論文の概要: Optimising Design Verification Using Machine Learning: An Open Source Solution

• arxiv url: http://arxiv.org/abs/2012.02453v1
• Date: Fri, 4 Dec 2020 08:18:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 20:33:24.347401
• Title: Optimising Design Verification Using Machine Learning: An Open Source Solution
• Title（参考訳）: 機械学習による設計検証の最適化 - オープンソースソリューション
• Authors: B. Samhita Varambally, Naman Sehgal
• Abstract要約: すべてのコーナーケースをテストする最も一般的なアプローチは、制約付きランダム検証(Constrained Random Verification)である。 本稿では,機械学習を用いて入力刺激を生成する手法を提案する。 Pythonをベースとしており、シンプルで直感的で、機械学習アプリケーションのための膨大な関数ライブラリを持っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the complexity of Integrated Circuits increasing, design verification has become the most time consuming part of the ASIC design flow. Nearly 70% of the SoC design cycle is consumed by verification. The most commonly used approach to test all corner cases is through the use of Constrained Random Verification. Random stimulus is given in order to hit all possible combinations and test the design thoroughly. However, this approach often requires significant human expertise to reach all corner cases. This paper presents an alternative using Machine Learning to generate the input stimulus. This will allow for faster thorough verification of the design with less human intervention. Furthermore, it is proposed to use the open source verification environment 'Cocotb'. Based on Python, it is simple, intuitive and has a vast library of functions for machine learning applications. This makes it more convenient to use than the bulkier approach using traditional Hardware Verification Languages such as System Verilog or Specman E.
• Abstract（参考訳）: 集積回路の複雑さが増すにつれ、設計検証はASIC設計フローの最も時間を要する部分となった。 SoC設計サイクルの70%近くは検証によって消費される。 すべてのコーナーケースをテストする最も一般的な方法は、制約付きランダム検証を使用することである。 ランダムな刺激は、可能なすべての組み合わせにぶつかり、設計を徹底的にテストするために与えられる。 しかしながら、このアプローチは、すべてのコーナーケースに到達するために、重要な人間の専門知識を必要とすることが多い。 本稿では,機械学習を用いて入力刺激を生成する手法を提案する。 これにより、人間の介入が少なく、設計の徹底的な検証を迅速に行える。 さらに,オープンソースの検証環境であるCocotbの利用を提案する。 Pythonをベースとしており、シンプルで直感的で、機械学習アプリケーションのための膨大な関数ライブラリを持っている。 これにより、System VerilogやSpecman Eといった従来のハードウェア検証言語を使用する場合よりも使いやすくなっている。

関連論文リスト

• XTrack: Multimodal Training Boosts RGB-X Video Object Trackers [88.72203975896558]
  マルチモーダルセンシングから得られる知識を効果的に共有することが重要である。 異なるモダリティにまたがる類似のサンプルは、他のものよりも多くの知識を共有できる。 提案手法は,現在のSOTAよりも平均+3%精度が向上したRGB-Xトラッカーである。
  論文  参考訳（メタデータ） (2024-05-28T03:00:58Z)
• Effective Design Verification -- Constrained Random with Python and Cocotb [2.3624953088402734]
  Pythonは、シンプルさと35のキーワード(v3.7)があるため、世界で最も広く使われている言語である。 本稿の目的は,Python-Cocotbの検証設定を設計IPで評価し,その特徴と性能指標を現在のデファクトハードウェア検証言語であるSystemVerilogと比較することである。
  論文  参考訳（メタデータ） (2024-05-06T07:58:16Z)
• CORE: Common Random Reconstruction for Distributed Optimization with Provable Low Communication Complexity [110.50364486645852]
  コミュニケーションの複雑さは、トレーニングをスピードアップし、マシン番号をスケールアップする上で、大きなボトルネックになっています。 本稿では,機械間で送信される情報を圧縮するための共通Om REOmを提案する。
  論文  参考訳（メタデータ） (2023-09-23T08:45:27Z)
• Realistic Unsupervised CLIP Fine-tuning with Universal Entropy Optimization [101.08992036691673]
  本稿では,未知のクラスにおける配布外サンプルの存在を考慮し,教師なしの微調整シナリオについて考察する。 特に,分布外検出と既知のクラスに関連するインスタンスの認識を同時に強化することに注力する。 我々はUniversal Entropy Optimization(UEO)と呼ばれるシンプルで効率的で効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-24T16:47:17Z)
• TEMPERA: Test-Time Prompting via Reinforcement Learning [57.48657629588436]
  強化学習(TEMPERA)を用いたテスト時間プロンプト編集を提案する。 従来のプロンプト生成手法とは対照的に、TEMPERAは事前知識を効率的に活用することができる。 本手法は従来の微調整法と比較して試料効率の平均改善率を5.33倍に向上させる。
  論文  参考訳（メタデータ） (2022-11-21T22:38:20Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)
• Understanding Entropy Coding With Asymmetric Numeral Systems (ANS): a Statistician's Perspective [11.01582936909208]
  非対称数値システム(ANS)は最適な圧縮に非常に近づき、ビットバック符号のような高度な圧縮技術を単純化する。 本論文は、潜伏変数モデルの新しい視点から、ANSをより親しみやすくするための教育資源として意図されている。 我々は,Python プログラミング言語における ANS の完全な実装に向けて,読者を段階的にガイドする。
  論文  参考訳（メタデータ） (2022-01-05T18:04:42Z)
• VeRLPy: Python Library for Verification of Digital Designs with Reinforcement Learning [2.543215131265352]
  VeRLPyは、追加のエンジニアリングオーバーヘッドを限定したRL駆動検証を可能にするオープンソースライブラリである。 いくつかの設計にVeRLPyを用いることを実証し、ランダムに生成された入力信号に対してその値を確立する。
  論文  参考訳（メタデータ） (2021-08-09T12:27:31Z)
• Combinatorial Pure Exploration with Full-bandit Feedback and Beyond: Solving Combinatorial Optimization under Uncertainty with Limited Observation [70.41056265629815]
  最適化アルゴリズムを開発する際、エッジウェイトなどのパラメータが入力として正確に知られていることが一般的である。 本稿では、最近、限られたフィードバックを伴う純粋探索問題に対する手法について概説する。
  論文  参考訳（メタデータ） (2020-12-31T12:40:52Z)
• PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
  PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。 これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
  論文  参考訳（メタデータ） (2020-02-13T10:33:05Z)
• An Efficient Architecture for Predicting the Case of Characters using Sequence Models [0.0]
  クリーンなテキストデータのデジェストは、いくつかの自然言語処理アプリケーションにおいてボトルネックとして機能することが多い。 本稿では,一般にTruecasingと呼ばれる文字の正しいケースを復元することで,この問題を解決する。 提案アーキテクチャは、畳み込みニューラルネットワーク(CNN)、双方向長短期記憶ネットワーク(LSTM)、条件付きランダムフィールド(CRF)の組み合わせを用いている。
  論文  参考訳（メタデータ） (2020-01-30T06:54:39Z)

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。