論文の概要: Logic Synthesis Meets Machine Learning: Trading Exactness for
Generalization
- arxiv url: http://arxiv.org/abs/2012.02530v2
- Date: Tue, 15 Dec 2020 16:08:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 20:37:18.369973
- Title: Logic Synthesis Meets Machine Learning: Trading Exactness for
Generalization
- Title(参考訳): 論理合成と機械学習: 一般化のための取引慣性
- Authors: Shubham Rai, Walter Lau Neto, Yukio Miyasaka, Xinpei Zhang, Mingfei
Yu, Qingyang Yi Masahiro Fujita, Guilherme B. Manske, Matheus F. Pontes,
Leomar S. da Rosa Junior, Marilton S. de Aguiar, Paulo F. Butzen, Po-Chun
Chien, Yu-Shan Huang, Hoa-Ren Wang, Jie-Hong R. Jiang, Jiaqi Gu, Zheng Zhao,
Zixuan Jiang, David Z. Pan, Brunno A. de Abreu, Isac de Souza Campos, Augusto
Berndt, Cristina Meinhardt, Jonata T. Carvalho, Mateus Grellert, Sergio
Bampi, Aditya Lohana, Akash Kumar, Wei Zeng, Azadeh Davoodi, Rasit O.
Topaloglu, Yuan Zhou, Jordan Dotzel, Yichi Zhang, Hanyu Wang, Zhiru Zhang,
Valerio Tenace, Pierre-Emmanuel Gaillardon, Alan Mishchenko, and Satrajit
Chatterjee
- Abstract要約: 我々は,IWLS 2020で実施した競技結果に基づいて,不完全特定関数を学習する。
このベンチマークスイートを利用可能にし、学習に対するさまざまなアプローチの詳細な比較分析を提供しています。
- 参考スコア(独自算出の注目度): 37.3380462457184
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Logic synthesis is a fundamental step in hardware design whose goal is to
find structural representations of Boolean functions while minimizing delay and
area. If the function is completely-specified, the implementation accurately
represents the function. If the function is incompletely-specified, the
implementation has to be true only on the care set. While most of the
algorithms in logic synthesis rely on SAT and Boolean methods to exactly
implement the care set, we investigate learning in logic synthesis, attempting
to trade exactness for generalization. This work is directly related to machine
learning where the care set is the training set and the implementation is
expected to generalize on a validation set. We present learning
incompletely-specified functions based on the results of a competition
conducted at IWLS 2020. The goal of the competition was to implement 100
functions given by a set of care minterms for training, while testing the
implementation using a set of validation minterms sampled from the same
function. We make this benchmark suite available and offer a detailed
comparative analysis of the different approaches to learning
- Abstract(参考訳): 論理合成はハードウェア設計における基本的なステップであり、その目標は遅延と面積を最小化しながらブール関数の構造表現を見つけることである。
関数が完全に指定されている場合、実装は関数を正確に表現する。
関数が不完全特定されている場合、実装はケアセットにのみ真である必要がある。
論理合成のアルゴリズムのほとんどは、ケアセットを正確に実装するためにsatとbooleanメソッドに依存しているが、我々は論理合成における学習を調査し、汎化のために厳密さを交換しようとしている。
この作業は、ケアセットがトレーニングセットであり、実装が検証セットに一般化することが期待される機械学習に直接関係している。
我々は,IWLS 2020で実施した競技結果に基づいて,不完全特定関数を学習する。
