Fugu-MT 論文翻訳(概要): A Deep-Learning-Aided Pipeline for Efficient Post-Silicon Tuning

論文の概要: A Deep-Learning-Aided Pipeline for Efficient Post-Silicon Tuning

arxiv url: http://arxiv.org/abs/2207.00336v1
Date: Fri, 1 Jul 2022 11:04:53 GMT
ステータス: 処理完了
システム内更新日: 2022-07-04 13:46:01.694910
Title: A Deep-Learning-Aided Pipeline for Efficient Post-Silicon Tuning
Title（参考訳）: 効果的な後シリコンチューニングのための深層学習支援パイプライン
Authors: Yiwen Liao, Bin Yang, Rapha\"el Latty, Jochen Rivoir
Abstract要約: シリコン後の検証では、チューニングノブの値をプロセスパラメータや既知の動作条件の関数として見つける。ニューラルネットワークを利用して、最も関連性の高い変数を効率的に選択し、それに対応するディープラーニング支援パイプラインを効率よくチューニングする。
参考スコア（独自算出の注目度）: 5.904240881373805
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In post-silicon validation, tuning is to find the values for the tuning knobs, potentially as a function of process parameters and/or known operating conditions. In this sense, an more efficient tuning requires identifying the most critical tuning knobs and process parameters in terms of a given figure-of-merit for a Device Under Test (DUT). This is often manually conducted by experienced experts. However, with increasingly complex chips, manual inspection on a large amount of raw variables has become more challenging. In this work, we leverage neural networks to efficiently select the most relevant variables and present a corresponding deep-learning-aided pipeline for efficient tuning.
Abstract（参考訳）: シリコン後の検証では、チューニングノブの値をプロセスパラメータや既知の動作条件の関数として見つける。この意味では、より効率的なチューニングには、テスト対象のデバイス(dut)に対して与えられたメリートの観点で、最も重要なチューニングノブとプロセスパラメータを特定する必要がある。これは経験豊富な専門家が手作業で行うことが多い。しかし、チップが複雑化するにつれて、大量の生変数の手動検査が難しくなっている。本研究では,ニューラルネットワークを用いて最も関連する変数を効率的に選択し,効率的なチューニングのためのディープラーニング支援パイプラインを提案する。

関連論文リスト

Dynamic Tuning Towards Parameter and Inference Efficiency for ViT Adaptation [67.13876021157887]
動的チューニング(DyT)は、ViT適応のためのパラメータと推論効率を改善するための新しいアプローチである。 DyTは既存のPEFT法に比べて性能が優れており、VTAB-1KベンチマークではFLOPの71%しか呼び出されていない。
論文参考訳（メタデータ） (2024-03-18T14:05:52Z)
Attention Prompt Tuning: Parameter-efficient Adaptation of Pre-trained Models for Spatiotemporal Modeling [32.603558214472265]
本稿では,アクション認識などのビデオベースアプリケーションに対して,Attention Prompt Tuning(APT)を導入する。 APTは、バックボーンを凍結させながら微調整中にデータトークンとともに学習可能なプロンプトのセットを注入する。提案手法は,FLOPとレイテンシを著しく低減するとともに,大幅な性能向上を実現している。
論文参考訳（メタデータ） (2024-03-11T17:59:41Z)
Universality and Limitations of Prompt Tuning [65.8354898840308]
トランスフォーマーアーキテクチャにおけるソフトプロンプトチューニングの役割を理解するための最初のステップの1つを取り上げる。連続値関数に対する有限深度事前学習型変圧器を用いて、普遍性と制限のレンズからの即時チューニングを解析する。この結果は、リプシッツ関数の集合における任意の列列列関数を近似するプロンプトを持つ強変換器の存在を保証する。
論文参考訳（メタデータ） (2023-05-30T06:47:07Z)
Sensitivity-Aware Visual Parameter-Efficient Fine-Tuning [91.5113227694443]
私たちは新しいビジュアルを提案します。 Sensuous-Aware Fine-Tuning (SPT) スキーム。 SPTはタスク固有の重要な位置にトレーニング可能なパラメータを割り当てる。ダウンストリーム認識タスクの幅広い実験により,SPTは既存のPEFT法と相補的であることが示された。
論文参考訳（メタデータ） (2023-03-15T12:34:24Z)
Hyper-Parameter Auto-Tuning for Sparse Bayesian Learning [72.83293818245978]
我々は、疎ベイズ学習におけるハイパーパラメータチューニングのためのニューラルネットワーク(NN)ベースのオートチューニングを設計し、学習する。コンバージェンス率とリカバリ性能の大幅な向上が達成できることを示す。
論文参考訳（メタデータ） (2022-11-09T12:34:59Z)
Performance-Driven Controller Tuning via Derivative-Free Reinforcement Learning [6.5158195776494]
我々は,新しい微分自由強化学習フレームワークを用いて,制御器のチューニング問題に取り組む。我々は,PIDコントローラを用いた適応走行制御とMPCコントローラを用いた軌道追跡という,自律走行による2つの具体例に関する数値実験を行った。実験の結果,提案手法は一般的なベースラインよりも優れており,コントローラチューニングの強い可能性を強調している。
論文参考訳（メタデータ） (2022-09-11T13:01:14Z)
Amortized Auto-Tuning: Cost-Efficient Transfer Optimization for Hyperparameter Recommendation [83.85021205445662]
本稿では,機械学習モデルのチューニングを高速化する自動チューニング(AT2)を提案する。マルチタスクマルチ忠実ベイズ最適化フレームワークの徹底的な解析を行い、最適なインスタンス化-アモータイズ自動チューニング(AT2)を実現する。
論文参考訳（メタデータ） (2021-06-17T00:01:18Z)
DoT: An efficient Double Transformer for NLP tasks with tables [3.0079490585515343]
DoTは、問題を2つのサブタスクに分解するダブルトランスフォーマーモデルである。少ない精度でDoTはトレーニング時間と推論時間を少なくとも50%改善することを示した。
論文参考訳（メタデータ） (2021-06-01T13:33:53Z)
Hyperparameter Transfer Learning with Adaptive Complexity [5.695163312473305]
ネストされたドロップアウトと自動関連性判定によって複雑性を高める順序付き非線形基底関数の集合を学習する新しいマルチタスクBO法を提案する。
論文参考訳（メタデータ） (2021-02-25T12:26:52Z)
Deep reinforcement learning for smart calibration of radio telescopes [3.655021726150368]
本稿では,データ校正パイプラインの微調整を行う自律エージェントの訓練に強化学習を導入する。我々は、パイプラインを、エージェントがパイプラインの解釈状態のみを使用するブラックボックスシステムとみなす。この方法で訓練された自律エージェントは、多様な観察のための最適な設定を決定でき、従って、人間の介入の必要性を最小限に抑える「マート」キャリブレーションを実行することができる。
論文参考訳（メタデータ） (2021-02-05T14:35:28Z)
Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
論文参考訳（メタデータ） (2020-07-08T07:44:00Z)

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。