論文の概要: OpeNPDN: A Neural-network-based Framework for Power Delivery Network Synthesis

• arxiv url: http://arxiv.org/abs/2110.14184v1
• Date: Wed, 27 Oct 2021 05:33:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-28 15:08:17.540127
• Title: OpeNPDN: A Neural-network-based Framework for Power Delivery Network Synthesis
• Title（参考訳）: OpeNPDN: 電源ネットワーク合成のためのニューラルネットワークベースのフレームワーク
• Authors: Vidya A. Chhabria and Sachin S. Sapatnekar
• Abstract要約: 電力配信ネットワーク(PDN)の設計は、非自明で、時間集約的で反復的なタスクである。 この研究は、事前定義されたPDNテンプレートのセットを利用する機械学習ベースの方法論を提案する。
• 参考スコア（独自算出の注目度）: 3.7338875223247436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power delivery network (PDN) design is a nontrivial, time-intensive, and iterative task. Correct PDN design must account for considerations related to power bumps, currents, blockages, and signal congestion distribution patterns. This work proposes a machine learning-based methodology that employs a set of predefined PDN templates. At the floorplan stage, coarse estimates of current, congestion, macro/blockages, and C4 bump distributions are used to synthesize a grid for early design. At the placement stage, the grid is incrementally refined based on more accurate and fine-grained distributions of current and congestion. At each stage, a convolutional neural network (CNN) selects an appropriate PDN template for each region on the chip, building a safe-by-construction PDN that meets IR drop and electromigration (EM) specifications. The CNN is initially trained using a large synthetically-created dataset, following which transfer learning is leveraged to bridge the gap between real-circuit data (with a limited dataset size) and synthetically-generated data. On average, the optimization of the PDN frees thousands of routing tracks in congestion-critical regions, when compared to a globally uniform PDN, while staying within the IR drop and EM limits.
• Abstract（参考訳）: 電力配信ネットワーク(PDN)の設計は、非自明で、時間集約的で反復的なタスクである。 PDNの正確な設計は、パワーバンプ、電流、遮断、信号の混雑分布パターンに関する考慮を考慮しなければならない。 本稿では,事前定義されたpdnテンプレートを用いた機械学習に基づく手法を提案する。 フロアプラン段階では、初期設計のためのグリッドを合成するために、電流、混雑、マクロ/ブロック、C4バンプ分布の粗い推定値を用いる。 配置段階では、電流と混雑のより正確できめ細かい分布に基づいてグリッドを漸進的に洗練する。 各段階で、畳み込みニューラルネットワーク(CNN)はチップ上の各領域に対して適切なPDNテンプレートを選択し、IRドロップとエレクトロマイグレーション(EM)仕様を満たす安全な構成のPDNを構築する。 cnnは当初、大規模な合成データセットを使用してトレーニングされ、その後に転送学習が活用され、実循環データ(データセットサイズが限られている)と合成データの間のギャップを埋める。 PDNの最適化は、IRドロップとEMリミット内に留まりながら、グローバルに均一なPDNと比較して、混雑クリティカルな領域における何千ものルーティングトラックを解放する。

関連論文リスト

• Asymmetrical estimator for training encapsulated deep photonic neural networks [10.709758849326061]
  フォトニックニューラルネットワーク(PNN)は高速なインプロパゲーションと高帯域幅のパラダイムである。 デバイス・ツー・デバイスとシステム・ツー・システムの違いは、PNNの完全な知識を生み出す。 DPNNのカプセル化に適した非対称訓練法(AT法)を導入する。
  論文  参考訳（メタデータ） (2024-05-28T17:27:20Z)
• PDNNet: PDN-Aware GNN-CNN Heterogeneous Network for Dynamic IR Drop Prediction [5.511978576494924]
  電力供給ネットワーク(PDN)上のIRドロップは、PDNの構成とセル電流消費と密接に関連している。 PDN構造と細胞-PDN関係の表現を統一する新しいグラフ構造PDNGraphを提案する。 我々は、深層学習に基づく動的IRドロップ予測法にグラフ構造を適用した最初の研究である。
  論文  参考訳（メタデータ） (2024-03-27T13:50:13Z)
• Signal Processing for Implicit Neural Representations [80.38097216996164]
  Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。 既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。 本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-17T06:29:07Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• SlimFL: Federated Learning with Superposition Coding over Slimmable Neural Networks [56.68149211499535]
  フェデレートラーニング(FL)は、デバイスの分散コンピューティング機能を活用した効率的なコミュニケーションとコンピューティングのための重要な実現手段である。 本稿では、FLと幅調整可能なスリムブルニューラルネットワーク(SNN)を統合した新しい学習フレームワークを提案する。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2022-03-26T15:06:13Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Joint Superposition Coding and Training for Federated Learning over Multi-Width Neural Networks [52.93232352968347]
  本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。 FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2021-12-05T11:17:17Z)
• Cross-Node Federated Graph Neural Network for Spatio-Temporal Data Modeling [13.426382746638007]
  本稿では,ノード間フェデレーション学習の制約下でのグラフニューラルネットワーク(GNN)に基づくアーキテクチャを提案する。 CNFGNNは、デバイス上の時間計算とサーバ上の空間力学を分離して動作する。 実験の結果, CNFGNNは, 帰納的および帰納的両方の学習環境において, 最高の予測性能が得られることがわかった。
  論文  参考訳（メタデータ） (2021-06-09T17:12:43Z)
• STDPG: A Spatio-Temporal Deterministic Policy Gradient Agent for Dynamic Routing in SDN [6.27420060051673]
  ソフトウェア定義ネットワーク(SDN)における動的ルーティングは、集中的な意思決定問題と見なすことができる。 本稿では,SDNにおける動的ルーティングのための新しいモデルフリーフレームワークを提案する。 STDPGは、平均的なエンドツーエンド遅延の観点から、より良いルーティングソリューションを実現する。
  論文  参考訳（メタデータ） (2020-04-21T07:19:07Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。