Fugu-MT 論文翻訳(概要): NVCell: Standard Cell Layout in Advanced Technology Nodes with Reinforcement Learning

論文の概要: NVCell: Standard Cell Layout in Advanced Technology Nodes with Reinforcement Learning

arxiv url: http://arxiv.org/abs/2107.07044v1
Date: Fri, 9 Jul 2021 16:31:17 GMT
ステータス: 処理完了
システム内更新日: 2021-07-18 12:30:26.614137
Title: NVCell: Standard Cell Layout in Advanced Technology Nodes with Reinforcement Learning
Title（参考訳）: NVCell:強化学習による高度な技術ノードにおける標準セルレイアウト
Authors: Haoxing Ren, Matthew Fojtik, Brucek Khailany
Abstract要約: 先進技術ノード上の業界標準セルライブラリにおいて, 単一行セルの90%以上に対して, 同一あるいは小面積のレイアウトを生成可能な, NVCell と呼ばれる標準セルレイアウト自動生成装置を導入する。
参考スコア（独自算出の注目度）: 3.7514444942145952
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High quality standard cell layout automation in advanced technology nodes is still challenging in the industry today because of complex design rules. In this paper we introduce an automatic standard cell layout generator called NVCell that can generate layouts with equal or smaller area for over 90% of single row cells in an industry standard cell library on an advanced technology node. NVCell leverages reinforcement learning (RL) to fix design rule violations during routing and to generate efficient placements.
Abstract（参考訳）: 高度な技術ノードにおける高品質な標準セルレイアウト自動化は、複雑な設計規則のため、現在でも業界では難しい。本稿では,高度技術ノード上の産業標準セルライブラリにおいて,一列セルの90%以上を均等あるいは小面積で配置できる,NVCellと呼ばれる標準セルレイアウト自動生成装置を提案する。 NVCellは強化学習(RL)を活用して、ルーティング中の設計規則違反を修正し、効率的な配置を生成する。

関連論文リスト

Non-Overlapping Placement of Macro Cells based on Reinforcement Learning in Chip Design [20.500468654567033]
本稿では,強化学習に基づくエンドツーエンド配置手法SRLPlacerを提案する。パブリックベンチマークISPD2005で評価することにより,提案したSRLPlacerはマクロセル間の重複問題を効果的に解決することができる。
論文参考訳（メタデータ） (2024-07-26T04:15:54Z)
Renormalisation of Quantum Cellular Automata [45.279573215172285]
超立方体格子上の量子セルオートマトンに対する粗粒化法について検討した。各タイル内の部分空間に適用される複数の進化ステップは、新しい量子セルオートマトンの一進化ステップと見なすことができる。我々は,再正常化のための必要十分条件を導出し,それをセルオートマトンの再正規化フローの解明に利用した。
論文参考訳（メタデータ） (2024-07-17T15:33:33Z)
Large Language Model (LLM) for Standard Cell Layout Design Optimization [2.012607314686814]
我々はLarge Language Model(LLM)を用いて、セルレイアウトのPPAを最適化し、ReActプロンプトでルタビリティをデバッグするために、高品質なクラスタ制約を漸進的に生成する。 2nmのシーケンシャルスタンダードセルのベンチマークにおいて,提案手法が最大19.4%の小さいセル領域を実現することを示す。要約すると,提案手法はセル面積を平均4.65%削減するだけでなく,セルレイアウト設計における不安定性を修正することができる。
論文参考訳（メタデータ） (2024-05-24T04:59:58Z)
scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
論文参考訳（メタデータ） (2023-12-16T03:54:26Z)
CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
論文参考訳（メタデータ） (2023-08-31T02:20:25Z)
Working Memory Connections for LSTM [51.742526187978726]
ワーキングメモリ接続は,様々なタスクにおけるLSTMの性能を常に向上することを示す。数値的な結果は、細胞状態がゲート構造に含まれる価値のある情報を含んでいることを示唆している。
論文参考訳（メタデータ） (2021-08-31T18:01:30Z)
A deep learning approach for inverse design of the metasurface for dual-polarized waves [1.1254693939127909]
機械学習に基づく手法は、最近メタ曲面の逆実現のための刺激的なプラットフォームを作成した。本稿では,TE波とTM波の両方に対して,超広帯域の動作周波数帯における出力単位セル構造の生成にDeep Neural Network(DNN)を用いた。
論文参考訳（メタデータ） (2021-05-12T17:15:31Z)
Image segmentation via Cellular Automata [58.86475603234583]
我々は高解像度画像のセグメンテーションを成功させるセルオートマトンを設計し、訓練する。私たちの最小のオートマトンは、複雑なセグメンテーションタスクを解決するために1万以下のパラメータを使用します。
論文参考訳（メタデータ） (2020-08-11T19:04:09Z)
Posterior Control of Blackbox Generation [126.33511630879713]
我々は、構造化潜在変数アプローチにより学習した離散制御状態を持つニューラルジェネレーションモデルの拡張を検討する。この手法は標準ベンチマークよりも改善され、きめ細かい制御も可能である。
論文参考訳（メタデータ） (2020-05-10T03:22:45Z)

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。