論文の概要: DISPATCH: Design Space Exploration of Cyber-Physical Systems
- arxiv url: http://arxiv.org/abs/2009.10214v2
- Date: Fri, 25 Sep 2020 00:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 04:07:30.485312
- Title: DISPATCH: Design Space Exploration of Cyber-Physical Systems
- Title（参考訳）: DisPATCH:サイバー物理システムの設計空間探索
- Authors: Prerit Terway, Kenza Hamidouche, and Niraj K. Jha
- Abstract要約: サイバー物理システム(CPS)の設計は、様々なCPS構成の大規模な検索空間を探索する難題である。
設計空間上のサンプル効率探索のための2段階の手法であるDisdisを提案する。
- 参考スコア（独自算出の注目度）: 5.273291582861981
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Design of cyber-physical systems (CPSs) is a challenging task that involves
searching over a large search space of various CPS configurations and possible
values of components composing the system. Hence, there is a need for
sample-efficient CPS design space exploration to select the system architecture
and component values that meet the target system requirements. We address this
challenge by formulating CPS design as a multi-objective optimization problem
and propose DISPATCH, a two-step methodology for sample-efficient search over
the design space. First, we use a genetic algorithm to search over discrete
choices of system component values for architecture search and component
selection or only component selection and terminate the algorithm even before
meeting the system requirements, thus yielding a coarse design. In the second
step, we use an inverse design to search over a continuous space to fine-tune
the component values and meet the diverse set of system requirements. We use a
neural network as a surrogate function for the inverse design of the system.
The neural network, converted into a mixed-integer linear program, is used for
active learning to sample component values efficiently in a continuous search
space. We illustrate the efficacy of DISPATCH on electrical circuit benchmarks:
two-stage and three-stage transimpedence amplifiers. Simulation results show
that the proposed methodology improves sample efficiency by 5-14x compared to a
prior synthesis method that relies on reinforcement learning. It also
synthesizes circuits with the best performance (highest bandwidth/lowest area)
compared to designs synthesized using reinforcement learning, Bayesian
optimization, or humans.
- Abstract（参考訳）: サイバー物理システム(CPS)の設計は、様々なCPS構成とシステムを構成するコンポーネントの可能な値からなる巨大な検索空間を探索する、困難な作業である。
したがって、対象とするシステム要件を満たすシステムアーキテクチャとコンポーネント値を選択するために、サンプル効率のよいCPS設計スペースを探索する必要がある。
CPS設計を多目的最適化問題として定式化してこの問題に対処し、設計空間上のサンプル効率探索のための2段階の手法であるdisPATCHを提案する。
まず、アーキテクチャ探索とコンポーネント選択のためのシステムコンポーネント値の個別選択、あるいはコンポーネント選択のみを探索し、システム要件を満たす前にアルゴリズムを終了し、粗い設計となるように遺伝的アルゴリズムを用いる。
2番目のステップでは、逆設計を用いて連続した空間を探索し、コンポーネントの値を微調整し、多様なシステム要件を満たす。
我々は,システムの逆設計のためのサロゲート関数としてニューラルネットワークを用いる。
ニューラルネットワークは、混合整数線形プログラムに変換され、アクティブラーニングに使用され、連続探索空間において効率的に成分値をサンプリングする。
本研究では,電気回路ベンチマークにおけるディスパッチの有効性について述べる。
シミュレーションの結果,強化学習による先行合成法と比較して,サンプル効率が5～14倍向上することが示された。
また、強化学習、ベイズ最適化、あるいは人間を用いて合成された設計と比較して、最高の性能(最高帯域幅/低帯域)で回路を合成する。
関連論文リスト
- Automated Placement of Analog Integrated Circuits using Priority-based Constructive Heuristic [0.0]
われわれは,いわゆるポケット,合併の可能性,デバイス間のパラメトリジブルな最小距離を必要とする,特定の種類のアナログ配置に注目した。
我々の解は回路の境界ボックスの周長と近似ワイヤ長を最小化する。
本手法は,手作業による設計を伴い,合成された産業事例と実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実
論文 参考訳（メタデータ） (2024-10-18T07:16:59Z) - Automated and Holistic Co-design of Neural Networks and ASICs for Enabling In-Pixel Intelligence [4.063480188363124]
放射能検出のための可読ASICなどの極端エッジAIシステムは、厳密なハードウェア制約の下で動作しなければならない。
理想的なソリューションを見つけることは、爆発的に拡張されたデザイン空間から最適なAIとASIC設計の選択を特定することを意味する。
論文 参考訳（メタデータ） (2024-07-18T17:58:05Z) - BEACON: A Bayesian Optimization Strategy for Novelty Search in Expensive Black-Box Systems [1.204357447396532]
ノベルティ・サーチ (NS) は、シミュレーションや実験を通じて様々なシステムの振る舞いを自動的に発見する探索アルゴリズムのクラスである。
このような高価なブラックボックスシステムに特化して設計されたサンプル効率のNSに対するベイズ最適化法を提案する。
提案手法は,限られたサンプル予算の下で,より大規模な多様な挙動の集合を見出すことにより,既存のNSアルゴリズムよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2024-06-05T20:23:52Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel
Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。
我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。
6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文 参考訳（メタデータ） (2023-04-23T17:27:40Z) - Multi-Agent Reinforcement Learning for Microprocessor Design Space
Exploration [71.95914457415624]
マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。
この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。
評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
論文 参考訳（メタデータ） (2022-11-29T17:10:24Z) - Searching a High-Performance Feature Extractor for Text Recognition
Network [92.12492627169108]
優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。
空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。
本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-09-27T03:49:04Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳（メタデータ） (2021-05-06T02:22:23Z) - Fast Design Space Exploration of Nonlinear Systems: Part II [7.35349188211367]
Fast Design Space Exploration of Systems (ASSENT) というフレームワークにカプセル化された2段階のアプローチにより、非線形システム設計空間探索に取り組みます。
最初のステップでは、コンポーネントの値を個別に選択できるシステムアーキテクチャを探すために、遺伝的アルゴリズムを使用します。
第2のステップでは、逆設計を用いて連続空間を探索し、目的関数の値を改善することを目的としてコンポーネント値を微調整する。
論文 参考訳（メタデータ） (2021-04-05T16:11:50Z) - Learning a Probabilistic Strategy for Computational Imaging Sensor
Selection [16.553234762932938]
本稿では,センサ設計のための確率的センササンプリング戦略を学習する物理制約付き,完全微分可能なオートエンコーダを提案する。
提案手法は,センサ選択の相関関係を2次完全接続型Isingモデルとして特徴付ける,システムに好まれるサンプリング分布を学習する。
論文 参考訳（メタデータ） (2020-03-23T17:52:17Z)
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。