Fugu-MT 論文翻訳(概要): Assessment of Reinforcement Learning for Macro Placement

論文の概要: Assessment of Reinforcement Learning for Macro Placement

arxiv url: http://arxiv.org/abs/2302.11014v2
Date: Mon, 27 Mar 2023 18:01:40 GMT
ステータス: 処理完了
システム内更新日: 2023-03-29 18:30:47.410105
Title: Assessment of Reinforcement Learning for Macro Placement
Title（参考訳）: マクロ配置のための強化学習の評価
Authors: Chung-Kuan Cheng, Andrew B. Kahng, Sayak Kundu, Yucheng Wang, Zhiang Wang
Abstract要約: マクロ配置に対するGoogle Brainの深層強化学習アプローチと,そのサーキットトレーニング(CT)実装をGitHubに実装しています。我々は,CTのオープンソースキー"ブラックボックス"要素を実装し,CTとNature論文の相違点を明らかにする。我々はCTを複数の代替マクロプレースラと共に評価し、すべての評価フローと関連するスクリプトをGitHubで公開しています。
参考スコア（独自算出の注目度）: 3.5973667829749014
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We provide open, transparent implementation and assessment of Google Brain's deep reinforcement learning approach to macro placement and its Circuit Training (CT) implementation in GitHub. We implement in open source key "blackbox" elements of CT, and clarify discrepancies between CT and Nature paper. New testcases on open enablements are developed and released. We assess CT alongside multiple alternative macro placers, with all evaluation flows and related scripts public in GitHub. Our experiments also encompass academic mixed-size placement benchmarks, as well as ablation and stability studies. We comment on the impact of Nature and CT, as well as directions for future research.
Abstract（参考訳）: 我々は、マクロ配置に対するGoogle Brainの深層強化学習アプローチと、GitHubにおけるサーキットトレーニング(CT)実装のオープンで透明な実装と評価を提供する。我々は,CTのオープンソースキー"ブラックボックス"要素を実装し,CTとNature論文の相違を明らかにする。オープンイネーブルに関する新しいテストケースが開発され、リリースされます。我々はCTを複数の代替マクロプレースラと共に評価し、すべての評価フローと関連するスクリプトをGitHubで公開しています。また, 実験は, アブレーションと安定性の研究と同様に, 学術的混合サイズの配置ベンチマークを包含する。我々は自然とCTの影響と今後の研究の方向性についてコメントする。

