論文の概要: Automatic Routability Predictor Development Using Neural Architecture Search

• arxiv url: http://arxiv.org/abs/2012.01737v1
• Date: Thu, 3 Dec 2020 07:39:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 14:49:33.536675
• Title: Automatic Routability Predictor Development Using Neural Architecture Search
• Title（参考訳）: ニューラルアーキテクチャサーチを用いた自動ランタビリティ予測器の開発
• Authors: Jingyu Pan, Chen-Chia Chang, Tunhou Zhang, Zhiyao Xie, Jiang Hu, Weiyi Qi, Chung-Wei Lin, Rongjian Liang, Joydeep Mitra, Elias Fallon and Yiran Chen
• Abstract要約: ニューラルアーキテクチャサーチ(NAS)を利用して、ルタビリティ予測のための高品質なニューラルアーキテクチャを自動開発する。 手動設計のモデルの平均ケースと比較すると、NAS生成モデルは、DRC違反のネット数を予測するために、Kendallの$tau$より高い$5.6%を達成している。
• 参考スコア（独自算出の注目度）: 20.31376642220228
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rise of machine learning technology inspires a boom of its applications in electronic design automation (EDA) and helps improve the degree of automation in chip designs. However, manually crafted machine learning models require extensive human expertise and tremendous engineering efforts. In this work, we leverage neural architecture search (NAS) to automatically develop high-quality neural architectures for routability prediction, which guides cell placement toward routable solutions. Experimental results demonstrate that the automatically generated neural architectures clearly outperform the manual solutions. Compared to the average case of manually designed models, NAS-generated models achieve $5.6\%$ higher Kendall's $\tau$ in predicting the number of nets with DRC violations and $1.95\%$ larger area under ROC curve (ROC-AUC) in DRC hotspots detection.
• Abstract（参考訳）: 機械学習技術の台頭は、電子設計自動化(EDA)におけるその応用のブームを呼び起こし、チップ設計における自動化の度合いを向上させる。 しかしながら、手作業による機械学習モデルは、広範な人間的専門知識と膨大なエンジニアリング努力を必要とする。 本研究では,ニューラルネットワーク探索(NAS)を活用して,セル配置をルータブルな解へ誘導するルタビリティ予測のための高品質なニューラルアーキテクチャを自動開発する。 実験結果は、自動生成されたニューラルネットワークが手動のソリューションを明らかに上回っていることを示している。 手動設計モデルの平均ケースと比較して、NAS生成モデルは、DRCホットスポット検出において、DRC違反のネット数を予測する際に、Kendallの$\tau$5.6\%、ROC曲線(ROC-AUC)より大きい領域を1.95\%に達する。

関連論文リスト

• 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)
• Neural Architecture Codesign for Fast Bragg Peak Analysis [1.7081438846690533]
  我々は,高速かつリアルタイムなブラッグピーク解析のためのニューラルネットワーク符号の合理化のための自動パイプラインを開発した。 我々の手法では、ハードウェアコストを含むこれらのモデルを強化するために、ニューラルアーキテクチャ検索とAutoMLを使用し、よりハードウェア効率の良いニューラルアーキテクチャの発見に繋がる。
  論文  参考訳（メタデータ） (2023-12-10T19:42:18Z)
• Auto-CsiNet: Scenario-customized Automatic Neural Network Architecture Generation for Massive MIMO CSI Feedback [45.457706499525614]
  本稿では,NAS(Neural Architecture Search)を用いてシナリオ適応型CSIフィードバックNNアーキテクチャの自動生成を提案する。 実験の結果,自動生成アーキテクチャであるAuto-CsiNetは,復元性能と複雑性の両方において,手作業で設計したモデルを上回る性能を示した。
  論文  参考訳（メタデータ） (2023-11-27T15:56:58Z)
• 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)
• FreeREA: Training-Free Evolution-based Architecture Search [17.202375422110553]
  FreeREAは、トレーニングなしメトリクスの最適化組み合わせを利用してアーキテクチャをランク付けする、独自のセルベースの進化NASアルゴリズムである。 本実験はNAS-Bench-101とNATS-Benchの共通ベンチマークを用いて,フリーレアがモデル自動設計のための高速で効率的かつ効果的な探索手法であることを実証した。
  論文  参考訳（メタデータ） (2022-06-17T11:16:28Z)
• Pareto-Frontier-aware Neural Architecture Generation for Diverse Budgets [93.79297053429447]
  既存の手法は、しばしばそれぞれの目標予算を独立したアーキテクチャで検索する。 モデル推論のみで任意の予算で効率的なアーキテクチャを自動生成する汎用アーキテクチャ生成器を提案する。 3つのプラットフォーム(モバイル、CPU、GPUなど)における広範な実験は、提案手法が既存のNAS法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-02-27T13:59:17Z)
• Resource-Aware Pareto-Optimal Automated Machine Learning Platform [1.6746303554275583]
  新プラットフォーム Resource-Aware AutoML (RA-AutoML) RA-AutoMLは、フレキシブルで一般化されたアルゴリズムで、複数の目的に合わせた機械学習モデルを構築することができる。
  論文  参考訳（メタデータ） (2020-10-30T19:37:48Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction [64.03526633651218]
  CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最も重要な機械学習タスクの1つである。 本稿では,AutoCTR と呼ばれる CTR 予測のための自動インタラクションアーキテクチャ探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-29T04:33:01Z)

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。