論文の概要: Toward Reinforcement Learning-based Rectilinear Macro Placement Under Human Constraints

• arxiv url: http://arxiv.org/abs/2311.03383v1
• Date: Fri, 3 Nov 2023 00:09:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 18:42:36.868637
• Title: Toward Reinforcement Learning-based Rectilinear Macro Placement Under Human Constraints
• Title（参考訳）: 強化学習に基づくリクチリニアマクロ配置の人間制約下での展開
• Authors: Tuyen P. Le and Hieu T. Nguyen and Seungyeol Baek and Taeyoun Kim and Jungwoo Lee and Seongjung Kim and Hyunjin Kim and Misu Jung and Daehoon Kim and Seokyong Lee and Daewoo Choi
• Abstract要約: 本研究では,GoogleのCircuit Training (G-CT) が提案するアプローチを利用して,学習ベースのマクロプレーサを提供する手法を提案する。 実験の結果,PPA(Power-Performance-Area)測定におけるフレームワークの有効性が示された。
• 参考スコア（独自算出の注目度）: 3.512119717297359
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Macro placement is a critical phase in chip design, which becomes more intricate when involving general rectilinear macros and layout areas. Furthermore, macro placement that incorporates human-like constraints, such as design hierarchy and peripheral bias, has the potential to significantly reduce the amount of additional manual labor required from designers. This study proposes a methodology that leverages an approach suggested by Google's Circuit Training (G-CT) to provide a learning-based macro placer that not only supports placing rectilinear cases, but also adheres to crucial human-like design principles. Our experimental results demonstrate the effectiveness of our framework in achieving power-performance-area (PPA) metrics and in obtaining placements of high quality, comparable to those produced with human intervention. Additionally, our methodology shows potential as a generalized model to address diverse macro shapes and layout areas.
• Abstract（参考訳）: マクロ配置はチップ設計において重要なフェーズであり、一般的な直線マクロやレイアウト領域を含むとより複雑になる。 さらに、設計階層や周辺バイアスといった人間のような制約を組み込んだマクロ配置は、デザイナに必要な手作業の量を大幅に削減する可能性がある。 本研究では,googleの回路訓練(g-ct)が提案する手法を活用し,学習に基づくマクロプレーサーを提案する。 実験結果は,ppa(power-performance-area)測定値の達成と,ヒトの介入に匹敵する高品質な配置の獲得におけるフレームワークの有効性を示す。 さらに,多様なマクロ形状やレイアウト領域に対応する汎用モデルとしての可能性を示す。

関連論文リスト

• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。 我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Beyond Linear Approximations: A Novel Pruning Approach for Attention Matrix [17.086679273053853]
  大きな言語モデル(LLM)は、私たちの日常生活の様々な側面を強化する大きな可能性を示しています。 彼らの成長する能力は、非常に大きなモデルサイズを犠牲にし、エッジデバイスへのデプロイメントを困難にしている。 本稿では,注目行列の近似を直接最適化する LLM 重み付け手法を提案する。
  論文  参考訳（メタデータ） (2024-10-15T04:35:56Z)
• Non-Overlapping Placement of Macro Cells based on Reinforcement Learning in Chip Design [20.500468654567033]
  本稿では,強化学習に基づくエンドツーエンド配置手法SRLPlacerを提案する。 パブリックベンチマークISPD2005で評価することにより,提案したSRLPlacerはマクロセル間の重複問題を効果的に解決することができる。
  論文  参考訳（メタデータ） (2024-07-26T04:15:54Z)
• Chip Placement with Diffusion [42.397340832801724]
  マクロ配置 (Macro placement) は、2次元チップ上のマクロとして知られるコンポーネントの大規模なコレクションの物理的位置を定義する。 既存の学習ベースの手法は、強化学習に依存しており、エージェントの柔軟性が制限されるため、不足している。 本稿では,事前学習のための大規模合成データセットを生成するアルゴリズムとともに,デノナイズモデルのための新しいアーキテクチャを提案する。 我々は,我々のモデルが配置課題に対処できることを実証的に示し,最先端の手法と比較して配置ベンチマーク上での競合性能を達成することを実証した。
  論文  参考訳（メタデータ） (2024-07-17T03:02:24Z)
• Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks [64.39488944424095]
  本稿では,Message-Passing Monte Carlo という低差点集合を生成する機械学習手法を提案する。 MPMC点は、低次元と少数の点との差に関して、最適かほぼ最適であることが実証的に示されている。
  論文  参考訳（メタデータ） (2024-05-23T21:17:20Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [78.56114271538061]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• Understanding Masked Autoencoders From a Local Contrastive Perspective [80.57196495601826]
  Masked AutoEncoder (MAE)は、シンプルだが効果的なマスキングと再構築戦略によって、自己指導型学習の分野に革命をもたらした。 そこで我々は,MaEの再構成的側面とコントラスト的側面の両方を解析するために,ローカルコントラストMAEと呼ばれる新しい経験的枠組みを導入する。
  論文  参考訳（メタデータ） (2023-10-03T12:08:15Z)
• On Joint Learning for Solving Placement and Routing in Chip Design [70.30640973026415]
  本稿では,マクロや標準セルの配置に関するDeepPlaceによる共同学習手法を提案する。 また,DeepPRと呼ばれるマクロ配置とルーティングの両方を満たすための強化学習による共同学習手法も開発している。 本手法は,経験から効果的に学習し,数時間のトレーニングで標準細胞配置の中間配置を提供する。
  論文  参考訳（メタデータ） (2021-10-30T11:41:49Z)
• 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)
• Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
  本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。 我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。