関連論文リスト

Efficient Exploration in Deep Reinforcement Learning: A Novel Bayesian Actor-Critic Algorithm [0.195804735329484]
強化学習(RL)と深層強化学習(DRL)は破壊する可能性があり、我々が世界と対話する方法を既に変えている。適用可能性の重要な指標の1つは、実世界のシナリオでスケールして機能する能力である。
論文参考訳（メタデータ） (2024-08-19T14:50:48Z)
RLSAC: Reinforcement Learning enhanced Sample Consensus for End-to-End Robust Estimation [74.47709320443998]
RLSAC(Reinforcement Learning enhanced SAmple Consensus framework for end-to-end robust estimation)を提案する。 RLSACはグラフニューラルネットワークを用いて、データとメモリの特徴の両方を利用して探索方向を案内し、次の最小セットをサンプリングする。実験の結果, RLSACは特徴から学習し, より優れた仮説を徐々に探求できることがわかった。
論文参考訳（メタデータ） (2023-08-10T03:14:19Z)
PointCMP: Contrastive Mask Prediction for Self-supervised Learning on Point Cloud Videos [58.18707835387484]
本稿では,ポイントクラウドビデオ上での自己教師型学習のための対照的なマスク予測フレームワークを提案する。 PointCMPは、局所的情報と大域的情報の両方を同時に学習するために、2分岐構造を用いる。我々のフレームワークは、ベンチマークデータセットにおける最先端のパフォーマンスを達成し、既存のフル教師付きデータセットよりも優れています。
論文参考訳（メタデータ） (2023-05-06T15:47:48Z)
A Benchmark Generator for Combinatorial Testing [0.0]
Combinatorial Testing (CT)ツールは、幅広いシステムの適切なテストに不可欠である。我々は、利用可能なコンビニアル問題の多くに含まれる構造を基本的に借用する、CTベンチマークの新しいジェネレータを導入する。
論文参考訳（メタデータ） (2022-12-29T09:03:10Z)
SPE-Net: Boosting Point Cloud Analysis via Rotation Robustness Enhancement [118.20816888815658]
SPE-Netという名前の3Dポイントクラウドアプリケーションに適した新しいディープアーキテクチャを提案する。埋め込みSelective Position variant' の手順は、入力の根底にある回転条件に効果的に対応できる注意機構に依存している。 SPE-Netと関連する仮説の利点を4つのベンチマークで示し、SOTA法よりも回転試験データと回転試験データの両方に明らかな改善点を示した。
論文参考訳（メタデータ） (2022-11-15T15:59:09Z)
pymdp: A Python library for active inference in discrete state spaces [52.85819390191516]
pymdpはPythonでアクティブな推論をシミュレートするオープンソースパッケージである。我々は,POMDPによるアクティブな推論をシミュレートする,最初のオープンソースパッケージを提供する。
論文参考訳（メタデータ） (2022-01-11T12:18:44Z)
CT-block: a novel local and global features extractor for point cloud [9.470975921402886]
点を隣人とグループ化することで点雲の局所的特徴を学習することができるが、この手法は長距離グローバル特徴を抽出するには弱い。我々は,CTブロックと呼ばれる局所的特徴と大域的特徴を同時に抽出・融合できる新しいモジュールを提案する。我々は,CTブロックを用いてポイントクラウド分類とセグメンテーションネットワークを構築し,それらの性能をいくつかの公開データセットで評価する。
論文参考訳（メタデータ） (2021-11-30T13:46:52Z)
Delving into Macro Placement with Reinforcement Learning [9.820395730612328]
強化学習環境に標準セルを配置するために,DREAMPlace をフォース指向方式に置き換える。また,提案手法を他の学術的指標と比較した。
論文参考訳（メタデータ） (2021-09-06T16:30:01Z)
Machine Collaboration [18.939285469943936]
機械協調(MaC)と呼ばれる教師あり学習のための新しいアンサンブルフレームワークを提案する。バッグング/スタック(並列で独立したフレームワーク)やブースト(シーケンシャルでトップダウンのフレームワーク)とは異なり、MaCは円形でインタラクティブな学習フレームワークの一種です。シミュレーションデータと119ベンチマーク実データの両方を用いて,MACの広範な実験を行う。
論文参考訳（メタデータ） (2021-05-06T10:27:03Z)
DetCo: Unsupervised Contrastive Learning for Object Detection [64.22416613061888]
教師なしのコントラスト学習は,CNNを用いた画像表現学習において大きな成功を収めている。我々は,グローバルイメージとローカルイメージパッチのコントラストをフルに検討する,DetCoという新しいコントラスト学習手法を提案する。 DetCoは1倍のスケジュールでMask RCNN-C4/FPN/RetinaNet上で1.6/1.2/1.0 APで教師付き手法を一貫して上回っている。
論文参考訳（メタデータ） (2021-02-09T12:47:20Z)
MSC: A Dataset for Macro-Management in StarCraft II [52.52008929278214]
プラットフォームSC2LEに基づいた新しいマクロ管理データセットをリリースする。 MSCは、よく設計された特徴ベクトル、事前定義されたハイレベルアクション、および各マッチの最終結果からなる。データセットの他に,グローバルな状態評価とビルド順序予測のためのベースラインモデルと初期ベースライン結果を提案する。
論文参考訳（メタデータ） (2017-10-09T14:59:11Z)

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。