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
- Dynamic Adapter Meets Prompt Tuning: Parameter-Efficient Transfer
Learning for Point Cloud Analysis [53.70588957376317]
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 [60.17626806243389]
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) - A Serverless Cloud-Fog Platform for DNN-Based Video Analytics with
Incremental Learning [31.712746462418693]
本稿では、クライアント-フォグクラウドのシナジーをフル活用して、DNNベースのビデオ分析に役立てる最初のサーバーレスシステムを提案する。
この目的のために、V(Video-Platform-as-a-Service)と呼ばれる総合的なクラウドフォッグシステムを実装した。
評価の結果、Vは複数のSOTAシステムよりも優れており、高い精度を維持しながら帯域幅を最大21%削減し、RTTを最大62.5%削減し、クラウドの金融コストを最大50%削減している。
論文 参考訳(メタデータ) (2021-02-05T05:59:36Z) - 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) - SoftPoolNet: Shape Descriptor for Point Cloud Completion and
Classification [93.54286830844134]
本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。
デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。
我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
論文 参考訳(メタデータ) (2020-08-17T14:32:35Z)
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。