論文の概要: AI/ML Algorithms and Applications in VLSI Design and Technology
- arxiv url: http://arxiv.org/abs/2202.10015v1
- Date: Mon, 21 Feb 2022 07:01:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 12:15:58.461477
- Title: AI/ML Algorithms and Applications in VLSI Design and Technology
- Title（参考訳）: AI/MLアルゴリズムとVLSI設計・技術への応用
- Authors: Deepthi Amuru, Harsha V. Vudumula, Pavan K. Cherupally, Sushanth R.
Gurram, Amir Ahmad, Andleeb Zahra, Zia Abbas
- Abstract要約: 本稿では、VLSIの設計・製造において過去に導入されたAI/ML自動化アプローチについて概説する。
将来、VLSI設計の分野に革命をもたらすため、様々な抽象化レベルでAI/MLアプリケーションの範囲について論じる。
- 参考スコア（独自算出の注目度）: 3.1171750528972204
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An evident challenge ahead for the integrated circuit (IC) industry in the
nanometer regime is the investigation and development of methods that can
reduce the design complexity ensuing from growing process variations and
curtail the turnaround time of chip manufacturing. Conventional methodologies
employed for such tasks are largely manual; thus, time-consuming and
resource-intensive. In contrast, the unique learning strategies of artificial
intelligence (AI) provide numerous exciting automated approaches for handling
complex and data-intensive tasks in very-large-scale integration (VLSI) design
and testing. Employing AI and machine learning (ML) algorithms in VLSI design
and manufacturing reduces the time and effort for understanding and processing
the data within and across different abstraction levels via automated learning
algorithms. It, in turn, improves the IC yield and reduces the manufacturing
turnaround time. This paper thoroughly reviews the AI/ML automated approaches
introduced in the past towards VLSI design and manufacturing. Moreover, we
discuss the scope of AI/ML applications in the future at various abstraction
levels to revolutionize the field of VLSI design, aiming for high-speed, highly
intelligent, and efficient implementations.
- Abstract（参考訳）: ナノメートル系における集積回路(IC)産業の先進的な課題は、プロセスのバリエーションの増加による設計の複雑さを低減し、チップ製造のターンアラウンド時間を短縮する手法の調査と開発である。
このようなタスクに使用される従来の方法論は、主に手動である。
対照的に、人工知能(AI)のユニークな学習戦略は、超大規模統合(VLSI)設計とテストにおいて、複雑でデータ集約的なタスクを扱うための多くのエキサイティングな自動化アプローチを提供する。
VLSIの設計と製造にAIと機械学習(ML)アルゴリズムを採用することで、自動学習アルゴリズムを通じて、さまざまな抽象化レベルのデータの理解と処理の時間と労力が削減される。
これにより、ICの歩留まりが向上し、製造のターンアラウンド時間が短縮される。
本稿では、過去に導入されたVLSI設計と製造に向けたAI/ML自動化アプローチを徹底的にレビューする。
さらに、VLSI設計の分野に革命をもたらすため、将来AI/MLアプリケーションの範囲を様々な抽象化レベルで議論し、高速で高知能で効率的な実装を目指している。
関連論文リスト
- The Foundations of Computational Management: A Systematic Approach to
Task Automation for the Integration of Artificial Intelligence into Existing
Workflows [55.2480439325792]
本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。
この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
論文 参考訳（メタデータ） (2024-02-07T01:45:14Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Towards Efficient Generative Large Language Model Serving: A Survey from
Algorithms to Systems [14.355768064425598]
生成型大規模言語モデル(LLM)が最前線に立ち、データとのインタラクション方法に革命をもたらします。
しかし、これらのモデルをデプロイする際の計算強度とメモリ消費は、効率性の観点から大きな課題を呈している。
本研究は,機械学習システム(MLSys)研究の観点から,効率的なLCM提供手法の必要性について考察する。
論文 参考訳（メタデータ） (2023-12-23T11:57:53Z) - Evaluating Emerging AI/ML Accelerators: IPU, RDU, and NVIDIA/AMD GPUs [14.397623940689487]
Graphcore Intelligence Processing Unit (IPU)、Sambanova Reconfigurable Dataflow Unit (RDU)、拡張GPUプラットフォームについてレビューする。
この研究は、これらの商用AI/MLアクセラレータの予備評価と比較を提供する。
論文 参考訳（メタデータ） (2023-11-08T01:06:25Z) - A Survey and Perspective on Artificial Intelligence for Security-Aware
Electronic Design Automation [6.496603310407321]
我々は、回路設計/最適化、セキュリティとエンジニアリングの課題、セキュリティを意識したCAD/EDAの研究、今後の研究方向性について、AL/MLの現状を要約する。
論文 参考訳（メタデータ） (2022-04-19T17:46:39Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Analog/Mixed-Signal Circuit Synthesis Enabled by the Advancements of
Circuit Architectures and Machine Learning Algorithms [0.0]
我々は、ニューラルネットワークに基づくサロゲートモデルを用いて、回路設計パラメータの探索とレイアウトの反復を高速化する。
最後に、AMS回路のいくつかの例を、仕様からシリコンプロトタイプまで迅速に合成し、人間の介入を大幅に削減する。
論文 参考訳（メタデータ） (2021-12-15T01:47:08Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - AI-based Modeling and Data-driven Evaluation for Smart Manufacturing
Processes [56.65379135797867]
本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。
本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-29T14:57:53Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-21T17:14:34Z)
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。