論文の概要: A Novel Meta-predictor based Algorithm for Testing VLSI Circuits
- arxiv url: http://arxiv.org/abs/2207.11312v1
- Date: Fri, 22 Jul 2022 19:38:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 15:05:59.634314
- Title: A Novel Meta-predictor based Algorithm for Testing VLSI Circuits
- Title(参考訳): vlsi回路テストのための新しいメタ予測系アルゴリズム
- Authors: Shruti Pandey, Jayadeva, Smruti R. Sarangi
- Abstract要約: ICにおける製造欠陥は、ステンド・アット・フォールト・モデルを用いてモデル化されている。
半導体技術の進歩による特徴量減少に伴い、欠陥のサイズも小さくなっている。
我々の研究は、テスト品質を損なうことなく、PODEM(DTGアルゴリズム)のコストを削減することを目的としている。
- 参考スコア(独自算出の注目度): 2.1028463367241033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Testing of integrated circuits (IC) is a highly expensive process but also
the most important one in determining the defect level of an IC. Manufacturing
defects in the IC are modeled using stuck-at-fault models. Stuck-at-fault
models cover most of the physical faults that occur during the manufacturing
process. With decreasing feature sizes due to the advancement of semiconductor
technology, the defects are also getting smaller in size. Tests for these
hard-to-detect defects are generated using deterministic test generation (DTG)
algorithms. Our work aims at reducing the cost of Path Oriented Decision
Making: PODEM (a DTG algorithm) without compromising the test quality. We
trained a meta predictor to choose the best model given the circuit and the
target net. This ensemble chooses the best probability prediction model with a
95% accuracy. This leads to a reduced number of backtracking decisions and much
better performance of PODEM in terms of its CPU time. We show that our ML-
guided PODEM algorithm with a meta predictor outperforms the baseline PODEM by
34% and other state-of-the-art ML-guided algorithms by at least 15% for ISCAS85
benchmark circuits.
- Abstract(参考訳): 集積回路(IC)のテストは非常に高価なプロセスであるが、ICの欠陥レベルを決定する上でも最も重要なプロセスである。
icの製造欠陥はスタッキング・アット・フェイトモデルを用いてモデル化される。
Stuck-at-faultモデルは、製造プロセス中に発生する物理的欠陥の大部分をカバーする。
半導体技術の進歩による特徴量減少に伴い、欠陥のサイズも小さくなっている。
これらの難しい欠陥に対するテストは、決定論的テスト生成(DTG)アルゴリズムを用いて生成される。
我々の研究は、テスト品質を損なうことなく、PODEM(DTGアルゴリズム)のコストを削減することを目的としている。
回路とターゲットネットの最適モデルを選択するためにメタ予測器を訓練した。
このアンサンブルは95%の精度で最良の確率予測モデルを選択する。
これにより、CPU時間の観点から、バックトラック決定の数が減少し、PODEMのパフォーマンスが大幅に向上する。
メタ予測器を用いたMLguided PODEMアルゴリズムは,ISCAS85ベンチマーク回路において,ベースラインPODEMを34%,最先端のMLGuidedアルゴリズムを15%上回る性能を示した。
関連論文リスト
- One-Shot Online Testing of Deep Neural Networks Based on Distribution
Shift Detection [0.6091702876917281]
本研究では,1つのテストベクタのみを用いて,暗黙のクロスバー上で高速化されたNNをテストできるエミフォン・ショット・テスト手法を提案する。
私たちのアプローチは、いくつかの大きなトポロジにまたがる100%のフォールトカバレッジを一貫して達成できます。
論文 参考訳(メタデータ) (2023-05-16T11:06:09Z) - The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。
FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。
我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
論文 参考訳(メタデータ) (2023-03-17T02:01:11Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳(メタデータ) (2022-11-16T00:11:04Z) - Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。
両レベル最適化のための2つの新しいアルゴリズムを提案する。
両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文 参考訳(メタデータ) (2021-06-08T21:05:30Z) - Adam in Private: Secure and Fast Training of Deep Neural Networks with
Adaptive Moment Estimation [6.342794803074475]
本稿では,最先端の機械学習アルゴリズムを効率的に評価するフレームワークを提案する。
これは、MLアルゴリズムを「MPCフレンドリ」な変種に置き換える以前のほとんどの作業とは対照的である。
我々は、最先端のサードパーティシステムより優れたセキュアなトレーニングを得る。
論文 参考訳(メタデータ) (2021-06-04T01:40:09Z) - Memristive Stochastic Computing for Deep Learning Parameter Optimization [1.6344851071810071]
コンピューティング(sc)は、ビットストリームとデジタルロジックを用いた様々な演算処理の低コストかつ低消費電力化を可能にするコンピューティングパラダイムである。
40nmの補完金属酸化物半導体(CMOS)プロセスを使用することで、拡張可能なアーキテクチャは1.55mm$2$を占め、文字認識タスクのために訓練されている間、畳み込みニューラルネットワーク(CNN)のパラメータを最適化する際に約167$mu$Wを消費します。
論文 参考訳(メタデータ) (2021-03-11T07:10:32Z) - An Experimental Analysis of Attack Classification Using Machine Learning
in IoT Networks [3.9236397589917127]
近年,IoT(Internet of Things,モノのインターネット)デバイスや,そのようなデバイスが生成するデータ量が大幅に増加している。
ネットワーク上の攻撃の数が増加するにつれて、従来の侵入検出システムがこれらの攻撃を効率的に処理することが難しくなります。
本稿では,k-nearest neighbor (KNN), Support vector machine (SVM), decision tree (DT), naive Bayes (NB), random forest (RF), Artificial Neural Network (ANN), logistic regression (LR)などの機械学習(ML)手法について述べる。
論文 参考訳(メタデータ) (2021-01-10T11:48:37Z) - BRDS: An FPGA-based LSTM Accelerator with Row-Balanced Dual-Ratio
Sparsification [3.3711251611130337]
エネルギー消費を低減し、Long Short-Term Memory (LSTM) ニューラルネットワークアクセラレータの速度を改善するためのハードウェアフレンドリーなプランニングアルゴリズムを提示する。
その結果、提案された加速器は最大272%の有効GOPS/Wを提供することができ、パープレキシティエラーはPTBデータセットの1.4%まで低減される。
論文 参考訳(メタデータ) (2021-01-07T18:23:48Z) - Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。
我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。
数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-11-18T16:40:45Z) - Fast OSCAR and OWL Regression via Safe Screening Rules [97.28167655721766]
順序付き$L_1$ (OWL)正規化回帰は、高次元スパース学習のための新しい回帰分析である。
近勾配法はOWL回帰を解くための標準手法として用いられる。
未知の順序構造を持つ原始解の順序を探索することにより、OWL回帰の最初の安全なスクリーニングルールを提案する。
論文 参考訳(メタデータ) (2020-06-29T23:35:53Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳(メタデータ) (2020-05-05T18:08:23Z)
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。