論文の概要: Practical Layout-Aware Analog/Mixed-Signal Design Automation with
Bayesian Neural Networks
- arxiv url: http://arxiv.org/abs/2311.17073v1
- Date: Mon, 27 Nov 2023 19:02:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 00:16:46.060706
- Title: Practical Layout-Aware Analog/Mixed-Signal Design Automation with
Bayesian Neural Networks
- Title(参考訳): ベイズニューラルネットワークを用いた実用的なレイアウト対応アナログ・ミキシング信号設計自動化
- Authors: Ahmet F. Budak, Keren Zhu, and David Z. Pan
- Abstract要約: 多くの学習ベースのアルゴリズムは数千のシミュレーションデータポイントを必要とするが、回路をシミュレートするには高価ではない。
そこで本研究では,少量のデータを用いて学習可能なアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 5.877728608070716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The high simulation cost has been a bottleneck of practical
analog/mixed-signal design automation. Many learning-based algorithms require
thousands of simulated data points, which is impractical for expensive to
simulate circuits. We propose a learning-based algorithm that can be trained
using a small amount of data and, therefore, scalable to tasks with expensive
simulations. Our efficient algorithm solves the post-layout performance
optimization problem where simulations are known to be expensive. Our
comprehensive study also solves the schematic-level sizing problem. For
efficient optimization, we utilize Bayesian Neural Networks as a regression
model to approximate circuit performance. For layout-aware optimization, we
handle the problem as a multi-fidelity optimization problem and improve
efficiency by exploiting the correlations from cheaper evaluations. We present
three test cases to demonstrate the efficiency of our algorithms. Our tests
prove that the proposed approach is more efficient than conventional baselines
and state-of-the-art algorithms.
- Abstract(参考訳): 高いシミュレーションコストは実用的なアナログ/混合信号設計自動化のボトルネックとなっている。
多くの学習ベースのアルゴリズムは数千のシミュレーションデータポイントを必要とするが、回路をシミュレートするには高価ではない。
そこで本研究では,少ないデータ量で学習し,高価なシミュレーションでタスクにスケーラブルな学習アルゴリズムを提案する。
提案アルゴリズムは,シミュレーションが高価であることが知られているレイアウト後の性能最適化問題を解く。
我々の包括的な研究は、スキーマレベルのサイズ問題も解決する。
効率よく最適化するために,ベイズニューラルネットワークを回帰モデルとして利用して回路性能を近似する。
レイアウトアウェア最適化では,マルチ忠実度最適化問題としてこの問題を扱い,より安価な評価から相関を生かして効率を向上させる。
本稿では,アルゴリズムの効率性を示す3つのテストケースを提案する。
提案手法は従来のベースラインや最先端アルゴリズムよりも効率的であることを示す。
関連論文リスト
- CircuitVAE: Efficient and Scalable Latent Circuit Optimization [22.93567682576068]
CircuitVAEは連続空間に計算グラフを埋め込む検索アルゴリズムである。
我々のアルゴリズムはサンプリング効率が高いが、大きな問題インスタンスと高いサンプル予算に優雅にスケールする。
CircuitVAEは、実世界のチップで最先端の加算器を設計でき、我々の手法がリアルな環境で商用ツールより優れていることを示す。
論文 参考訳(メタデータ) (2024-06-13T18:47:52Z) - Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-05T08:32:07Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳(メタデータ) (2023-04-12T14:51:47Z) - Surrogate Neural Networks for Efficient Simulation-based Trajectory
Planning Optimization [28.292234483886947]
本稿では、ニューラルネットワークの形で代理モデルを用いて、参照軌道のシミュレーションに基づく最適化の計算時間を短縮する手法を提案する。
提案手法は,従来よりも74%優れた参照軌道が得られており,計算時間が大幅に短縮されることが明らかとなった。
論文 参考訳(メタデータ) (2023-03-30T15:44:30Z) - Learning to Optimize Permutation Flow Shop Scheduling via Graph-based
Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。
我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。
我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文 参考訳(メタデータ) (2022-10-31T09:46:26Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Joint inference and input optimization in equilibrium networks [68.63726855991052]
ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。
この2つの設定の間には自然なシナジーがあることが示されています。
この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
論文 参考訳(メタデータ) (2021-11-25T19:59:33Z) - An Actor-Critic Method for Simulation-Based Optimization [6.261751912603047]
実現可能な空間から最適な設計を選択するためのシミュレーションに基づく最適化問題に焦点をあてる。
政策探索問題としてサンプリングプロセスを定式化し、強化学習(RL)の観点から解を求める。
いくつかの実験は提案アルゴリズムの有効性を検証するために設計されている。
論文 参考訳(メタデータ) (2021-10-31T09:04:23Z) - Benchmarking Simulation-Based Inference [5.3898004059026325]
確率的モデリングの最近の進歩は、確率の数値的評価を必要としないシミュレーションに基づく推論アルゴリズムを多数もたらした。
推論タスクと適切なパフォーマンス指標を備えたベンチマークを,アルゴリズムの初期選択とともに提供する。
性能指標の選択は重要であり、最先端のアルゴリズムでさえ改善の余地があり、逐次推定によりサンプリング効率が向上することがわかった。
論文 参考訳(メタデータ) (2021-01-12T18:31:22Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-01-07T08:00:02Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2~5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳(メタデータ) (2020-02-04T20:00:28Z)
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。