解決するために注意モデルに基づく強化アルゴリズムが適用される。
注目ルータとそのベースライン遺伝ルータは、異なる商用先進技術アナログ回路の問題を解決するために応用される。
アテンションルータは、問題を認識できない一般化能力を示し、ルーティングソリューションの品質を損なうことなく、遺伝子ルータ上で100倍以上の高速化を実現することができる。
また,アテンションルータとベースライン遺伝ルータの類似性を,コストとルーティングパターンの正の相関性の観点から明らかにし,アテンションルータを詳細なルータとしてだけでなく,乱れや混雑の予測器としても利用できることを示す。
関連論文リスト
- AlphaRouter: Quantum Circuit Routing with Reinforcement Learning and Tree Search [14.46041554295883]
本稿では,モンテカルロ木探索(MCTS)と強化学習(RL)を統合するソリューションを提案する。
我々のルータはAlpha RLと呼ばれ、現在の最先端のルーティング手法より優れており、最大20%のルーティングオーバーヘッドで量子プログラムを生成する。
論文 参考訳（メタデータ） (2024-10-07T15:10:54Z) - An Efficient Learning-based Solver Comparable to Metaheuristics for the
Capacitated Arc Routing Problem [67.92544792239086]
我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。
まず,方向対応型注意モデル(DaAM)を提案する。
第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
論文 参考訳（メタデータ） (2024-03-11T02:17:42Z) - Genetic Algorithms with Neural Cost Predictor for Solving Hierarchical Vehicle Routing Problems [20.684353068460375]
車両の経路決定が高次決定と連動する場合、結果の最適化問題は計算に重大な課題をもたらす。
本稿では,ニューラルコスト予測器を用いた遺伝的アルゴリズム(GANCP)という,ディープラーニングに基づく新しいアプローチを提案する。
特に,提案するニューラルネットワークは,静電容量化車両ルーティング問題を解決するHGS-CVRPオープンソースパッケージの目的値について学習する。
論文 参考訳（メタデータ） (2023-10-22T02:46:37Z) - Towards Machine Learning for Placement and Routing in Chip Design: a
Methodological Overview [72.79089075263985]
配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。
機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
論文 参考訳（メタデータ） (2022-02-28T06:28:44Z) - Fidelity-Guarantee Entanglement Routing in Quantum Networks [64.49733801962198]
絡み合いルーティングは、2つの任意のノード間のリモート絡み合い接続を確立する。
量子ネットワークにおける複数のソース・デスティネーション(SD)ペアの忠実性を保証するために、精製可能な絡み合わせルーティング設計を提案する。
論文 参考訳（メタデータ） (2021-11-15T14:07:22Z) - Deep Reinforcement Learning Aided Packet-Routing For Aeronautical Ad-Hoc
Networks Formed by Passenger Planes [99.54065757867554]
エンド・ツー・エンド(E2E)遅延の最小化を目的としたAANETにおけるルーティングのための深層強化学習を起動する。
最深Qネットワーク(DQN)は、転送ノードで観測される最適ルーティング決定と局所的な地理的情報との関係をキャプチャする。
フィードバック機構を組み込んだディープバリューネットワーク(DVN)を用いて,システムのダイナミクスに関する知識をさらに活用する。
論文 参考訳（メタデータ） (2021-10-28T14:18:56Z) - 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) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Packet Routing with Graph Attention Multi-agent Reinforcement Learning [4.78921052969006]
我々は強化学習(RL)を利用したモデルフリーでデータ駆動型ルーティング戦略を開発する。
ネットワークトポロジのグラフ特性を考慮すると、グラフニューラルネットワーク(GNN)と組み合わせたマルチエージェントRLフレームワークを設計する。
論文 参考訳（メタデータ） (2021-07-28T06:20:34Z) - Track-Assignment Detailed Routing Using Attention-based Policy Model
With Supervision [0.27998963147546135]
本稿では、トラック割り当ての詳細ルーティング問題を解決するための機械学習駆動方式を提案する。
我々のアプローチは、注意に基づく強化学習(RL)ポリシーモデルを採用する。
特に複雑な問題に対して, 教師付きRL法が高品質な解であることを示す。
論文 参考訳（メタデータ） (2020-10-26T16:40:11Z) - Circuit Routing Using Monte Carlo Tree Search and Deep Neural Networks [1.987599364275123]
回路ルーティングを逐次決定問題としてモデル化し,モンテカルロ木探索(MCTS)とディープニューラルネットワーク(DNN)のロールアウトによって解決する。
ランダムに生成された単層回路の実験は、複雑な回路をルーティングする可能性を示している。
提案手法は、逐次A*法やLeeのアルゴリズムのようなベンチマーク手法では解けない問題を解くことができ、バニラMCTS法よりも優れている。
論文 参考訳（メタデータ） (2020-06-24T10:34:57Z)
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。