論文の概要: PowerNet: Transferable Dynamic IR Drop Estimation via Maximum
Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2011.13494v1
- Date: Thu, 26 Nov 2020 23:14:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 12:33:40.817470
- Title: PowerNet: Transferable Dynamic IR Drop Estimation via Maximum
Convolutional Neural Network
- Title(参考訳): PowerNet:最大畳み込みニューラルネットワークによる移動可能な動的IRドロップ推定
- Authors: Zhiyao Xie, Haoxing Ren, Brucek Khailany, Ye Sheng, Santosh Santosh,
Jiang Hu, Yiran Chen
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 28.555489230660488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: IR drop is a fundamental constraint required by almost all chip designs.
However, its evaluation usually takes a long time that hinders mitigation
techniques for fixing its violations. In this work, we develop a fast dynamic
IR drop estimation technique, named PowerNet, based on a convolutional neural
network (CNN). It can handle both vector-based and vectorless IR analyses.
Moreover, the proposed CNN model is general and transferable to different
designs. This is in contrast to most existing machine learning (ML) approaches,
where a model is applicable only to a specific design. Experimental results
show that PowerNet outperforms the latest ML method by 9% in accuracy for the
challenging case of vectorless IR drop and achieves a 30 times speedup compared
to an accurate IR drop commercial tool. Further, a mitigation tool guided by
PowerNet reduces IR drop hotspots by 26% and 31% on two industrial designs,
respectively, with very limited modification on their power grids.
- Abstract(参考訳): IRドロップは、ほとんどすべてのチップ設計に必要な基本的な制約である。
しかし、その評価は通常、違反を修正するための緩和技術を妨げるのに長い時間がかかる。
本研究では,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ドロップ推定手法であるPowerNetを開発した。
ベクトルベースとベクトルレスのIR分析の両方を処理できる。
さらに、提案するcnnモデルは汎用的で、異なる設計に移行可能である。
これは、モデルが特定の設計にのみ適用可能な、既存の機械学習(ML)アプローチとは対照的である。
実験結果から,PowerNetはベクトルレスIRドロップの課題に対して,最新のML手法を9%精度で上回り,正確なIRドロップ商用ツールに比べて30倍の高速化を実現していることがわかった。
さらに、PowerNetによってガイドされた緩和ツールは、2つの工業設計でそれぞれIRドロップホットスポットを26%減らし、31%減らし、電力グリッドに非常に限定的な変更を加える。
関連論文リスト
- 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) - Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2024-03-21T02:33:37Z) - Latency-aware Unified Dynamic Networks for Efficient Image Recognition [72.8951331472913]
LAUDNetは動的ネットワークの理論的および実用的な効率ギャップを橋渡しするフレームワークである。
3つの主要な動的パラダイム - 適応型計算、動的層スキップ、動的チャネルスキップ - を統合している。
これにより、V100,3090やTX2 GPUのようなプラットフォーム上で、ResNetのようなモデルの遅延を50%以上削減できる。
論文 参考訳(メタデータ) (2023-08-30T10:57:41Z) - DiffIR: Efficient Diffusion Model for Image Restoration [108.82579440308267]
拡散モデル(DM)は、画像合成過程をデノナイジングネットワークのシーケンシャルな応用にモデル化することで、SOTA性能を達成した。
画像全体や特徴マップを推定する大規模なモデルで大規模なイテレーションを実行する従来のDMは、画像復元には非効率である。
本稿では、小型IR先行抽出ネットワーク(CPEN)、ダイナミックIR変換器(DIRformer)、デノナイズネットワーク(Denoising Network)からなるDiffIRを提案する。
論文 参考訳(メタデータ) (2023-03-16T16:47:14Z) - Fast Exploration of the Impact of Precision Reduction on Spiking Neural
Networks [63.614519238823206]
ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。
我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
論文 参考訳(メタデータ) (2022-11-22T15:08:05Z) - 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) - 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) - Energy awareness in low precision neural networks [41.69995577490698]
電力消費は、エンドデバイスにディープニューラルネットワーク(DNN)を配置する際の大きな障害である。
低消費電力の固定精度変種を用いて全精度ネットワークを近似するための簡単なアプローチであるPANNを提案する。
従来の手法とは対照的に、PANNは2ビット量子化変量器のパワーバッジで作業する場合でも、ネットワークの完全精度バージョンであるW.r.t.の精度をわずかに低下させるだけである。
論文 参考訳(メタデータ) (2022-02-06T14:44:55Z) - AdderNet and its Minimalist Hardware Design for Energy-Efficient
Artificial Intelligence [111.09105910265154]
アドラー畳み込みニューラルネットワーク(AdderNet)を用いた新しいミニマリストハードウェアアーキテクチャを提案する。
AdderNet全体の16%の高速化を実現している。
我々は、AdderNetが他の競争相手を追い越せると結論付けている。
論文 参考訳(メタデータ) (2021-01-25T11:31:52Z) - Fast IR Drop Estimation with Machine Learning [36.488460476900975]
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。
論文 参考訳(メタデータ) (2020-11-26T23:12:37Z) - ShiftAddNet: A Hardware-Inspired Deep Network [87.18216601210763]
ShiftAddNetはエネルギー効率のよい乗算レスディープニューラルネットワークである。
エネルギー効率のよい推論とトレーニングの両方につながるが、表現能力は損なわれない。
ShiftAddNetは、DNNのトレーニングと推論において、80%以上のハードウェア量子化されたエネルギーコストを積極的に削減し、同等またはより良い精度を提供する。
論文 参考訳(メタデータ) (2020-10-24T05:09:14Z)
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。