論文の概要: Seeking the Yield Barrier: High-Dimensional SRAM Evaluation Through
Optimal Manifold
- arxiv url: http://arxiv.org/abs/2307.15773v1
- Date: Fri, 28 Jul 2023 19:21:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 19:34:52.364796
- Title: Seeking the Yield Barrier: High-Dimensional SRAM Evaluation Through
Optimal Manifold
- Title(参考訳): 収量バリアの探索:最適マニフォールドによる高次元SRAM評価
- Authors: Yanfang Liu, Guohao Dai and Wei W.Xing
- Abstract要約: 最適マニフォールド重要サンプリング(OPTIMIS)と呼ばれる新しい収量推定法を開発した。
OPTIMISは、高次元評価におけるSOTA法よりも3.5倍の効率と3倍の精度で、ロバスト性と整合性を備えた最先端性能を提供する。
- 参考スコア(独自算出の注目度): 3.258560324501261
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Being able to efficiently obtain an accurate estimate of the failure
probability of SRAM components has become a central issue as model circuits
shrink their scale to submicrometer with advanced technology nodes. In this
work, we revisit the classic norm minimization method. We then generalize it
with infinite components and derive the novel optimal manifold concept, which
bridges the surrogate-based and importance sampling (IS) yield estimation
methods. We then derive a sub-optimal manifold, optimal hypersphere, which
leads to an efficient sampling method being aware of the failure boundary
called onion sampling. Finally, we use a neural coupling flow (which learns
from samples like a surrogate model) as the IS proposal distribution. These
combinations give rise to a novel yield estimation method, named Optimal
Manifold Important Sampling (OPTIMIS), which keeps the advantages of the
surrogate and IS methods to deliver state-of-the-art performance with
robustness and consistency, with up to 3.5x in efficiency and 3x in accuracy
over the best of SOTA methods in High-dimensional SRAM evaluation.
- Abstract(参考訳): sramコンポーネントの故障確率を効率的に推定できることは、モデル回路が高度な技術ノードを持つサブマイクロメータにスケールを縮小するため、主要な問題となっている。
本研究では,古典的ノルム最小化法を再考する。
次に、それを無限成分で一般化し、サーロゲートベースおよび重要サンプリング(is)の収率推定法を橋渡しする新しい最適多様体の概念を導出する。
次に、最適多様体である最適超球面を導出し、オニオンサンプリングと呼ばれる故障境界を認識する効率的なサンプリング手法を導出する。
最後に、IS提案分布としてニューラルカップリングフロー(代理モデルのようなサンプルから学習する)を用いる。
これらの組み合わせは、高次元SRAM評価におけるSOTA法よりも最大3.5倍の効率と3倍の精度で、ロゲート法とIS法の利点を保ちつつ、新しい収率推定法であるOPTIMIS(Optimal Manifold Important Sampling)を生み出している。
関連論文リスト
- Distributionally Robust Optimization as a Scalable Framework to Characterize Extreme Value Distributions [22.765095010254118]
本研究の目的は分散ロバストな最適化 (DRO) 推定器の開発であり、特に多次元極値理論 (EVT) の統計量についてである。
点過程の空間における半パラメトリックな最大安定制約によって予測されるDRO推定器について検討した。
両手法は, 合成データを用いて検証し, 所定の特性を回復し, 提案手法の有効性を検証する。
論文 参考訳(メタデータ) (2024-07-31T19:45:27Z) - Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳(メタデータ) (2024-07-10T17:39:50Z) - M3D: Dataset Condensation by Minimizing Maximum Mean Discrepancy [26.227927019615446]
最先端の訓練(SOTA)の深層モデルは、しばしば膨大なデータを必要とするため、かなりの訓練と保存コストがかかる。
データセットの凝縮は、オリジナルの大規模データセットから必須情報を保存する小さな合成集合を学ぶために開発された。
本稿では,最大平均離散度を最小化することにより,データセットの凝縮を最小化するためのM3Dという新しいDMベースの手法を提案する。
論文 参考訳(メタデータ) (2023-12-26T07:45:32Z) - Provably Efficient Bayesian Optimization with Unknown Gaussian Process Hyperparameter Estimation [44.53678257757108]
目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。
本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。
提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T03:35:45Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳(メタデータ) (2023-05-29T17:25:26Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - High-Dimensional Yield Estimation using Shrinkage Deep Features and
Maximization of Integral Entropy Reduction [0.8522010776600341]
非線形カーネル関連ディープカーネルにおいて,プロセスの変動パラメータを自動的に識別する絶対的深層学習ASDKを提案する。
カラム回路の実験は、SOTA法よりも最大10.3倍の高速化で精度と効率の点で、最先端(SOTA)アプローチよりもASDKの方が優れていることを示した。
論文 参考訳(メタデータ) (2022-12-05T08:39:41Z) - Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。
本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。
我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文 参考訳(メタデータ) (2022-09-27T07:58:25Z) - Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。
提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
論文 参考訳(メタデータ) (2022-04-23T02:45:55Z)
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。