論文の概要: On Joint Learning for Solving Placement and Routing in Chip Design

• arxiv url: http://arxiv.org/abs/2111.00234v1
• Date: Sat, 30 Oct 2021 11:41:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 14:03:38.638818
• Title: On Joint Learning for Solving Placement and Routing in Chip Design
• Title（参考訳）: チップ設計における問題解決とルーティングのための共同学習について
• Authors: Ruoyu Cheng, Junchi Yan
• Abstract要約: 本稿では,マクロや標準セルの配置に関するDeepPlaceによる共同学習手法を提案する。 また,DeepPRと呼ばれるマクロ配置とルーティングの両方を満たすための強化学習による共同学習手法も開発している。 本手法は,経験から効果的に学習し,数時間のトレーニングで標準細胞配置の中間配置を提供する。
• 参考スコア（独自算出の注目度）: 70.30640973026415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For its advantage in GPU acceleration and less dependency on human experts, machine learning has been an emerging tool for solving the placement and routing problems, as two critical steps in modern chip design flow. Being still in its early stage, there are fundamental issues: scalability, reward design, and end-to-end learning paradigm etc. To achieve end-to-end placement learning, we first propose a joint learning method termed by DeepPlace for the placement of macros and standard cells, by the integration of reinforcement learning with a gradient based optimization scheme. To further bridge the placement with the subsequent routing task, we also develop a joint learning approach via reinforcement learning to fulfill both macro placement and routing, which is called DeepPR. One key design in our (reinforcement) learning paradigm involves a multi-view embedding model to encode both global graph level and local node level information of the input macros. Moreover, the random network distillation is devised to encourage exploration. Experiments on public chip design benchmarks show that our method can effectively learn from experience and also provides intermediate placement for the post standard cell placement, within few hours for training.
• Abstract（参考訳）: GPUアクセラレーションのアドバンテージと人間のエキスパートへの依存の軽減により、機械学習は、現代のチップ設計フローにおける2つの重要なステップとして、配置とルーティング問題を解決する新たなツールとなった。 まだ初期段階にあるため、スケーラビリティ、報酬設計、エンドツーエンド学習パラダイムなど、基本的な問題があります。 エンドツーエンドの配置学習を実現するために,我々はまず,強化学習と勾配に基づく最適化手法を統合することで,マクロや標準セルの配置のためのDeepPlaceと呼ばれる共同学習手法を提案する。 また,その後のルーティングタスクで配置をさらにブリッジするために,マクロ配置とルーティングの両方を満たすための強化学習による共同学習手法を開発し,これをDeepPRと呼ぶ。 我々の(強化)学習パラダイムにおける1つの重要な設計は、入力マクロのグローバルグラフレベルとローカルノードレベル情報をエンコードするマルチビュー埋め込みモデルである。 さらに, ランダムネットワーク蒸留は探索を促進するために考案された。 公開チップ設計ベンチマーク実験により,本手法は経験から効果的に学習でき,また,数時間のトレーニングで,ポスト標準セル配置の中間配置を提供する。

関連論文リスト

• Chip Placement with Diffusion [42.397340832801724]
  マクロ配置 (Macro placement) は、2次元チップ上のマクロとして知られるコンポーネントの大規模なコレクションの物理的位置を定義する。 既存の学習ベースの手法は、強化学習に依存しており、エージェントの柔軟性が制限されるため、不足している。 本稿では,事前学習のための大規模合成データセットを生成するアルゴリズムとともに,デノナイズモデルのための新しいアーキテクチャを提案する。 我々は,我々のモデルが配置課題に対処できることを実証的に示し,最先端の手法と比較して配置ベンチマーク上での競合性能を達成することを実証した。
  論文  参考訳（メタデータ） (2024-07-17T03:02:24Z)
• Robust Decentralized Learning with Local Updates and Gradient Tracking [16.46727164965154]
  分散学習をクライアントやノードのネットワークとみなす。 本稿では,局所的な更新と勾配追跡という2つの重要なデータを利用する分散化ミニマックス最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-05-02T03:03:34Z)
• Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation [49.85548436111153]
  SRC(Set-to-Sequence Ranking-based Concept-Aware Learning Path Recommendation)という新しいフレームワークを提案する。 SRCは、セット・ツー・シーケンス・パラダイムの下でレコメンデーション・タスクを定式化する。 実世界の2つの公開データセットと1つの産業データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-06-07T08:24:44Z)
• Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview [72.79089075263985]
  配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。 機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
  論文  参考訳（メタデータ） (2022-02-28T06:28:44Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)
• Cross-Domain Few-Shot Learning with Meta Fine-Tuning [8.062394790518297]
  我々はCVPR 2020 Challengeで提案された新しいクロスドメインFew-Shot Learningベンチマークに取り組む。 ドメイン適応および数ショット学習における最先端の手法に基づいて、両方のタスクを実行するためにトレーニング可能なシステムを構築する。
  論文  参考訳（メタデータ） (2020-05-21T09:55:26Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• Chip Placement with Deep Reinforcement Learning [40.952111701288125]
  チップ配置に対する学習に基づくアプローチを提案する。 従来の方法とは異なり、私たちのアプローチは過去の経験から学び、時間とともに改善する能力を持っています。 6時間以内に、現代の加速器ネットリストに匹敵する超人的あるいは同等の配置を生成できる。
  論文  参考訳（メタデータ） (2020-04-22T17:56:07Z)

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。