競争の目標は、同じ関数からサンプリングされた検証小数点セットを使用して、トレーニングのためのケア小数点セットによって与えられる100の関数を実装することである。
このベンチマークスイートを利用可能にし、学習アプローチの詳細な比較分析を提供する
関連論文リスト
- Bisimulation Learning [55.859538562698496]
我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。
提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
論文 参考訳(メタデータ) (2024-05-24T17:11:27Z) - Multitask Kernel-based Learning with Logic Constraints [13.70920563542248]
本稿では,タスク関数の集合間の論理制約をカーネルマシンに組み込む枠組みを提案する。
特徴空間上の複数の一意述語をカーネルマシンで学習するマルチタスク学習方式を検討する。
一般的なアプローチでは、論理節を連続的な実装に変換し、カーネルベースの述語によって計算された出力を処理する。
論文 参考訳(メタデータ) (2024-02-16T12:11:34Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳(メタデータ) (2022-06-01T23:26:51Z) - Inducing Transformer's Compositional Generalization Ability via
Auxiliary Sequence Prediction Tasks [86.10875837475783]
体系的な構成性は人間の言語において必須のメカニズムであり、既知の部品の組換えによって新しい表現を作り出すことができる。
既存のニューラルモデルには、記号構造を学習する基本的な能力がないことが示されている。
本稿では,関数の進行と引数のセマンティクスを追跡する2つの補助シーケンス予測タスクを提案する。
論文 参考訳(メタデータ) (2021-09-30T16:41:19Z) - Statistically Meaningful Approximation: a Case Study on Approximating
Turing Machines with Transformers [50.85524803885483]
本研究は,統計的学習性を示すために近似ネットワークを必要とする統計有意(SM)近似の形式的定義を提案する。
回路とチューリングマシンの2つの機能クラスに対するSM近似について検討する。
論文 参考訳(メタデータ) (2021-07-28T04:28:55Z) - A Simple and General Debiased Machine Learning Theorem with Finite
Sample Guarantees [4.55274575362193]
我々は、あらゆる機械学習アルゴリズムのグローバルまたはローカル機能を含む、漸近的不偏性機械学習定理を提供する。
この結果は、アナリストが現代の学習理論の速度を従来の統計的推論に翻訳するために使用できる、単純な条件のセットで決定される。
論文 参考訳(メタデータ) (2021-05-31T17:57:02Z) - Programming by Rewards [20.626369097817715]
我々は、性能、資源利用、あるいはベンチマーク上の正確性などの量的指標を最適化するための新しいアプローチである「報酬によるプログラミング」 (PBR) を定式化し、研究する。
PBR仕様は、(1)入力機能$x$と(2)報酬関数$r$で構成され、ブラックボックスコンポーネントとしてモデル化されている(実行しかできない)。
フレームワークは理論的に確立された -- 報酬が優れた特性を満たす場合において、合成されたコードは正確な意味で最適であることを示す。
論文 参考訳(メタデータ) (2020-07-14T05:49:14Z) - Refined bounds for algorithm configuration: The knife-edge of dual class
approximability [94.83809668933021]
トレーニングセットが、トレーニングセット上でのパラメータの平均メトリックのパフォーマンスが、予想される将来的なパフォーマンスに最も近いことを保証するために、どの程度の規模が必要かを調査する。
この近似が L-無限ノルムの下で成り立つなら、強いサンプル複雑性境界を与えることができる。
我々は、コンピュータ科学において最も強力なツールの一つである整数プログラミングの文脈において、我々の限界を実証的に評価する。
論文 参考訳(メタデータ) (2020-06-21T15:32:21Z) - On the Estimation of Complex Circuits Functional Failure Rate by Machine
Learning Techniques [0.16311150636417257]
デレーティング(De-Rating)あるいは脆弱性要因(Vulnerability Factors)は、今日の機能的安全要件によって管理される障害分析の最大の特徴である。
機械学習を用いて個々のフリップフロップの関数的デレートを推定する新しい手法が提案されている。
論文 参考訳(メタデータ) (2020-02-18T15:18:31Z) - Towards Neural-Guided Program Synthesis for Linear Temporal Logic
Specifications [26.547133495699093]
ニューラルネットワークを用いてQ関数を学習し、探索を誘導し、その後正当性を検証したプログラムを構築する。
提案手法は,検索と深層学習を組み合わせることで,合成を実現するのにユニークな手法である。
論文 参考訳(メタデータ) (2019-12-31T17:09:49Z)
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。