論文の概要: Program-to-Circuit: Exploiting GNNs for Program Representation and Circuit Translation

• arxiv url: http://arxiv.org/abs/2109.06265v1
• Date: Mon, 13 Sep 2021 19:07:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 15:34:38.571397
• Title: Program-to-Circuit: Exploiting GNNs for Program Representation and Circuit Translation
• Title（参考訳）: Program-to-Circuit:プログラム表現と回路翻訳のためのGNNのエクスプロイト
• Authors: Nan Wu, Huake He, Yuan Xie, Pan Li, Cong Hao
• Abstract要約: この研究は、C/C++プログラムをグラフとして表現することで、グラフニューラルネットワーク(GNN)の表現力を活用することを目的としている。 プログラム・ツー・サーキット問題に基づいて14の最先端GNNモデルを解析した。 目標は、適切な帰納バイアスでGNNを設計するためのドメイン固有の知識を提供することである。
• 参考スコア（独自算出の注目度）: 17.749200195581665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Circuit design is complicated and requires extensive domain-specific expertise. One major obstacle stuck on the way to hardware agile development is the considerably time-consuming process of accurate circuit quality evaluation. To significantly expedite the circuit evaluation during the translation from behavioral languages to circuit designs, we formulate it as a Program-to-Circuit problem, aiming to exploit the representation power of graph neural networks (GNNs) by representing C/C++ programs as graphs. The goal of this work is four-fold. First, we build a standard benchmark containing 40k C/C++ programs, each of which is translated to a circuit design with actual hardware quality metrics, aiming to facilitate the development of effective GNNs targeting this high-demand circuit design area. Second, 14 state-of-the-art GNN models are analyzed on the Program-to-Circuit problem. We identify key design challenges of this problem, which should be carefully handled but not yet solved by existing GNNs. The goal is to provide domain-specific knowledge for designing GNNs with suitable inductive biases. Third, we discuss three sets of real-world benchmarks for GNN generalization evaluation, and analyze the performance gap between standard programs and the real-case ones. The goal is to enable transfer learning from limited training data to real-world large-scale circuit design problems. Fourth, the Program-to-Circuit problem is a representative within the Program-to-X framework, a set of program-based analysis problems with various downstream tasks. The in-depth understanding of strength and weaknesses in applying GNNs on Program-to-Circuit could largely benefit the entire family of Program-to-X. Pioneering in this direction, we expect more GNN endeavors to revolutionize this high-demand Program-to-Circuit problem and to enrich the expressiveness of GNNs on programs.
• Abstract（参考訳）: 回路設計は複雑で、ドメイン固有の専門知識を必要とする。 ハードウェアアジャイル開発への道のりで立ち往生している大きな障害の1つは、正確な回路品質評価のかなりの時間を要するプロセスである。 動作言語から回路設計への変換中の回路評価を著しく高速化するために,c/c++プログラムをグラフとして表現することでグラフニューラルネットワーク(gnns)の表現力を活用すべく,プログラムから回路への問題として定式化する。 この作品の目標は4倍である。 まず、40kのC/C++プログラムを含む標準ベンチマークを構築し、それぞれが実際のハードウェア品質指標を持つ回路設計に変換され、この要求の高い回路設計領域をターゲットにした効率的なGNNの開発を容易にする。 第2に、Program-to-Circuit問題に基づいて、14の最先端GNNモデルを分析する。 我々は,既存のGNNでは未解決だが,慎重に扱うべき重要な設計課題を特定する。 目標は、適切な帰納バイアスでGNNを設計するためのドメイン固有の知識を提供することである。 第3に、GNNの一般化評価のための実世界の3つのベンチマークについて論じ、標準プログラムと実ケース間の性能ギャップを分析する。 目標は、限られたトレーニングデータから実世界の大規模回路設計問題への転送学習を可能にすることである。 第4に、Program-to-Circuit問題(Program-to-X framework)は、様々な下流タスクを伴うプログラムベースの分析問題である。 Program-to-CircuitにGNNを適用する際の強度と弱点の深い理解は、Program-to-Xのファミリー全体にとって大きな恩恵となるだろう。 この方向に進む中で、我々は、より多くのGNN努力者が、この高需要のProgram-to-Circuit問題に革命を起こし、プログラムにおけるGNNの表現力を高めることを期待している。

関連論文リスト

• Computation-friendly Graph Neural Network Design by Accumulating Knowledge on Large Language Models [20.31388126105889]
  グラフニューラルネットワーク(GNN)は目覚ましい成功を収めているが、アーキテクチャ設計の複雑さによって妨げられている。 人間の作業量を減らすために、研究者はGNNを設計するための自動アルゴリズムを開発しようとしている。
  論文  参考訳（メタデータ） (2024-08-13T08:22:01Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Enabling Accelerators for Graph Computing [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを学ぶための新しいパラダイムを提供する。 GNNは従来のニューラルネットワークと比較して新しい計算課題を提示している。 この論文は、GNNが基盤となるハードウェアとどのように相互作用するかをよりよく理解することを目的としている。
  論文  参考訳（メタデータ） (2023-12-16T23:31:20Z)
• 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)
• Graph Neural Networks: A Powerful and Versatile Tool for Advancing Design, Reliability, and Security of ICs [5.999016770345891]
  グラフニューラルネットワーク(GNN)は、ソーシャルネットワークや生物学などに存在する大規模データを学習し、予測するために、最先端のSOTA(State-of-the-art)を推進した。 本稿では,IC設計における課題を解決するため,GNNモデルを調整するための汎用パイプラインを提案する。 GNNフレームワークの概要は、(i)電子設計自動化(EDA)とIC設計全般、(ii)信頼性の高いICの設計、(iii)セキュアなICの分析を網羅している。
  論文  参考訳（メタデータ） (2022-11-29T18:58:07Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Learning to Execute Programs with Instruction Pointer Attention Graph Neural Networks [55.98291376393561]
  グラフニューラルネットワーク(GNN)は、ソフトウェアエンジニアリングタスクを学習するための強力なツールとして登場した。 リカレントニューラルネットワーク(RNN)は、長いシーケンシャルな推論の連鎖に適しているが、プログラム構造を自然に組み込んでいるわけではない。 本稿では,新しいGNNアーキテクチャ,IPA-GNN(Instruction Pointer Attention Graph Neural Networks)を導入する。
  論文  参考訳（メタデータ） (2020-10-23T19:12:30Z)

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。