論文の概要: Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization

• arxiv url: http://arxiv.org/abs/2110.03939v1
• Date: Fri, 8 Oct 2021 07:22:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 23:19:17.658498
• Title: Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization
• Title（参考訳）: ランキングコスト:進化に基づく最適化による効率的でスケーラブルな回路ルーティングプランナーの構築
• Authors: Shiyu Huang, Bin Wang, Dong Li, Jianye Hao, Ting Chen, Jun Zhu
• Abstract要約: そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。 提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。 我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
• 参考スコア（独自算出の注目度）: 49.207538634692916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Circuit routing has been a historically challenging problem in designing electronic systems such as very large-scale integration (VLSI) and printed circuit boards (PCBs). The main challenge is that connecting a large number of electronic components under specific design rules involves a very large search space. Early solutions are typically designed with hard-coded heuristics, which suffer from problems of non-optimal solutions and lack of flexibility for new design needs. Although a few learning-based methods have been proposed recently, they are typically cumbersome and hard to extend to large-scale applications. In this work, we propose a new algorithm for circuit routing, named Ranking Cost, which innovatively combines search-based methods (i.e., A* algorithm) and learning-based methods (i.e., Evolution Strategies) to form an efficient and trainable router. In our method, we introduce a new set of variables called cost maps, which can help the A* router to find out proper paths to achieve the global objective. We also train a ranking parameter, which can produce the ranking order and further improve the performance of our method. Our algorithm is trained in an end-to-end manner and does not use any artificial data or human demonstration. In the experiments, we compare with the sequential A* algorithm and a canonical reinforcement learning approach, and results show that our method outperforms these baselines with higher connectivity rates and better scalability.
• Abstract（参考訳）: 回路ルーティングは、超大規模集積(VLSI)やプリント回路基板(PCB)といった電子システムを設計する上で、歴史的に難しい問題となっている。 主な課題は、特定の設計規則の下で多数の電子部品を接続することは、非常に大きな検索空間を必要とすることである。 初期のソリューションは通常、最適化されていないソリューションの問題と新しい設計ニーズに対する柔軟性の欠如に悩まされるハードコードヒューリスティックで設計されている。 近年,学習に基づく手法がいくつか提案されているが,大規模アプリケーションへの拡張が難しいのが一般的である。 本研究では、探索に基づく手法(A*アルゴリズム)と学習に基づく手法(Evolution Strategies)を革新的に組み合わせ、効率的で訓練可能なルータを形成するための回路ルーティングのための新しいアルゴリズムであるランキングコストを提案する。 提案手法ではコストマップと呼ばれる新しい変数セットを導入し,a*ルータがグローバル目標を達成するための適切な経路を見つけるのに役立つ。 また、ランキングパラメータをトレーニングし、ランキングの順序を導出し、提案手法の性能をさらに向上させることができる。 我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使わない。 実験では,逐次a*アルゴリズムと正準強化学習手法を比較し,本手法がベースラインよりも高い接続率とスケーラビリティで優れていることを示す。

関連論文リスト

• CircuitVAE: Efficient and Scalable Latent Circuit Optimization [22.93567682576068]
  CircuitVAEは連続空間に計算グラフを埋め込む検索アルゴリズムである。 我々のアルゴリズムはサンプリング効率が高いが、大きな問題インスタンスと高いサンプル予算に優雅にスケールする。 CircuitVAEは、実世界のチップで最先端の加算器を設計でき、我々の手法がリアルな環境で商用ツールより優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-13T18:47:52Z)
• An Efficient Learning-based Solver Comparable to Metaheuristics for the Capacitated Arc Routing Problem [67.92544792239086]
  我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。 まず,方向対応型注意モデル(DaAM)を提案する。 第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
  論文  参考訳（メタデータ） (2024-03-11T02:17:42Z)
• Genetic Algorithms with Neural Cost Predictor for Solving Hierarchical Vehicle Routing Problems [20.684353068460375]
  車両の経路決定が高次決定と連動する場合、結果の最適化問題は計算に重大な課題をもたらす。 本稿では,ニューラルコスト予測器を用いた遺伝的アルゴリズム(GANCP)という,ディープラーニングに基づく新しいアプローチを提案する。 特に,提案するニューラルネットワークは,静電容量化車両ルーティング問題を解決するHGS-CVRPオープンソースパッケージの目的値について学習する。
  論文  参考訳（メタデータ） (2023-10-22T02:46:37Z)
• Inverse Preference Learning: Preference-based RL without a Reward Function [34.31087304327075]
  Inverse Preference Learning (IPL) は、オフラインの嗜好データから学習するために特別に設計された。 我々の重要な洞察は、固定されたポリシーに対して、$Q$関数は報酬関数に関する全ての情報をエンコードし、効果的に交換可能であることである。 IPLは、トランスフォーマーベースおよび非マルコフ報酬関数を利用するより複雑なアプローチと比較して、競争性能が向上する。
  論文  参考訳（メタデータ） (2023-05-24T17:14:10Z)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• New Auction Algorithms for Path Planning, Network Transport, and Reinforcement Learning [0.0]
  最適および準最適解に対する新しいオークションベースのアルゴリズムを提案する。 アルゴリズムは、オブジェクトの人による競争入札に関連する数学的アイデアに基づいている。 新しいアルゴリズムは、既存の手法よりもいくつかの潜在的な利点がある。
  論文  参考訳（メタデータ） (2022-07-19T23:31:36Z)
• Sample-Efficient, Exploration-Based Policy Optimisation for Routing Problems [2.6782615615913348]
  本稿では,エントロピーに基づく新しい強化学習手法を提案する。 さらに、我々は、期待したリターンを最大化する、政治以外の強化学習手法を設計する。 我々のモデルは様々な経路問題に一般化可能であることを示す。
  論文  参考訳（メタデータ） (2022-05-31T09:51:48Z)
• DAAS: Differentiable Architecture and Augmentation Policy Search [107.53318939844422]
  この研究は、ニューラルネットワークとデータ拡張のカップリングの可能性を検討し、それらを共同で検索する効果的なアルゴリズムを提案する。 CIFAR-10では97.91%、ImageNetデータセットでは76.6%の精度で97.91%の精度を達成し、検索アルゴリズムの優れた性能を示している。
  論文  参考訳（メタデータ） (2021-09-30T17:15:17Z)
• Cream of the Crop: Distilling Prioritized Paths For One-Shot Neural Architecture Search [60.965024145243596]
  ワンショット重み共有手法は、高効率と競争性能のため、最近、ニューラルアーキテクチャ探索において大きな注目を集めている。 この問題を軽減するため, 単純で効果的な蒸留法を提案する。 本稿では、訓練中に優れた性能を示すアーキテクチャ候補を指す優先順位付けパスの概念を紹介する。 優先順位付けされた経路は、その性能や複雑さに応じて、ハエで変化するため、最終的な経路は作物のクリームである。
  論文  参考訳（メタデータ） (2020-10-29T17:55:05Z)
• Physarum Powered Differentiable Linear Programming Layers and Applications [48.77235931652611]
  一般線形プログラミング問題に対する効率的かつ微分可能な解法を提案する。 本稿では,ビデオセグメンテーションタスクとメタラーニングにおける問題解決手法について述べる。
  論文  参考訳（メタデータ） (2020-04-30T01:50:37Z)

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。