論文の概要: A Neural Network Based Novel Test Selector

• arxiv url: http://arxiv.org/abs/2207.00445v1
• Date: Fri, 1 Jul 2022 14:11:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-04 14:56:37.952199
• Title: A Neural Network Based Novel Test Selector
• Title（参考訳）: ニューラルネットワークを用いた新規テストセレクタ
• Authors: Xuan Zheng, Kerstin Eder and Tim Blackmore
• Abstract要約: 本稿では,ニューラルネットワーク(NN)に基づくテスト選択の枠組みを提案する。 NNは3つの構成下でのシミュレーションの労力をはるかに少なくして、ランダムなシミュレーションと同様のカバレッジ向上を達成することができる。 ランダムなシミュレーションと比較して、NNBNTSは最大53.74%のシミュレーション時間を削減し、99%のカバレッジレベルに達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) has been used to accelerate the progress of functional coverage in simulation-based verification. A supervised ML algorithm, as a prevalent option in the previous work, is used to bias the test generation or filter the generated tests. However, for missing coverage events, these algorithms lack the positive examples to learn from in the training phase. Therefore, the tests generated or filtered by the algorithms cannot effectively fill the coverage holes. This is more severe when verifying large-scale design because the coverage space is larger and the functionalities are more complex. This paper presents a configurable framework of test selection based on neural networks (NN), which can achieve a similar coverage gain as random simulation with far less simulation effort under three configurations of the framework. Moreover, the performance of the framework is not limited by the number of coverage events being hit. A commercial signal processing unit is used in the experiment to demonstrate the effectiveness of the framework. Compared to the random simulation, NNBNTS can reduce up to 53.74% of simulation time to reach 99% coverage level.
• Abstract（参考訳）: 機械学習(ML)は、シミュレーションベースの検証における機能カバレッジの進行を加速するために使われてきた。 教師付きMLアルゴリズムは、前回の作業で一般的なオプションとして、テスト生成のバイアスや生成されたテストのフィルタリングに使用される。 しかしながら、カバレッジイベントの欠如に対して、これらのアルゴリズムはトレーニングフェーズで学ぶべきポジティブな例を欠いている。 したがって、アルゴリズムが生成またはフィルタリングしたテストは、カバレッジホールを効果的に満たすことができない。 カバースペースが大きく、機能が複雑であるため、大規模な設計を検証する場合、これはより厳しい。 本稿では,ニューラルネットワーク(nn)に基づくテスト選択フレームワークについて述べる。このフレームワークは,3つの構成の下でのシミュレーション労力をはるかに少なくして,ランダムシミュレーションとして同様のカバレッジを実現することができる。 さらに、フレームワークのパフォーマンスは、ヒットするカバレッジイベントの数によって制限されない。 実験では、商用信号処理ユニットを使用して、フレームワークの有効性を実証する。 ランダムシミュレーションと比較して、nnbntは最大53.74%のシミュレーション時間を削減でき、99%のカバレッジレベルに達する。

関連論文リスト

• Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
  スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。 動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。 以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
  論文  参考訳（メタデータ） (2024-08-08T16:48:33Z)
• Detecting Stimuli with Novel Temporal Patterns to Accelerate Functional Coverage Closure [0.7499722271664147]
  本稿では、新しい時間パターンで刺激を識別する2つの新しいテストセレクタを提案する。 両テストセレクタは、ランダムなテスト選択と比較して、商用バスブリッジの機能カバレッジを加速することができる。
  論文  参考訳（メタデータ） (2024-06-19T15:00:02Z)
• TENNs-PLEIADES: Building Temporal Kernels with Orthogonal Polynomials [1.1970409518725493]
  低レイテンシでオンライン分類と検出を行うために、これらのネットワークをイベントベースのデータで相互接続することに重点を置いている。 我々は3つのイベントベースのベンチマークを実験し、メモリと計算コストを大幅に削減した大きなマージンで3つすべてに対して最先端の結果を得た。
  論文  参考訳（メタデータ） (2024-05-20T17:06:24Z)
• Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
  本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。 また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
  論文  参考訳（メタデータ） (2023-08-28T12:55:13Z)
• Adaptive Siamese Tracking with a Compact Latent Network [219.38172719948048]
  追跡タスクを分類に変換することで,シームズをベースとしたトラッカーを簡易化する直感的なビューを提供する。 そこで本研究では,視覚シミュレーションと実追跡例を用いて,詳細な解析を行う。 そこで我々は,古典的なSiamRPN++,SiamFC,SiamBANの3つのトラッカーを調整した。
  論文  参考訳（メタデータ） (2023-02-02T08:06:02Z)
• Layer Ensembles [95.42181254494287]
  本稿では,ネットワークの各層に対する独立なカテゴリ分布の集合を考慮した不確実性推定手法を提案する。 その結果,メモリと実行時間が少なくなるモデルが得られた。
  論文  参考訳（メタデータ） (2022-10-10T17:52:47Z)
• Automatic Neural Network Hyperparameter Optimization for Extrapolation: Lessons Learned from Visible and Near-Infrared Spectroscopy of Mango Fruit [7.462336024223667]
  本稿では、可視・近赤外分光(VNIR)の領域に間に合うように、ニューラルネットワークを自動で設定する方法について考察する。 ニューラルネットワークモデルの外挿を促進するために、テストセットと同じような時間でシフトしたサンプルのモデル構成を検証することを検討する。 アンサンブルにより,最先端モデルの分散と精度が向上することがわかった。
  論文  参考訳（メタデータ） (2022-10-03T00:41:05Z)
• Hybrid Intelligent Testing in Simulation-Based Verification [0.0]
  数百万のテストは、カバレッジの目標を達成するために必要かもしれない。 カバレッジ指向のテスト選択は、カバレッジフィードバックからバイアステストまで、最も効果的なテストへと学習する。 ノベルティ駆動検証は、以前の刺激とは異なる刺激を識別し、シミュレートすることを学ぶ。
  論文  参考訳（メタデータ） (2022-05-19T13:22:08Z)
• Supervised Learning for Coverage-Directed Test Selection in Simulation-Based Verification [0.0]
  本稿では,自動制約抽出とテスト選択のための新しい手法を提案する。 カバレッジ指向のテスト選択は、カバレッジフィードバックからの教師付き学習に基づいている。 本稿では,手作業による制約記述の低減,効果的なテストの優先順位付け,検証資源の消費の低減,大規模で実生活のハードウェア設計におけるカバレッジ閉鎖の促進について述べる。
  論文  参考訳（メタデータ） (2022-05-17T17:49:30Z)
• Adversarial Examples Detection with Bayesian Neural Network [57.185482121807716]
  本稿では,ランダムな成分が予測器の滑らかさを向上できるという観測によって動機づけられた敵の例を検出するための新しい枠組みを提案する。 本稿では,BATer を略した新しいベイズ対向型サンプル検出器を提案し,対向型サンプル検出の性能を向上させる。
  論文  参考訳（メタデータ） (2021-05-18T15:51:24Z)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)

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。