Fugu-MT 論文翻訳(概要): Routing and Placement of Macros using Deep Reinforcement Learning

論文の概要: Routing and Placement of Macros using Deep Reinforcement Learning

arxiv url: http://arxiv.org/abs/2205.09289v1
Date: Thu, 19 May 2022 02:40:58 GMT
ステータス: 処理完了
システム内更新日: 2022-05-21 06:54:30.791266
Title: Routing and Placement of Macros using Deep Reinforcement Learning
Title（参考訳）: 深部強化学習を用いたマクロのルーティングと配置
Authors: Mrinal Mathur
Abstract要約: 我々は、チップネットリストのノードをチップキャンバスに配置するようにモデルを訓練する。私たちは、さまざまな入力ネットリストにわたってエージェントに正確に報酬を与えるニューラルネットワークを構築したいと考えています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Chip placement has been one of the most time consuming task in any semi conductor area, Due to this negligence, many projects are pushed and chips availability in real markets get delayed. An engineer placing macros on a chip also needs to place it optimally to reduce the three important factors like power, performance and time. Looking at these prior problems we wanted to introduce a new method using Reinforcement Learning where we train the model to place the nodes of a chip netlist onto a chip canvas. We want to build a neural architecture that will accurately reward the agent across a wide variety of input netlist correctly.
Abstract（参考訳）: チップ配置は、セミコンダクタ分野では最も時間のかかる作業のひとつであり、この怠慢さのため、多くのプロジェクトが推進され、実際の市場でチップの入手が遅れている。チップにマクロを配置するエンジニアは、電力、性能、時間という3つの重要な要素を最適に削減する必要がある。これらの以前の問題を見て、チップネットリストのノードをチップキャンバスに配置するようにモデルをトレーニングする強化学習を使った新しい方法を紹介したかったのです。私たちは、さまざまな入力ネットリストにわたってエージェントに正確に報酬を与えるニューラルネットワークを構築したいと考えています。

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)
ChiPFormer: Transferable Chip Placement via Offline Decision Transformer [35.69382855465161]
強化学習は、チップ配置における人間のパフォーマンスを向上させる。 ChiPFormerは、固定されたオフラインデータから転送可能な配置ポリシーを学ぶことができる。 ChiPFormerは、ランタイムを10倍削減しながら、配置品質を著しく向上させる。
論文参考訳（メタデータ） (2023-06-26T14:59:56Z)
Fast GraspNeXt: A Fast Self-Attention Neural Network Architecture for Multi-task Learning in Computer Vision Tasks for Robotic Grasping on the Edge [80.88063189896718]
アーキテクチャと計算の複雑さが高いと、組み込みデバイスへのデプロイに適さない。 Fast GraspNeXtは、ロボットグルーピングのためのコンピュータビジョンタスクに埋め込まれたマルチタスク学習に適した、高速な自己認識型ニューラルネットワークアーキテクチャである。
論文参考訳（メタデータ） (2023-04-21T18:07:14Z)
MaskPlace: Fast Chip Placement via Reinforced Visual Representation Learning [18.75057105112443]
この作業では、MaskPlaceを使用して、有効なチップレイアウト設計を数時間以内に自動生成する。チップ上の数百万のモジュールを包括的に記述するために、ピクセルレベルの視覚表現を学習する問題として配置を再放送する。チップをハイパーグラフとして表現する最近の手法よりも優れています。
論文参考訳（メタデータ） (2022-11-24T02:22:09Z)
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)
FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文参考訳（メタデータ） (2022-01-18T13:59:22Z)
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)
Multi-Exit Semantic Segmentation Networks [78.44441236864057]
本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
論文参考訳（メタデータ） (2021-06-07T11:37:03Z)
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。