論文の概要: Too Big to Fail? Active Few-Shot Learning Guided Logic Synthesis
- arxiv url: http://arxiv.org/abs/2204.02368v1
- Date: Tue, 5 Apr 2022 17:18:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 12:54:58.522003
- Title: Too Big to Fail? Active Few-Shot Learning Guided Logic Synthesis
- Title(参考訳): 失敗するには大きすぎる?
能動Few-Shot学習ガイド論理合成
- Authors: Animesh Basak Chowdhury, Benjamin Tan, Ryan Carey, Tushit Jain, Ramesh
Karri, Siddharth Garg
- Abstract要約: 本稿では,過去の合成データに基づいて学習済みモデルを微調整し,未知のネットリストの合成レシピの品質を正確に予測するブルズアイを提案する。
このアプローチは、最先端の機械学習アプローチよりも2倍から10倍のランタイム改善とQoR(Quality-of-result)を実現している。
- 参考スコア(独自算出の注目度): 18.961915757370466
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Generating sub-optimal synthesis transformation sequences ("synthesis
recipe") is an important problem in logic synthesis. Manually crafted synthesis
recipes have poor quality. State-of-the art machine learning (ML) works to
generate synthesis recipes do not scale to large netlists as the models need to
be trained from scratch, for which training data is collected using time
consuming synthesis runs. We propose a new approach, Bulls-Eye, that fine-tunes
a pre-trained model on past synthesis data to accurately predict the quality of
a synthesis recipe for an unseen netlist. This approach on achieves 2x-10x
run-time improvement and better quality-of-result (QoR) than state-of-the-art
machine learning approaches.
- Abstract(参考訳): 準最適合成変換配列(合成レシピ)の生成は、論理合成において重要な問題である。
手作りの合成レシピは品質が悪い。
最先端の機械学習(ml)は、モデルをスクラッチからトレーニングする必要があるため、大規模なネットリストに対してスケールしない合成レシピを生成するためのものだ。
本研究では,事前学習したモデルを過去の合成データに微調整し,未知のネットリストの合成レシピの品質を正確に予測する手法であるbulls-eyeを提案する。
このアプローチは、最先端の機械学習アプローチよりも2倍から10倍のランタイム改善とQoR(Quality of-result)を実現している。
関連論文リスト
- SynthCLIP: Are We Ready for a Fully Synthetic CLIP Training? [60.84331039894246]
完全合成テキストイメージペアでCLIPモデルをトレーニングするための新しいフレームワークであるSynthCLIPを提案する。
大規模トレーニングでは、SynthCLIPは、実際のデータセットでトレーニングされたCLIPモデルに匹敵するパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-02-02T18:59:58Z) - Retrieval-Guided Reinforcement Learning for Boolean Circuit Minimization [23.075466444266528]
本研究は論理合成のための学習と探索技術について徹底的に検討する。
ABC-RLは、検索プロセス中に事前学習したエージェントからのレコメンデーションを順応的に調整する、巧妙に調整された$alpha$パラメータである。
その結果, 合成回路のQoR(Quality-of-result)は, 最先端技術と比較して最大24.8%向上した。
論文 参考訳(メタデータ) (2024-01-22T18:46:30Z) - Re-evaluating Retrosynthesis Algorithms with Syntheseus [14.82497597573977]
本稿では,デフォルトでベストプラクティスを促進するSyntheseusというベンチマークライブラリを提案する。
評価を行った結果,最先端モデルのランク付けが変化していることが判明した。
論文 参考訳(メタデータ) (2023-10-30T17:59:04Z) - Let's Synthesize Step by Step: Iterative Dataset Synthesis with Large
Language Models by Extrapolating Errors from Small Models [69.76066070227452]
※データ合成*はラベル付きデータの少ない小さなモデルをトレーニングするための有望な方法です。
本稿では,この分散ギャップを縮めるデータ合成フレームワークであるStep* (**S3**) による合成ステップを提案する。
提案手法は,合成データセットと実データとのギャップを小さくすることで,小型モデルの性能を向上させる。
論文 参考訳(メタデータ) (2023-10-20T17:14:25Z) - INVICTUS: Optimizing Boolean Logic Circuit Synthesis via Synergistic
Learning and Search [18.558280701880136]
最先端論理合成アルゴリズムは、多数の論理最小化を持つ。
INVICTUSは、以前に見られた設計のトレーニングデータセットに基づいて、論理最小化のシーケンスを生成する。
論文 参考訳(メタデータ) (2023-05-22T15:50:42Z) - ContraNeRF: Generalizable Neural Radiance Fields for Synthetic-to-real
Novel View Synthesis via Contrastive Learning [102.46382882098847]
まず,合成から現実への新規な視点合成における合成データの影響について検討した。
本稿では,幾何制約を伴う多視点一貫した特徴を学習するために,幾何対応のコントラスト学習を導入することを提案する。
提案手法は,PSNR,SSIM,LPIPSの点で,既存の一般化可能な新規ビュー合成手法よりも高い画質で精細な画像を描画することができる。
論文 参考訳(メタデータ) (2023-03-20T12:06:14Z) - FusionRetro: Molecule Representation Fusion via In-Context Learning for
Retrosynthetic Planning [58.47265392465442]
再合成計画(Retrosynthetic Planning)は、開始物質から標的分子への完全な多段階合成経路を考案することを目的としている。
現在の戦略では、単一ステップの逆合成モデルと探索アルゴリズムの分離されたアプローチを採用している。
本稿では,文脈情報を利用した新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-09-30T08:44:58Z) - ULSA: Unified Language of Synthesis Actions for Representation of
Synthesis Protocols [2.436060325115753]
合成手順を記述するための最初の統一言語であるULSA(Unified Language of Synthesis Actions)を提案する。
提案手法に基づく3,040の合成手順のデータセットを作成した。
論文 参考訳(メタデータ) (2022-01-23T17:44:48Z) - A Deep Learning Generative Model Approach for Image Synthesis of Plant
Leaves [62.997667081978825]
我々は,高度深層学習(DL)技術を用いて,人工葉画像の自動生成を行う。
我々は、現代の作物管理のためのAIアプリケーションのためのトレーニングサンプルのソースを処分することを目指している。
論文 参考訳(メタデータ) (2021-11-05T10:53:35Z) - RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。
我々の方法はレトロシンセシスを2段階に分解する。
最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
論文 参考訳(メタデータ) (2020-11-04T04:35:34Z)
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。