論文の概要: Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview

• arxiv url: http://arxiv.org/abs/2202.13564v1
• Date: Mon, 28 Feb 2022 06:28:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 17:43:15.874734
• Title: Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview
• Title（参考訳）: チップ設計における配置とルーティングのための機械学習に向けて:方法論的概要
• Authors: Junchi Yan, Xianglong Lyu, Ruoyu Cheng, Yibo Lin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 72.79089075263985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Placement and routing are two indispensable and challenging (NP-hard) tasks in modern chip design flows. Compared with traditional solvers using heuristics or expert-well-designed algorithms, machine learning has shown promising prospects by its data-driven nature, which can be of less reliance on knowledge and priors, and potentially more scalable by its advanced computational paradigms (e.g. deep networks with GPU acceleration). This survey starts with the introduction of basics of placement and routing, with a brief description on classic learning-free solvers. Then we present detailed review on recent advance in machine learning for placement and routing. Finally we discuss the challenges and opportunities for future research.
• Abstract（参考訳）: 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。 ヒューリスティックやエキスパートが設計したアルゴリズムを使った従来の解法と比較すると、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は少なくなり、高度な計算パラダイム(GPUアクセラレーションを備えたディープネットワークなど)によってよりスケーラブルになる可能性がある。 本調査は,従来の学習フリー解法を概説した,配置とルーティングの基礎の導入から始まる。 次に、配置とルーティングのための機械学習の最近の進歩について詳述する。 最後に,今後の研究の課題と機会について論じる。

関連論文リスト

• Learning Robotic Navigation from Experience: Principles, Methods, and Recent Results [94.60414567852536]
  現実世界のナビゲーションは、単純な幾何学的抽象化に反する複雑な物理的課題の集合を示す。 機械学習は、幾何学や従来の計画を超えた、有望な方法を提供する。 本稿では,ロボットナビゲーションスキルを実験的に学習するツールキットについて紹介する。
  論文  参考訳（メタデータ） (2022-12-13T17:41:58Z)
• Learning to Solve Vehicle Routing Problems: A Survey [0.0]
  本稿では,学習パラダイム,解構造,基礎モデル,アルゴリズムの分類について述べる。 本稿は,現代の交通システムにおける課題を克服するため,学習型ソリューションの導入に向けた今後の研究の方向性について概説する。
  論文  参考訳（メタデータ） (2022-05-05T05:48:16Z)
• Retrieval-Enhanced Machine Learning [110.5237983180089]
  本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
  論文  参考訳（メタデータ） (2022-05-02T21:42:45Z)
• On Joint Learning for Solving Placement and Routing in Chip Design [70.30640973026415]
  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。
  論文  参考訳（メタデータ） (2021-10-30T11:41:49Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)
• Explaining Deep Neural Networks and Beyond: A Review of Methods and Applications [12.239046765871109]
  非線形機械学習の問題解決能力と戦略をよりよく理解するための解釈可能性と説明法が注目されている。 我々は、この活発な新興分野のタイムリーな概要を「ポストホック」の説明に焦点をあて、その理論的基礎を説明する。 機械学習のこのエキサイティングな基礎分野の課題と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2020-03-17T10:45:51Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。