Fugu-MT 論文翻訳(概要): Characterizing and Optimizing EDA Flows for the Cloud

論文の概要: Characterizing and Optimizing EDA Flows for the Cloud

arxiv url: http://arxiv.org/abs/2102.10800v1
Date: Mon, 22 Feb 2021 06:51:09 GMT
ステータス: 処理完了
システム内更新日: 2021-02-23 20:13:29.691462
Title: Characterizing and Optimizing EDA Flows for the Cloud
Title（参考訳）: クラウドのためのEDAフローの特性と最適化
Authors: Abdelrahman Hosny and Sherief Reda
Abstract要約: EDAのジョブをクラウドにデプロイするには、EDAチームがクラウド環境におけるジョブの特徴を深く理解する必要がある。異なるEDAジョブは異なるマシン構成を必要とすることを示す。グラフ畳み込みネットワークに基づく新しいモデルを提案し、異なるマシン構成上の特定のアプリケーションの総実行時間を予測する。マルチチョイスナップサックマッピングを用いた擬多項式最適解を提案し,コストを35.29%削減する。
参考スコア（独自算出の注目度）: 1.7731206588169939
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cloud computing accelerates design space exploration in logic synthesis, and parameter tuning in physical design. However, deploying EDA jobs on the cloud requires EDA teams to deeply understand the characteristics of their jobs in cloud environments. Unfortunately, there has been little to no public information on these characteristics. Thus, in this paper, we formulate the problem of migrating EDA jobs to the cloud. First, we characterize the performance of four main EDA applications, namely: synthesis, placement, routing and static timing analysis. We show that different EDA jobs require different machine configurations. Second, using observations from our characterization, we propose a novel model based on Graph Convolutional Networks to predict the total runtime of a given application on different machine configurations. Our model achieves a prediction accuracy of 87%. Third, we develop a new formulation for optimizing cloud deployments in order to reduce deployment costs while meeting deadline constraints. We present a pseudo-polynomial optimal solution using a multi-choice knapsack mapping that reduces costs by 35.29%.
Abstract（参考訳）: クラウドコンピューティングは論理合成における設計空間探索と物理設計におけるパラメータチューニングを加速する。しかし、EDAのジョブをクラウドにデプロイするには、EDAチームはクラウド環境におけるジョブの特徴を深く理解する必要がある。残念ながら、これらの特性に関する公開情報はほとんどありませんでした。そこで本論文では,EDAジョブをクラウドに移行するという問題を定式化する。まず、合成、配置、ルーティング、静的タイミング分析の4つの主要なEDAアプリケーションのパフォーマンスを特徴付けます。異なるEDAジョブは異なるマシン構成を必要とすることを示す。第2に,評価から得られた観測データを用いて,異なるマシン構成上で,与えられたアプリケーションの総実行時間を予測するためのグラフ畳み込みネットワークに基づく新しいモデルを提案する。予測精度は87%である。第3に,納期制約を満たしながらデプロイメントコストを削減するために,クラウドデプロイメントを最適化するための新たな定式化を開発する。マルチチョイスナップサックマッピングを用いた擬多項式最適解を提案し,コストを35.29%削減する。

