論文の概要: Graph Neural Networks: A Powerful and Versatile Tool for Advancing
Design, Reliability, and Security of ICs
- arxiv url: http://arxiv.org/abs/2211.16495v1
- Date: Tue, 29 Nov 2022 18:58:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 18:17:05.682286
- Title: Graph Neural Networks: A Powerful and Versatile Tool for Advancing
Design, Reliability, and Security of ICs
- Title(参考訳): Graph Neural Networks: ICの設計、信頼性、セキュリティを向上するための、パワフルでヴァーサタイルなツール
- Authors: Lilas Alrahis, Johann Knechtel, Ozgur Sinanoglu
- Abstract要約: グラフニューラルネットワーク(GNN)は、ソーシャルネットワークや生物学などに存在する大規模データを学習し、予測するために、最先端のSOTA(State-of-the-art)を推進した。
本稿では,IC設計における課題を解決するため,GNNモデルを調整するための汎用パイプラインを提案する。
GNNフレームワークの概要は、(i)電子設計自動化(EDA)とIC設計全般、(ii)信頼性の高いICの設計、(iii)セキュアなICの分析を網羅している。
- 参考スコア(独自算出の注目度): 5.999016770345891
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) have pushed the state-of-the-art (SOTA) for
performance in learning and predicting on large-scale data present in social
networks, biology, etc. Since integrated circuits (ICs) can naturally be
represented as graphs, there has been a tremendous surge in employing GNNs for
machine learning (ML)-based methods for various aspects of IC design. Given
this trajectory, there is a timely need to review and discuss some powerful and
versatile GNN approaches for advancing IC design.
In this paper, we propose a generic pipeline for tailoring GNN models toward
solving challenging problems for IC design. We outline promising options for
each pipeline element, and we discuss selected and promising works, like
leveraging GNNs to break SOTA logic obfuscation. Our comprehensive overview of
GNNs frameworks covers (i) electronic design automation (EDA) and IC design in
general, (ii) design of reliable ICs, and (iii) design as well as analysis of
secure ICs. We provide our overview and related resources also in the GNN4IC
hub at https://github.com/DfX-NYUAD/GNN4IC. Finally, we discuss interesting
open problems for future research.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、ソーシャルネットワークや生物学などに存在する大規模データを学習し、予測するために、最先端のSOTA(State-of-the-art)を推進した。
集積回路(IC)は自然にグラフとして表現できるため、IC設計の様々な面において機械学習(ML)ベースの手法にGNNを使うことが大幅に急増している。
この軌道を考えると、IC設計を進めるための強力で汎用的なGNNアプローチをレビューし、議論する必要がある。
本稿では,IC設計における課題を解決するため,GNNモデルに適した汎用パイプラインを提案する。
我々は,各パイプライン要素に対して有望な選択肢を概説し,選択された,有望な作業について議論する。
gnnsフレームワークの包括的概要
(i)電子設計自動化(eda)及び一般のic設計
(ii)信頼性のあるicの設計及び
(iii)セキュアicの分析と同様に設計する。
我々は、GNN4ICハブのhttps://github.com/DfX-NYUAD/GNN4ICにも概要と関連リソースを提供している。
最後に,今後の研究の課題について考察する。
関連論文リスト
- CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。
オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。
我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
論文 参考訳(メタデータ) (2023-08-31T02:20:25Z) - PyGFI: Analyzing and Enhancing Robustness of Graph Neural Networks
Against Hardware Errors [3.2780036095732035]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習において,有望な学習パラダイムとして登場した。
本稿では,ハードウェア故障とGNN精度の関係を理解することを目的とした,GNNレジリエンスの大規模かつ実証的研究を行う。
論文 参考訳(メタデータ) (2022-12-07T06:14:14Z) - Image Captioning In the Transformer Age [71.06437715212911]
Image Captioning (IC)は、CNN-RNNエンコーダ・デコーダアーキテクチャに様々な技術を統合することで驚くべき発展を遂げた。
本稿では,ICと一般的な自己教師型学習パラダイムの関連性について分析する。
論文 参考訳(メタデータ) (2022-04-15T08:13:39Z) - IGNNITION: Bridging the Gap Between Graph Neural Networks and Networking
Systems [4.1591055164123665]
本稿では,ネットワークシステムのためのグラフニューラルネットワーク(GNN)の高速プロトタイピングを可能にする,新しいオープンソースフレームワークIGNNITIONを提案する。
IGNNITIONは、GNNの背後にある複雑さを隠す直感的な高レベルの抽象化に基づいている。
IGNNITIONが生成するGNNモデルは,ネイティブ実装の精度と性能の点で同等であることを示す。
論文 参考訳(メタデータ) (2021-09-14T14:28:21Z) - Program-to-Circuit: Exploiting GNNs for Program Representation and
Circuit Translation [17.749200195581665]
この研究は、C/C++プログラムをグラフとして表現することで、グラフニューラルネットワーク(GNN)の表現力を活用することを目的としている。
プログラム・ツー・サーキット問題に基づいて14の最先端GNNモデルを解析した。
目標は、適切な帰納バイアスでGNNを設計するためのドメイン固有の知識を提供することである。
論文 参考訳(メタデータ) (2021-09-13T19:07:53Z) - Design Space for Graph Neural Networks [81.88707703106232]
グラフニューラルネットワーク(GNN)のアーキテクチャ設計空間は,32種類の予測タスクに対して315,000の異なる設計で構成されている。
本研究の主な成果は,(1) 優れたGNNを設計するための包括的ガイドライン,(2) 異なるタスクに対する最高のGNN設計は著しく異なるが,GNNタスク空間は,異なるタスク間で最高の設計を転送することができる,(3) デザイン空間を用いて発見されたモデルが最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-11-17T18:59:27Z) - Learning to Execute Programs with Instruction Pointer Attention Graph
Neural Networks [55.98291376393561]
グラフニューラルネットワーク(GNN)は、ソフトウェアエンジニアリングタスクを学習するための強力なツールとして登場した。
リカレントニューラルネットワーク(RNN)は、長いシーケンシャルな推論の連鎖に適しているが、プログラム構造を自然に組み込んでいるわけではない。
本稿では,新しいGNNアーキテクチャ,IPA-GNN(Instruction Pointer Attention Graph Neural Networks)を導入する。
論文 参考訳(メタデータ) (2020-10-23T19:12:30Z) - Attentive Graph Neural Networks for Few-Shot Learning [74.01069516079379]
グラフニューラルネットワーク(GNN)は、数ショットの学習タスクを含む多くの困難なアプリケーションにおいて、優れたパフォーマンスを示している。
少数のサンプルからモデルを学習し、一般化する能力があるにもかかわらず、GNNは通常、モデルが深くなるにつれて、過度な過度な適合と過度なスムーシングに悩まされる。
本稿では,三重注意機構を組み込むことにより,これらの課題に対処するための新しい注意型GNNを提案する。
論文 参考訳(メタデータ) (2020-07-14T07:43:09Z) - Efficient Probabilistic Logic Reasoning with Graph Neural Networks [63.099999467118245]
マルコフ論理ネットワーク(MLN)は、多くの知識グラフ問題に対処するために用いられる。
MLNの推論は計算集約的であり、MLNの産業規模での応用は非常に困難である。
本稿では,表現力とモデルの単純さとのバランスのよいグラフニューラルネット(GNN)モデルであるExpressGNNを提案する。
論文 参考訳(メタデータ) (2020-01-29T23:34:36Z)
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。