論文の概要: CircuitNet: An Open-Source Dataset for Machine Learning Applications in Electronic Design Automation (EDA)

• arxiv url: http://arxiv.org/abs/2208.01040v2
• Date: Thu, 4 Aug 2022 08:15:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-05 10:24:43.860725
• Title: CircuitNet: An Open-Source Dataset for Machine Learning Applications in Electronic Design Automation (EDA)
• Title（参考訳）: CircuitNet: 電子設計自動化(EDA)における機械学習アプリケーションのためのオープンソースデータセット
• Authors: Zhuomin Chai, Yuxiang Zhao, Yibo Lin, Wei Liu, Runsheng Wang, Ru Huang
• Abstract要約: 本稿では,VLSI CADにおける機械学習タスクのための最初のオープンソースデータセットCircuitNetについて述べる。 データセットは、6つのオープンソースRISC-V設計に基づいて、商用デザインツールの多目的実行から抽出された10K以上のサンプルで構成されている。
• 参考スコア（独自算出の注目度）: 9.788869757486289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The electronic design automation (EDA) community has been actively exploring machine learning for very-large-scale-integrated computer aided design (VLSI CAD). Many studies have explored learning based techniques for cross-stage prediction tasks in the design flow to achieve faster design convergence. Although building machine learning (ML) models usually requires a large amount of data, most studies can only generate small internal datasets for validation due to the lack of large public datasets. In this essay, we present the first open-source dataset for machine learning tasks in VLSI CAD called CircuitNet. The dataset consists of more than 10K samples extracted from versatile runs of commercial design tools based on 6 open-source RISC-V designs.
• Abstract（参考訳）: 電子設計自動化(EDA)コミュニティは、大規模統合コンピュータ支援設計(VLSI CAD)のための機械学習を積極的に研究している。 多くの研究は、より高速な設計収束を実現するために、設計フローにおけるクロスステージ予測タスクの学習に基づく技術について研究してきた。 機械学習(ml)モデルの構築は通常、大量のデータを必要とするが、ほとんどの研究は、大きな公開データセットがないため、検証のために小さな内部データセットしか生成できない。 本稿では,VLSI CADにおける機械学習タスクのためのオープンソースデータセットCircuitNetについて述べる。 データセットは、6つのオープンソースrisc-v設計に基づく商用デザインツールの万能な実行から抽出された10万以上のサンプルで構成されている。

関連論文リスト

• CRAFT Your Dataset: Task-Specific Synthetic Dataset Generation Through Corpus Retrieval and Augmentation [51.2289822267563]
  合成データセットを生成するCRAFT(Corpus Retrieval and Augmentation for Fine-Tuning)を提案する。 我々は、大規模な公開ウェブクローラコーパスと類似性に基づく文書検索を用いて、他の関連する人文文書を検索する。 我々は,CRAFTが4つのタスクに対して,大規模タスク固有のトレーニングデータセットを効率的に生成できることを実証した。
  論文  参考訳（メタデータ） (2024-09-03T17:54:40Z)
• Full-stack evaluation of Machine Learning inference workloads for RISC-V systems [0.2621434923709917]
  本研究は,オープンソースのアーキテクチャシミュレータであるgem5を用いて,RISC-Vアーキテクチャ上での機械学習ワークロードの性能を評価する。 MLIR(Multi-Level Intermediate Representation)に基づいたオープンソースのコンパイルツールチェーンを活用することで、ディープラーニング推論ワークロードに特化したベンチマーク結果が提示される。
  論文  参考訳（メタデータ） (2024-05-24T09:24:46Z)
• EDALearn: A Comprehensive RTL-to-Signoff EDA Benchmark for Democratized and Reproducible ML for EDA Research [5.093676641214663]
  我々はEDALearnを紹介した。EDALearnは、EDAの機械学習タスクに特化した、最初の包括的なオープンソースベンチマークスイートである。 このベンチマークスイートは、合成から物理実装までのエンドツーエンドのフローを示し、さまざまなステージにわたるデータ収集を強化する。 私たちの貢献はML-EDAドメインのさらなる進歩を促進することを目的としています。
  論文  参考訳（メタデータ） (2023-12-04T06:51:46Z)
• A Deep Learning Framework for Verilog Autocompletion Towards Design and Verification Automation [0.33598755777055367]
  本稿では,Verilog自動補完モデルの学習のための新しいディープラーニングフレームワークを提案する。 このフレームワークは、一般的なプログラミング言語のデータに基づいて事前訓練されたモデルを統合し、ターゲットの下流タスクに類似するようにキュレートされたデータセット上でそれらを微調整する。 実験により、提案されたフレームワークは、スクラッチからトレーニングされたモデルと比較して、それぞれ9.5%、6.7%、および6.9%、BLEU、ROUGE-L、chrFのスコアが向上することが示された。
  論文  参考訳（メタデータ） (2023-04-26T21:56:03Z)
• AutoTransfer: AutoML with Knowledge Transfer -- An Application to Graph Neural Networks [75.11008617118908]
  AutoML技術は、各タスクをスクラッチから独立して考慮し、高い計算コストをもたらす。 本稿では,従来の設計知識を新たな関心事に伝達することで,検索効率を向上させるAutoTransferを提案する。
  論文  参考訳（メタデータ） (2023-03-14T07:23:16Z)
• Pre-Training for Robots: Offline RL Enables Learning New Tasks from a Handful of Trials [97.95400776235736]
  新しいタスクを効果的に学習しようとするオフラインRLに基づくフレームワークを提案する。 既存のロボットデータセットの事前トレーニングと、新しいタスクの迅速な微調整と、最大10のデモを組み合わせたものだ。 我々の知る限り、PTRは本物のWidowXロボットで新しいドメインで新しいタスクを学習する最初のRL手法である。
  論文  参考訳（メタデータ） (2022-10-11T06:30:53Z)
• Design Automation for Fast, Lightweight, and Effective Deep Learning Models: A Survey [53.258091735278875]
  本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。 これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。 この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2022-08-22T12:12:43Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Designing Machine Learning Toolboxes: Concepts, Principles and Patterns [0.0]
  AIモデリングツールボックスの設計における重要なパターンについて概説する。 我々の分析では、既存のツールボックスの設計だけでなく、新しいツールボックスの開発も説明できます。
  論文  参考訳（メタデータ） (2021-01-13T08:55:15Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。