論文の概要: IB-Net: Initial Branch Network for Variable Decision in Boolean
Satisfiability
- arxiv url: http://arxiv.org/abs/2403.03517v1
- Date: Wed, 6 Mar 2024 07:54:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 15:57:19.112256
- Title: IB-Net: Initial Branch Network for Variable Decision in Boolean
Satisfiability
- Title(参考訳): IB-Net:ブール充足性における可変決定のための初期分岐ネットワーク
- Authors: Tsz Ho Chan, Wenyi Xiao, Junhua Huang, Huiling Zhen, Guangji Tian and
Mingxuan Yuan
- Abstract要約: IB-Netは、グラフニューラルネットワークと新しいグラフ符号化技術を利用して、不満足な問題をモデル化する革新的なフレームワークである。
IB-Netの加速は産業データで5.0%、SAT競合データで8.3%である。
- 参考スコア(独自算出の注目度): 5.702217370189279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Boolean Satisfiability problems are vital components in Electronic Design
Automation, particularly within the Logic Equivalence Checking process.
Currently, SAT solvers are employed for these problems and neural network is
tried as assistance to solvers. However, as SAT problems in the LEC context are
distinctive due to their predominantly unsatisfiability nature and a
substantial proportion of UNSAT-core variables, existing neural network
assistance has proven unsuccessful in this specialized domain. To tackle this
challenge, we propose IB-Net, an innovative framework utilizing graph neural
networks and novel graph encoding techniques to model unsatisfiable problems
and interact with state-of-the-art solvers. Extensive evaluations across
solvers and datasets demonstrate IB-Net's acceleration, achieving an average
runtime speedup of 5.0% on industrial data and 8.3% on SAT competition data
empirically. This breakthrough advances efficient solving in LEC workflows.
- Abstract(参考訳): ブール満足度問題は電子設計自動化、特に論理等価チェックプロセスにおいて重要な要素である。
現在、SATソルバはこれらの問題に使われ、ニューラルネットワークはソルバの補助として試みられている。
しかし、LECコンテキストにおけるSAT問題は、主に不満足な性質とUNSATコア変数のかなりの割合によって特徴的であるため、既存のニューラルネットワークアシストはこの特殊な領域では成功していないことが証明されている。
この課題に対処するために、我々は、グラフニューラルネットワークと新しいグラフ符号化技術を利用した革新的なフレームワークであるIB-Netを提案する。
IB-Netは産業データで平均5.0%、SAT競合データで8.3%の高速化を実現している。
このブレークスルーは、LECワークフローにおける効率的な問題解決を前進させる。
関連論文リスト
- Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。
総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2024-03-21T02:33:37Z) - G4SATBench: Benchmarking and Advancing SAT Solving with Graph Neural
Networks [8.936151867825112]
グラフニューラルネットワーク(GNN)は、ブール満足度問題(SAT)を解決するための有望なアプローチとして登場した。
G4SATBenchは、GNNベースのSATソルバの包括的な評価フレームワークを確立する最初のベンチマーク研究である。
GNNベースのSATソルバの性能について,実験結果から貴重な知見を得た。
論文 参考訳(メタデータ) (2023-09-29T02:50:57Z) - Using deep learning to construct stochastic local search SAT solvers
with performance bounds [0.0]
グラフニューラルネットワークを用いてオーラクルを訓練し、2つのSLSソルバ上で、様々な難易度を持つランダムSATインスタンス上でそれらを評価する。
GNNベースのオラクルへのアクセスは,両者のパフォーマンスを著しく向上させることがわかった。
論文 参考訳(メタデータ) (2023-09-20T16:27:52Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳(メタデータ) (2023-09-04T17:30:21Z) - Adversarial training with informed data selection [53.19381941131439]
アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。
本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。
シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
論文 参考訳(メタデータ) (2023-01-07T12:09:50Z) - Optimal Solutions for Joint Beamforming and Antenna Selection: From
Branch and Bound to Machine Learning [47.10315221141495]
本研究は、不完全なチャネル状態情報(CSI)の下で、継手ビームフォーミング(BF)とアンテナ選択(AS)の問題およびロバストビームフォーミング(RBF)バージョンを再検討する。
この研究の主な貢献は3つある。まず、関心事の問題を解決する効果的な分岐と境界(B&B)フレームワークを提案する。
第二に、潜在的にコストのかかるB&Bアルゴリズムを高速化するために、B&B検索ツリーの中間状態を省略する機械学習(ML)ベースのスキームが提案されている。
論文 参考訳(メタデータ) (2022-06-11T17:43:02Z) - INSTA-BNN: Binary Neural Network with INSTAnce-aware Threshold [16.890849856271185]
InSTAnce-aware threshold (INSTA-BNN) を用いた新しいBNN設計法を提案する。
INSTA-BNNは入力依存またはインスタンス認識の方法で量子化閾値を動的に制御する。
InSTA-BNNは,ImageNet分類タスクにおいて,同等の計算コストでベースラインを3.0%,2.8%上回る性能を示した。
論文 参考訳(メタデータ) (2022-04-15T12:30:02Z) - Machine Learning Methods in Solving the Boolean Satisfiability Problem [72.21206588430645]
本論文は, Boolean satisfiability problem (SAT) を機械学習技術で解くことに関する最近の文献をレビューする。
ML-SATソルバを手作り特徴を持つナイーブ分類器からNeuroSATのような新たなエンド・ツー・エンドSATソルバまで,進化するML-SATソルバについて検討する。
論文 参考訳(メタデータ) (2022-03-02T05:14:12Z) - Transformer-based Machine Learning for Fast SAT Solvers and Logic
Synthesis [63.53283025435107]
CNFベースのSATとMaxSATは論理合成と検証システムの中心である。
そこで本研究では,Transformerアーキテクチャから派生したワンショットモデルを用いて,MaxSAT問題の解法を提案する。
論文 参考訳(メタデータ) (2021-07-15T04:47:35Z) - Goal-Aware Neural SAT Solver [2.609784101826762]
現代のニューラルネットワークは問題に関する情報を取得し、入力値からのみ出力を算出する。
我々は、必ずしも最適ではなく、クエリメカニズムで拡張することで、ネットワークの性能を大幅に改善できると主張している。
本稿では、QuerySATと呼ばれるクエリ機構を備えたニューラルSATソルバを提案し、幅広いSATタスクにおいてニューラルベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2021-06-14T04:51:24Z)
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。