論文の概要: Fast IR Drop Estimation with Machine Learning

• arxiv url: http://arxiv.org/abs/2011.13491v1
• Date: Thu, 26 Nov 2020 23:12:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 12:34:11.264304
• Title: Fast IR Drop Estimation with Machine Learning
• Title（参考訳）: 機械学習による高速IRドロップ推定
• Authors: Zhiyao Xie, Hai Li, Xiaoqing Xu, Jiang Hu, Yiran Chen
• Abstract要約: 機械学習(ML)技術は、多くの分野でその可能性と成功のために、高速IRドロップ推定のために活発に研究されている。 本稿では,ML を用いた IR ドロップ推定手法の最近の進歩を概観する。 また、電子設計自動化(EDA)におけるMLアプリケーションで直面するいくつかの一般的な課題を議論するための手段としても機能する。
• 参考スコア（独自算出の注目度）: 36.488460476900975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: IR drop constraint is a fundamental requirement enforced in almost all chip designs. However, its evaluation takes a long time, and mitigation techniques for fixing violations may require numerous iterations. As such, fast and accurate IR drop prediction becomes critical for reducing design turnaround time. Recently, machine learning (ML) techniques have been actively studied for fast IR drop estimation due to their promise and success in many fields. These studies target at various design stages with different emphasis, and accordingly, different ML algorithms are adopted and customized. This paper provides a review to the latest progress in ML-based IR drop estimation techniques. It also serves as a vehicle for discussing some general challenges faced by ML applications in electronics design automation (EDA), and demonstrating how to integrate ML models with conventional techniques for the better efficiency of EDA tools.
• Abstract（参考訳）: IRドロップ制約は、ほとんどすべてのチップ設計で適用される基本的な要件である。 しかし、その評価には時間がかかるため、違反を修正するための緩和技術には多くのイテレーションが必要になる可能性がある。 そのため、設計のターンアラウンド時間を短縮するために、高速で正確なIRドロップ予測が重要となる。 近年、機械学習(ML)技術は、多くの分野でその可能性と成功のために、高速IRドロップ推定のために活発に研究されている。 これらの研究は様々な設計段階を対象としており、異なるMLアルゴリズムが採用され、カスタマイズされる。 本稿では,ML を用いた IR ドロップ推定手法の最近の進歩を概観する。 また、電子設計自動化(EDA)におけるMLアプリケーションで直面するいくつかの一般的な課題について議論し、従来の手法とMLモデルを統合して、EDAツールをより効率的にする方法を実証する手段としても機能する。

関連論文リスト

• Automated Program Repair: Emerging trends pose and expose problems for benchmarks [7.437224586066947]
  大規模言語モデル(LLM)はソフトウェアパッチの生成に使用される。 評価と比較は、結果が有効であり、一般化する可能性が高いことを保証するために注意する必要があります。 大規模かつしばしば開示されていないトレーニングデータセットには、評価される問題が含まれている可能性がある。
  論文  参考訳（メタデータ） (2024-05-08T23:09:43Z)
• Design Space Exploration of Approximate Computing Techniques with a Reinforcement Learning Approach [49.42371633618761]
  精度劣化と消費電力と計算時間短縮のバランスをとるアプリケーションの近似バージョンを見つけるためのRLベースの戦略を提案する。 実験結果から,いくつかのベンチマークにおいて,精度劣化と消費電力減少と計算時間との良好なトレードオフが示された。
  論文  参考訳（メタデータ） (2023-12-29T09:10:40Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• SECOE: Alleviating Sensors Failure in Machine Learning-Coupled IoT Systems [0.0]
  本論文は,センサ障害を同時に緩和するための積極的なアプローチであるSECOEを提案する。 SECOEは、センサー間の相関を利用してアンサンブル内のモデル数を最小化する新しい技術を含んでいる。 実験の結果,SECOEはセンサ故障の有無の予測精度を効果的に維持することがわかった。
  論文  参考訳（メタデータ） (2022-10-05T10:58:39Z)
• Design Automation for Fast, Lightweight, and Effective Deep Learning Models: A Survey [53.258091735278875]
  本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。 これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。 この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2022-08-22T12:12:43Z)
• Hardware-Robust In-RRAM-Computing for Object Detection [0.15113576014047125]
  In-RRAMコンピューティングは、ハードウェアにおいて大きなデバイスバリエーションと多くの非理想的効果に悩まされた。 本稿では,オブジェクト検出のためのハードウェアロバストIRCマクロを設計するためのハードウェアとソフトウェアの共同最適化手法を提案する。 提案手法は3.85%のmAP降下しか持たない複雑な物体検出タスクにうまく適用されている。
  論文  参考訳（メタデータ） (2022-05-09T01:46:24Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Improving Semiconductor Device Modeling for Electronic Design Automation by Machine Learning Techniques [6.170514965470266]
  本稿では,変分オートエンコーダを用いたMLに基づくデバイスモデリング改善のための自己拡張戦略を提案する。 提案手法の有効性を実証するために,ガリウム窒化物デバイスにおけるオーミック抵抗値に対するディープニューラルネットワークに基づく予測タスクに適用する。
  論文  参考訳（メタデータ） (2021-05-25T00:52:44Z)
• Theory-Guided Machine Learning for Process Simulation of Advanced Composites [0.0]
  Theory-Guided Machine Learning (TGML)は、物理法則をMLアルゴリズムに統合することを目指している。 本稿では, 複合材料の加工過程における熱管理に関する3つのケーススタディについて述べる。
  論文  参考訳（メタデータ） (2021-03-30T00:49:40Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。