論文の概要: VeRLPy: Python Library for Verification of Digital Designs with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2108.03978v1
• Date: Mon, 9 Aug 2021 12:27:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 14:57:43.602297
• Title: VeRLPy: Python Library for Verification of Digital Designs with Reinforcement Learning
• Title（参考訳）: VeRLPy:強化学習によるディジタルデザイン検証のためのPythonライブラリ
• Authors: Aebel Joe Shibu, Sadhana S, Shilpa N, Pratyush Kumar
• Abstract要約: VeRLPyは、追加のエンジニアリングオーバーヘッドを限定したRL駆動検証を可能にするオープンソースライブラリである。 いくつかの設計にVeRLPyを用いることを実証し、ランダムに生成された入力信号に対してその値を確立する。
• 参考スコア（独自算出の注目度）: 2.543215131265352
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital hardware is verified by comparing its behavior against a reference model on a range of randomly generated input signals. The random generation of the inputs hopes to achieve sufficient coverage of the different parts of the design. However, such coverage is often difficult to achieve, amounting to large verification efforts and delays. An alternative is to use Reinforcement Learning (RL) to generate the inputs by learning to prioritize those inputs which can more efficiently explore the design under test. In this work, we present VeRLPy an open-source library to allow RL-driven verification with limited additional engineering overhead. This contributes to two broad movements within the EDA community of (a) moving to open-source toolchains and (b) reducing barriers for development with Python support. We also demonstrate the use of VeRLPy for a few designs and establish its value over randomly generated input signals.
• Abstract（参考訳）: ディジタルハードウェアは、ランダムに生成された入力信号の範囲の基準モデルと比較することにより検証される。 入力のランダムな生成は、設計の異なる部分を十分にカバーしたいと考えている。 しかし、このようなカバレッジは多くの場合達成が困難であり、大きな検証努力と遅延が伴う。 別の方法として、強化学習(rl)を使用して、テスト中の設計をより効率的に探求できる入力を優先順位付けすることで、入力を生成する方法がある。 本稿では,エンジニアリングオーバーヘッドが限定されたrlによる検証を可能にするオープンソースライブラリ verlpy を提案する。 これは、(a)オープンソースツールチェーンへの移行と(b)Pythonサポートによる開発における障壁の削減という、EDAコミュニティ内の2つの大きな動きに寄与する。 また、VeRLPyをいくつかの設計に適用し、ランダムに生成された入力信号に対してその値を確立する。

関連論文リスト

• OVLW-DETR: Open-Vocabulary Light-Weighted Detection Transformer [63.141027246418]
  本稿では,OVLW-DETR(Open-Vocabulary Light-Weighted Detection Transformer)を提案する。 本稿では,視覚言語モデル(VLM)からオブジェクト検出器への知識伝達を簡易なアライメントで行うエンド・ツー・エンドのトレーニングレシピを提案する。 実験により,提案手法は標準ゼロショットLVISベンチマークにおいて,既存の実時間開語彙検出器よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-15T12:15:27Z)
• On Training a Neural Network to Explain Binaries [43.27448128029069]
  本研究では,バイナリコード理解のタスクにおいて,ディープニューラルネットワークをトレーニングする可能性を検討する。 私たちは、Stack Overflowの1.1Mエントリを含むキャプチャから派生した、独自のデータセットを構築しています。
  論文  参考訳（メタデータ） (2024-04-30T15:34:51Z)
• SERL: A Software Suite for Sample-Efficient Robotic Reinforcement Learning [85.21378553454672]
  筆者らは,報酬の計算と環境のリセットを行う手法とともに,効率的なオフ・ポリティクス・ディープ・RL法を含むライブラリを開発した。 我々は,PCBボードアセンブリ,ケーブルルーティング,オブジェクトの移動に関するポリシを,非常に効率的な学習を実現することができることを発見した。 これらの政策は完全な成功率またはほぼ完全な成功率、摂動下でさえ極端な堅牢性を実現し、突発的な堅牢性回復と修正行動を示す。
  論文  参考訳（メタデータ） (2024-01-29T10:01:10Z)
• Utilizing Explainability Techniques for Reinforcement Learning Model Assurance [42.302469854610315]
  説明可能な強化学習(XRL)は、深層強化学習(DRL)モデルの意思決定プロセスに透明性を提供する。 本稿では,オープンソースのPythonライブラリであるARLIN (Assured RL Model Interrogation) Toolkitを紹介する。
  論文  参考訳（メタデータ） (2023-11-27T14:02:47Z)
• Katakomba: Tools and Benchmarks for Data-Driven NetHack [52.0035089982277]
  NetHackは強化学習研究のフロンティアとして知られている。 採用には、リソースワイド、実装ワイド、ベンチマークワイドの3つの大きな障害がある、と私たちは主張しています。 オフラインの強化学習コミュニティに慣れ親しんだワークフローの基礎を提供するオープンソースライブラリを開発した。
  論文  参考訳（メタデータ） (2023-06-14T22:50:25Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• pymdp: A Python library for active inference in discrete state spaces [52.85819390191516]
  pymdpはPythonでアクティブな推論をシミュレートするオープンソースパッケージである。 我々は,POMDPによるアクティブな推論をシミュレートする,最初のオープンソースパッケージを提供する。
  論文  参考訳（メタデータ） (2022-01-11T12:18:44Z)
• Reservoir Based Edge Training on RF Data To Deliver Intelligent and Efficient IoT Spectrum Sensors [0.6451914896767135]
  本稿では,コンパクトなモバイルデバイス上での汎用機械学習アルゴリズムをサポートする処理アーキテクチャを提案する。 Deep Delay Loop Reservoir Computing (DLR)は、Stand-of-the-Art (SoA)と比較して、フォームファクタ、ハードウェアの複雑さ、レイテンシを低減します。 状態ベクトルを線形に結合した複数の小さなループからなるDLRアーキテクチャを、リッジ回帰に対する低次元入力を生成する。
  論文  参考訳（メタデータ） (2021-04-01T20:08:01Z)
• Reservoir-Based Distributed Machine Learning for Edge Operation [0.6451914896767135]
  スマートセンサを組み込んだ機械学習アルゴリズムの現場学習のための新しい設計を紹介します。 無線周波数(RF)スペクトルセンサを用いた分散トレーニングシナリオについて述べる。
  論文  参考訳（メタデータ） (2021-04-01T20:06:40Z)
• Optimising Design Verification Using Machine Learning: An Open Source Solution [0.0]
  すべてのコーナーケースをテストする最も一般的なアプローチは、制約付きランダム検証(Constrained Random Verification)である。 本稿では,機械学習を用いて入力刺激を生成する手法を提案する。 Pythonをベースとしており、シンプルで直感的で、機械学習アプリケーションのための膨大な関数ライブラリを持っている。
  論文  参考訳（メタデータ） (2020-12-04T08:18:05Z)
• A Transformer-based Approach for Source Code Summarization [86.08359401867577]
  コードトークン間のペア関係をモデル化することにより,要約のためのコード表現を学習する。 アプローチは単純であるにもかかわらず、最先端技術よりもかなりの差があることが示される。
  論文  参考訳（メタデータ） (2020-05-01T23:29:36Z)

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。