Fugu-MT 論文翻訳(概要): Design Rule Checking with a CNN Based Feature Extractor

論文の概要: Design Rule Checking with a CNN Based Feature Extractor

arxiv url: http://arxiv.org/abs/2012.11510v1
Date: Mon, 21 Dec 2020 17:26:31 GMT
ステータス: 処理完了
システム内更新日: 2021-04-27 06:25:40.586590
Title: Design Rule Checking with a CNN Based Feature Extractor
Title（参考訳）: CNN機能エクストラクタによる設計ルールチェック
Authors: Luis Francisco, Tanmay Lagare, Arpit Jain, Somal Chaudhary, Madhura Kulkarni, Divya Sardana, W. Rhett Davis and Paul Franzon
Abstract要約: デザインルールチェック(DRC)はますます複雑になりつつある。レイアウト中に使用できる高速なインタラクティブなDRCエンジンを持つことが非常に望ましいでしょう。本研究では,このようなエンジンの実現可能性の証明を確立する。
参考スコア（独自算出の注目度）: 2.294039751982729
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Design rule checking (DRC) is getting increasingly complex in advanced nodes technologies. It would be highly desirable to have a fast interactive DRC engine that could be used during layout. In this work, we establish the proof of feasibility for such an engine. The proposed model consists of a convolutional neural network (CNN) trained to detect DRC violations. The model was trained with artificial data that was derived from a set of $50$ SRAM designs. The focus in this demonstration was metal 1 rules. Using this solution, we can detect multiple DRC violations 32x faster than Boolean checkers with an accuracy of up to 92. The proposed solution can be easily expanded to a complete rule set.
Abstract（参考訳）: 高度なノード技術では設計ルールチェック(drc)がますます複雑になっています。レイアウト中に使用可能な高速な対話型DRCエンジンが望まれる。本研究では,このようなエンジンの実現可能性の証明を確立する。提案モデルは畳み込みニューラルネットワーク(cnn)を用いて,drm違反を検出する。このモデルは、50ドルのsram設計のセットから派生した人工データで訓練された。このデモの焦点は金属1のルールだった。この方法を用いることで,最大92の精度で,複数のDRC違反をBooleanチェッカーの32倍高速に検出できる。提案した解は、容易に完全なルールセットに拡張できる。

関連論文リスト

Speed of Light Exact Greedy Decoding for RNN-T Speech Recognition Models on GPU [4.40828913399992]
現在の最先端のRNN-Tデコード実装は、GPUアイドルを80%残している。本稿では,このアイドル時間を排除したRNN-Tモデルに対して,GPUによるgreedyデコーディングの正確な実装を提案する。この作業により、11億のパラメータ RNN-T モデルでも、同様のサイズの CTC モデルよりもわずか16%遅く動作することができる。
論文参考訳（メタデータ） (2024-06-06T07:03:28Z)
RepCNN: Micro-sized, Mighty Models for Wakeword Detection [3.4888176891918654]
常時オンの機械学習モデルは、非常に少ないメモリと計算フットプリントを必要とする。より大規模なマルチブランチアーキテクチャへの計算によって、小さな畳み込みモデルをよりよく訓練できることが示される。我々は、常時起動するウェイクワード検出モデルであるRepCNNが、推論中のレイテンシと精度のトレードオフを良好に提供することを示す。
論文参考訳（メタデータ） (2024-06-04T16:14:19Z)
How To Effectively Train An Ensemble Of Faster R-CNN Object Detectors To Quantify Uncertainty [3.1617543737231157]
本稿では,2段階の物体検出アンサンブルモデルを用いて不確実性を推定する手法を提案する。本稿では,1つの領域提案ネットワーク(RPN)と複数の高速R-CNN予測ヘッドを提案する。このアプローチは、すべての$n$モデルをアンサンブルで完全にトレーニングする簡単な方法よりもはるかに高速であることを示す。
論文参考訳（メタデータ） (2023-10-07T14:38:16Z)
Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文参考訳（メタデータ） (2023-09-22T06:19:11Z)
Sequence Transduction with Graph-based Supervision [96.04967815520193]
ラベルのグラフ表現を受け入れるためにRNN-T損失を一般化するトランスデューサ目的関数を提案する。 CTC型格子を用いたトランスデューサベースのASRは,標準RNN-Tよりも優れた結果が得られることを示す。
論文参考訳（メタデータ） (2021-11-01T21:51:42Z)
Oriented R-CNN for Object Detection [61.78746189807462]
本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
論文参考訳（メタデータ） (2021-08-12T12:47:43Z)
Towards a method to anticipate dark matter signals with deep learning at the LHC [58.720142291102135]
ニューラルネットワークを用いた簡易暗黒物質モデルとそのシグネチャをLHCで検討した。通常のモノジェットと逆エネルギーチャネルの欠如に焦点を当てるが、アルゴリズムを訓練するためには、イベント・バイ・イベント・アレーの代わりに2Dヒストグラムでデータを整理する。これにより、標準モデル(SM)のみとSMと新しい物理信号とを区別する性能が大きく向上する。
論文参考訳（メタデータ） (2021-05-25T15:38:13Z)
LiDAR R-CNN: An Efficient and Universal 3D Object Detector [20.17906188581305]
自動運転の知覚システムには、LiDARベースの3D検出が欠かせません。 lidar r-cnnは,既存の3d検出器を改良できる第2段検出器である。特に、PointPillarsの1つのバリエーションに基づいて、私たちの方法は小さなコストで新しい最先端の結果を達成できます。
論文参考訳（メタデータ） (2021-03-29T03:01:21Z)
End-to-End Object Detection with Transformers [88.06357745922716]
本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
論文参考訳（メタデータ） (2020-05-26T17:06:38Z)
Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。