論文の概要: Fast Cell Library Characterization for Design Technology Co-Optimization
Based on Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2312.12784v3
- Date: Wed, 31 Jan 2024 08:07:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 17:18:25.943769
- Title: Fast Cell Library Characterization for Design Technology Co-Optimization
Based on Graph Neural Networks
- Title(参考訳): グラフニューラルネットワークに基づく設計技術共最適化のための高速セルライブラリ特性評価
- Authors: Tianliang Ma, Zhihui Deng, Xuguang Sun, Leilai Shao, Kainlu Low
- Abstract要約: 設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。
本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
- 参考スコア(独自算出の注目度): 0.19927833464707584
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Design technology co-optimization (DTCO) plays a critical role in achieving
optimal power, performance, and area (PPA) for advanced semiconductor process
development. Cell library characterization is essential in DTCO flow, but
traditional methods are time-consuming and costly. To overcome these
challenges, we propose a graph neural network (GNN)-based machine learning
model for rapid and accurate cell library characterization. Our model
incorporates cell structures and demonstrates high prediction accuracy across
various process-voltage-temperature (PVT) corners and technology parameters.
Validation with 512 unseen technology corners and over one million test data
points shows accurate predictions of delay, power, and input pin capacitance
for 33 types of cells, with a mean absolute percentage error (MAPE) $\le$ 0.95%
and a speed-up of 100X compared with SPICE simulations. Additionally, we
investigate system-level metrics such as worst negative slack (WNS), leakage
power, and dynamic power using predictions obtained from the GNN-based model on
unseen corners. Our model achieves precise predictions, with absolute error
$\le$3.0 ps for WNS, percentage errors $\le$0.60% for leakage power, and
$\le$0.99% for dynamic power, when compared to golden reference. With the
developed model, we further proposed a fine-grained drive strength
interpolation methodology to enhance PPA for small-to-medium-scale designs,
resulting in an approximate 1-3% improvement.
- Abstract(参考訳): 設計技術共最適化(DTCO)は、半導体プロセス開発における最適電力、性能、面積(PPA)を達成する上で重要な役割を果たしている。
細胞ライブラリーの特徴はDTCOフローに必須であるが、従来の手法は時間と費用がかかる。
これらの課題を克服するため,我々は,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
本モデルはセル構造を組み込んで様々なプロセス電圧温度(pvt)コーナーと技術パラメータにわたって高い予測精度を示す。
512の技術コーナーと100万以上のテストデータポイントによる検証は、平均絶対パーセンテージ誤差(MAPE)0.95%、SPICEシミュレーションと比較して100倍の速度で、33種類のセルの遅延、電力、入力ピン容量の正確な予測を示している。
さらに,nnnモデルから得られた未発見コーナーでの予測値を用いて,最悪負のスラックス(wns),リーク電力,動的パワーなどのシステムレベルの指標を調査した。
このモデルは、wnsの絶対誤差$\le$3.0 ps、リーク電力のパーセンテージ誤差$\le$0.60%、golden referenceと比較して動的電力$0.99%という正確な予測を達成している。
さらに, 小型・中規模設計におけるPPA向上のための微粒化駆動強度補間法を提案し, ほぼ1-3%の改善を実現した。
関連論文リスト
- Flexible Parallel Neural Network Architecture Model for Early Prediction
of Lithium Battery Life [0.8530934084017966]
電池寿命の早期予測(EPBL)は、リチウム電池の効率を高め、寿命を延ばすために不可欠である。
固定アーキテクチャを持つ従来のモデルは、異なるEPBLタスクにおける多様なデータ分散のために、不適合や過度に適合する問題にしばしば遭遇する。
InceptionBlock,3D畳み込みニューラルネットワーク(CNN),2D CNN,デュアルストリームネットワークを含む,フレキシブル並列ニューラルネットワーク(FPNN)の解釈可能なディープラーニングモデルを提案する。
提案モデルでは,3次元CNNを用いて映像のようなフォーマットデータから電気化学的特徴を効果的に抽出し,高度なマルチスケール特徴抽象化を実現する。
論文 参考訳(メタデータ) (2024-01-29T12:20:17Z) - IKD+: Reliable Low Complexity Deep Models For Retinopathy Classification [15.543363807730096]
網膜症に対するディープニューラルネットワーク(DNN)モデルでは、90%中~90%の予測精度が推定されている。
最先端モデルは複雑で、訓練と展開には相当な計算インフラが必要である。
サイズ,精度,信頼性のトレードオフを取り入れた反復的知識蒸留(IKD)の形式をIKD+と呼ぶ。
論文 参考訳(メタデータ) (2023-03-04T03:59:06Z) - GNN4REL: Graph Neural Networks for Predicting Circuit Reliability
Degradation [7.650966670809372]
我々はグラフニューラルネットワーク(GNN)を用いて、プロセスの変動とデバイス老化が回路内の任意の経路の遅延に与える影響を正確に推定する。
GNN4RELは、工業用14nm計測データに対して校正されたFinFET技術モデルに基づいて訓練されている。
我々は、平均絶対誤差を0.01ポイントまで下げて、全経路(特に数秒以内)の遅延劣化をうまく見積もった。
論文 参考訳(メタデータ) (2022-08-04T20:09:12Z) - Single-Shot Optical Neural Network [55.41644538483948]
深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。
我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
論文 参考訳(メタデータ) (2022-05-18T17:49:49Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳(メタデータ) (2022-03-03T19:56:24Z) - Physics-enhanced deep surrogates for partial differential equations [30.731686639510517]
本稿では, 複雑な物理系のための高速サロゲートモデル開発に向けて, 物理強化ディープサロゲート(PEDS)アプローチを提案する。
具体的には,低忠実で説明可能な物理シミュレータとニューラルネットワークジェネレータの組み合わせを提案する。
論文 参考訳(メタデータ) (2021-11-10T18:43:18Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳(メタデータ) (2021-05-07T11:39:05Z) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳(メタデータ) (2021-03-08T03:09:37Z) - Toward fast and accurate human pose estimation via soft-gated skip
connections [97.06882200076096]
本稿では,高精度かつ高効率な人間のポーズ推定について述べる。
我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。
本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
論文 参考訳(メタデータ) (2020-02-25T18:51:51Z)
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。