論文の概要: Thermal and IR Drop Analysis Using Convolutional Encoder-Decoder Networks

• arxiv url: http://arxiv.org/abs/2009.09009v1
• Date: Fri, 18 Sep 2020 18:29:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 02:42:02.977477
• Title: Thermal and IR Drop Analysis Using Convolutional Encoder-Decoder Networks
• Title（参考訳）: 畳み込みエンコーダ・デコーダネットワークを用いた熱および赤外線損失解析
• Authors: Vidya A. Chhabria, Vipul Ahuja, Ashwath Prabhu, Nikhil Patil, Palkesh Jain, and Sachin S. Sapatnekar
• Abstract要約: 本稿では,エンコーダ・デコーダ・ベース・ジェネレーティブ(EDGe)ネットワークを用いて,高価な温度・電力グリッド解析を行う。 ThermEDGeとIREDGeは、オンチップ温度とIR液滴の輪郭をミリ秒で迅速に予測する。
• 参考スコア（独自算出の注目度）: 2.4162779673701187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computationally expensive temperature and power grid analyses are required during the design cycle to guide IC design. This paper employs encoder-decoder based generative (EDGe) networks to map these analyses to fast and accurate image-to-image and sequence-to-sequence translation tasks. The network takes a power map as input and outputs the corresponding temperature or IR drop map. We propose two networks: (i) ThermEDGe: a static and dynamic full-chip temperature estimator and (ii) IREDGe: a full-chip static IR drop predictor based on input power, power grid distribution, and power pad distribution patterns. The models are design-independent and must be trained just once for a particular technology and packaging solution. ThermEDGe and IREDGe are demonstrated to rapidly predict the on-chip temperature and IR drop contours in milliseconds (in contrast with commercial tools that require several hours or more) and provide an average error of 0.6% and 0.008% respectively.
• Abstract（参考訳）: IC設計の指針となる設計サイクルには,計算コストの高い温度・電力グリッド解析が必要である。 本稿では,エンコーダ・デコーダに基づく生成(EDGe)ネットワークを用いて,これらの解析結果を高速かつ正確な画像・画像・シーケンス変換タスクにマッピングする。 ネットワークは電力マップを入力として、対応する温度またはirドロップマップを出力する。 2つのネットワークを提案します (i)ThermEDGe:静的かつ動的フルチップ温度推定器、及び (II)IREDGe:入力電力、電力グリッド分布、電力パッド分布パターンに基づくフルチップの静的IRドロップ予測器。 モデルは設計非依存で、特定の技術とパッケージングソリューションのために一度だけトレーニングする必要があります。 サーmedge と iredge はそれぞれ 0.6% と 0.008% の平均誤差を与え、チップ上の温度と ir 滴の輪郭をミリ秒で迅速に予測できることが示されている。

関連論文リスト

• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• PDNNet: PDN-Aware GNN-CNN Heterogeneous Network for Dynamic IR Drop Prediction [5.511978576494924]
  電力供給ネットワーク(PDN)上のIRドロップは、PDNの構成とセル電流消費と密接に関連している。 PDN構造と細胞-PDN関係の表現を統一する新しいグラフ構造PDNGraphを提案する。 我々は、深層学習に基づく動的IRドロップ予測法にグラフ構造を適用した最初の研究である。
  論文  参考訳（メタデータ） (2024-03-27T13:50:13Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• Intelligent Circuit Design and Implementation with Machine Learning [0.0]
  幅広いチップ設計段階をカバーする複数の高速かつ正確な機械学習モデルを提示します。 完全に自動化されたパワーモデリングフレームワークであるAPOLLOを紹介します。 私はまた、早期のroutability予測のためにRouteNetを提示します。
  論文  参考訳（メタデータ） (2022-06-07T06:17:52Z)
• Encoder-Decoder Networks for Analyzing Thermal and Power Delivery Networks [2.5462871225635664]
  電力供給ネットワーク(PDN)解析と熱分析は、IC設計の成功に不可欠な計算コストの高いタスクである。 本稿では,これらの解析結果を画像から画像へ,シーケンスからシーケンスへ変換するタスクに変換する。 ネットワークは、オンチップIRドロップ、EMホットスポット位置、ミリ秒間の温度を、無視できる限り小さな誤差で予測する。
  論文  参考訳（メタデータ） (2021-10-27T05:58:30Z)
• OpeNPDN: A Neural-network-based Framework for Power Delivery Network Synthesis [3.7338875223247436]
  電力配信ネットワーク(PDN)の設計は、非自明で、時間集約的で反復的なタスクである。 この研究は、事前定義されたPDNテンプレートのセットを利用する機械学習ベースの方法論を提案する。
  論文  参考訳（メタデータ） (2021-10-27T05:33:33Z)
• MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
  可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。 我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。 重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
  論文  参考訳（メタデータ） (2021-07-22T03:10:51Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• PowerNet: Transferable Dynamic IR Drop Estimation via Maximum Convolutional Neural Network [28.555489230660488]
  我々は畳み込みニューラルネットワーク(CNN)に基づく高速な動的IR滴推定手法であるPowerNetを開発した。 我々は、ベクトルレスIRドロップの課題に対して、PowerNetが最新の機械学習(ML)手法を9%精度で上回っていることを示す。 PowerNetによってガイドされた緩和ツールは、それぞれ2つの工業設計でIRドロップホットスポットを26%、ホットスポットを31%削減する。
  論文  参考訳（メタデータ） (2020-11-26T23:14:17Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。