関連論文リスト

Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-29T19:02:54Z)
Dual-Model Distillation for Efficient Action Classification with Hybrid Edge-Cloud Solution [1.8029479474051309]
我々は、より大規模で正確なクラウドベースモデルに必要に応じて遅延しながら、より小さなモデルのローカル処理効率を活用するハイブリッドエッジクラウドソリューションを設計する。具体的には、エッジモデルの出力が不確かである場合に予測可能な軽量スイッチャーモデルをトレーニングするための、新しい教師なしデータ生成手法であるDual-Model Distillation(DMD)を提案する。動作分類タスクの実験結果から,我々のフレームワークは計算オーバーヘッドを少なくするだけでなく,大規模モデルのみを使用する場合と比較して精度も向上することが示された。
論文参考訳（メタデータ） (2024-10-16T02:06:27Z)
CloudFixer: Test-Time Adaptation for 3D Point Clouds via Diffusion-Guided Geometric Transformation [33.07886526437753]
実世界のセンサーから捉えた3Dポイントの雲は、様々な障害物のためにしばしばノイズの多い点を包含する。これらの課題は、クリーンポイントクラウドでトレーニングされたトレーニング済みのポイントクラウド認識モデルのデプロイを妨げる。本研究では,3次元点雲に適したテスト時間入力適応法であるCloudFixerを提案する。
論文参考訳（メタデータ） (2024-07-23T05:35:04Z)
Dynamic Adapter Meets Prompt Tuning: Parameter-Efficient Transfer Learning for Point Cloud Analysis [51.14136878142034]
ポイントクラウド分析は、事前訓練されたモデルのポイントクラウドの転送によって、優れたパフォーマンスを実現している。モデル適応のための既存の方法は通常、高い計算コストに依存するため、非効率な全てのモデルパラメータを更新する。本稿では,タスク性能とパラメータ効率のトレードオフを考慮した,ポイントクラウド解析のためのパラメータ効率変換学習を提案する。
論文参考訳（メタデータ） (2024-03-03T08:25:04Z)
Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
論文参考訳（メタデータ） (2024-02-27T08:47:19Z)
Adaptive Point Transformer [88.28498667506165]
Adaptive Point Cloud Transformer (AdaPT) は、適応トークン選択機構によって強化された標準PTモデルである。 AdaPTは推論中のトークン数を動的に削減し、大きな点雲の効率的な処理を可能にする。
論文参考訳（メタデータ） (2024-01-26T13:24:45Z)
DVFO: Learning-Based DVFS for Energy-Efficient Edge-Cloud Collaborative Inference [12.095934624748686]
本稿では,新しいDVFS対応エッジクラウド協調推論フレームワークであるDVFOを提案する。エッジデバイスのCPU、GPU、メモリの周波数を自動的に最適化し、機能マップをクラウドサーバにオフロードする。最先端の計画に比べて、エネルギー消費を平均で33%削減する。
論文参考訳（メタデータ） (2023-06-02T07:00:42Z)
Instance-aware Dynamic Prompt Tuning for Pre-trained Point Cloud Models [64.49254199311137]
本稿では,事前学習点クラウドモデルのための新しいインスタンス対応動的プロンプトチューニング(IDPT)戦略を提案する。 IDPTの本質は、各ポイントクラウドインスタンスのセマンティックな事前特徴を知覚する動的プロンプト生成モジュールを開発することである。実験では、IDPTはトレーニング可能なパラメータのわずか7%で、ほとんどのタスクにおいて完全な微調整よりも優れています。
論文参考訳（メタデータ） (2023-04-14T16:03:09Z)
AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware Transformers [94.11915008006483]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
論文参考訳（メタデータ） (2023-01-11T16:14:12Z)
Analyzing the Performance of Smart Industry 4.0 Applications on Cloud Computing Systems [1.292804228022353]
クラウドベースのDeep Neural Network (DNN)アプリケーションは、Industrial 4.0に欠かせない部分になっている。捕獲されていない場合、品質・オブ・サービス(QoS)の低さや、石油やガス産業といった重要な分野の災害につながる可能性がある。本研究は,2つの視点から推定時間の記述的分析を行う。
論文参考訳（メタデータ） (2020-12-11T00:18:05Z)
Dynamic Scheduling for Stochastic Edge-Cloud Computing Environments using A3C learning and Residual Recurrent Neural Networks [30.61220416710614]
A-Advantage-Actor-Critic(A3C)学習は、データが少ない動的なシナリオに迅速に適応することが知られ、Residual Recurrent Neural Network(R2N2)はモデルパラメータを迅速に更新する。我々はR2N2アーキテクチャを用いて、多数のホストパラメータとタスクパラメータを時間パターンとともにキャプチャし、効率的なスケジューリング決定を提供する。実世界のデータセットで実施された実験では、エネルギー消費、応答時間、ServiceLevelAgreementおよびランニングコストがそれぞれ14.4%、7.74%、31.9%、および4.64%で大幅に改善された。
論文参考訳（メタデータ） (2020-09-01T13:36:34Z)

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。