論文の概要: HybridNet: Dual-Branch Fusion of Geometrical and Topological Views for
VLSI Congestion Prediction
- arxiv url: http://arxiv.org/abs/2305.05374v2
- Date: Tue, 13 Jun 2023 02:50:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 17:05:05.619459
- Title: HybridNet: Dual-Branch Fusion of Geometrical and Topological Views for
VLSI Congestion Prediction
- Title(参考訳): ハイブリッドネット:VLSI混雑予測のための幾何学的・位相的視点のデュアルブランチ融合
- Authors: Yuxiang Zhao, Zhuomin Chai, Yibo Lin, Runsheng Wang, Ru Huang
- Abstract要約: 本稿では,回路のトポロジ的特徴と幾何学的特徴を包含する新しい手法を提案する。
本稿では,各経路に異なるエンコーダ層を配置し,複雑な融合戦略で表現を集約するデュアルブランチネットワークを提案する。
われわれのネットワークであるHybridNetは、セルの幾何学的相互作用を捉えるための単純かつ効果的な方法を提供するだけでなく、ネットリストにおける元のトポロジ的関係も保存する。
- 参考スコア(独自算出の注目度): 5.6934255257494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate early congestion prediction can prevent unpleasant surprises at the
routing stage, playing a crucial character in assisting designers to iterate
faster in VLSI design cycles. In this paper, we introduce a novel strategy to
fully incorporate topological and geometrical features of circuits by making
several key designs in our network architecture. To be more specific, we
construct two individual graphs (geometry-graph, topology-graph) with distinct
edge construction schemes according to their unique properties. We then propose
a dual-branch network with different encoder layers in each pathway and
aggregate representations with a sophisticated fusion strategy. Our network,
named HybridNet, not only provides a simple yet effective way to capture the
geometric interactions of cells, but also preserves the original topological
relationships in the netlist. Experimental results on the ISPD2015 benchmarks
show that we achieve an improvement of 10.9% compared to previous methods.
- Abstract(参考訳): 正確な早期混雑予測は、ルーティングステージでの不快なサプライズを防止し、設計者がvlsi設計サイクルを高速化するのを助ける重要な役割を果たす。
本稿では,回路のトポロジカルな特徴と幾何学的特徴を,ネットワークアーキテクチャの重要な設計手法として取り入れる手法を提案する。
より具体的に言うと、異なるエッジ構成スキームを持つ2つの個別グラフ(ジオメトリグラフ、トポロジーグラフ)を構成する。
次に,各経路に異なるエンコーダ層を持つデュアルブランチネットワークと,高度な融合戦略を持つアグリゲート表現を提案する。
われわれのネットワークであるHybridNetは、セルの幾何学的相互作用を捉えるための単純かつ効果的な方法を提供するだけでなく、ネットリストにおける元のトポロジ的関係も保存する。
ISPD2015ベンチマーク実験の結果,従来の手法と比較して10.9%の改善が得られた。
関連論文リスト
- Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2024-03-11T06:34:05Z) - Topological Graph Signal Compression [7.836468889756101]
本稿では,グラフ上での信号圧縮のための新しいTDL法を提案する。
我々のフレームワークは標準GNNとフィードフォワードアーキテクチャの両方を改善している。
論文 参考訳(メタデータ) (2023-08-21T22:26:21Z) - DepGraph: Towards Any Structural Pruning [68.40343338847664]
我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。
本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。
本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
論文 参考訳(メタデータ) (2023-01-30T14:02:33Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳(メタデータ) (2022-11-19T09:08:43Z) - Simpler is better: Multilevel Abstraction with Graph Convolutional
Recurrent Neural Network Cells for Traffic Prediction [6.968068088508505]
グラフニューラルネットワーク(GNN)のための新しいシーケンス・ツー・シーケンスアーキテクチャを提案する。
また、カナダのモントリオールで、ストリートレベルのセグメントデータのベンチマークデータセットを新たに発表した。
本モデルでは,ベースライン法と比較して1時間予測で7%以上性能が向上する。
論文 参考訳(メタデータ) (2022-09-08T14:56:29Z) - Towards Bi-directional Skip Connections in Encoder-Decoder Architectures
and Beyond [95.46272735589648]
本稿では,デコードされた機能をエンコーダに戻すための後方スキップ接続を提案する。
我々の設計は、任意のエンコーダ・デコーダアーキテクチャにおいて前方スキップ接続と共同で適用することができる。
本稿では,2相ニューラルネットワーク探索(NAS)アルゴリズム,すなわちBiX-NASを提案する。
論文 参考訳(メタデータ) (2022-03-11T01:38:52Z) - i-SpaSP: Structured Neural Pruning via Sparse Signal Recovery [11.119895959906085]
ニューラルネットワークのための新しい構造化プルーニングアルゴリズム - i-SpaSPと呼ばれる反復型スパース構造化プルーニングを提案する。
i-SpaSPはネットワーク内の重要なパラメータ群を識別することで動作し、プルーニングされたネットワーク出力と高密度なネットワーク出力の残差に最も寄与する。
高い性能のサブネットワークを発見し, 証明可能なベースライン手法のプルーニング効率を, 数桁の精度で向上させることが示されている。
論文 参考訳(メタデータ) (2021-12-07T05:26:45Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳(メタデータ) (2021-10-28T14:59:41Z) - BiTe-GCN: A New GCN Architecture via BidirectionalConvolution of
Topology and Features on Text-Rich Networks [44.74164340799386]
BiTe-GCNは、トポロジとテキストリッチネットワークの機能の両方を双方向に畳み込む新しいGCNアーキテクチャである。
私たちの新しいアーキテクチャは、ブレークアウトの改善によって最先端よりも優れています。
このアーキテクチャは、JD検索のようないくつかのeコマース検索シーンにも適用できる。
論文 参考訳(メタデータ) (2020-10-23T04:38:30Z) - Recent Developments Combining Ensemble Smoother and Deep Generative
Networks for Facies History Matching [58.720142291102135]
本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。
本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
論文 参考訳(メタデータ) (2020-05-08T21:32:42Z)
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。