論文の概要: RoutePlacer: An End-to-End Routability-Aware Placer with Graph Neural Network
- arxiv url: http://arxiv.org/abs/2406.02651v1
- Date: Tue, 4 Jun 2024 15:39:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 23:19:06.892934
- Title: RoutePlacer: An End-to-End Routability-Aware Placer with Graph Neural Network
- Title（参考訳）: RoutePlacer: グラフニューラルネットワークを用いたエンドツーエンドのランタビリティ認識プレーザ
- Authors: Yunbo Hou, Haoran Ye, Yingxue Zhang, Siyuan Xu, Guojie Song,
- Abstract要約: この研究は、エンドツーエンドのroutability-aware配置手法であるRoutePlacerを導入している。
カスタマイズされたグラフニューラルネットワークであるRouteGNNをトレーニングして、ルタビリティを効率的かつ正確に予測する。
オープンソースのAI4EDAプラットフォームであるDREAMPlaceの実験は、RoutePlacerがトータルオーバーフローを最大16%削減できることを示している。
- 参考スコア（独自算出の注目度）: 17.565263261045096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Placement is a critical and challenging step of modern chip design, with routability being an essential indicator of placement quality. Current routability-oriented placers typically apply an iterative two-stage approach, wherein the first stage generates a placement solution, and the second stage provides non-differentiable routing results to heuristically improve the solution quality. This method hinders jointly optimizing the routability aspect during placement. To address this problem, this work introduces RoutePlacer, an end-to-end routability-aware placement method. It trains RouteGNN, a customized graph neural network, to efficiently and accurately predict routability by capturing and fusing geometric and topological representations of placements. Well-trained RouteGNN then serves as a differentiable approximation of routability, enabling end-to-end gradient-based routability optimization. In addition, RouteGNN can improve two-stage placers as a plug-and-play alternative to external routers. Our experiments on DREAMPlace, an open-source AI4EDA platform, show that RoutePlacer can reduce Total Overflow by up to 16% while maintaining routed wirelength, compared to the state-of-the-art; integrating RouteGNN within two-stage placers leads to a 44% reduction in Total Overflow without compromising wirelength.
- Abstract（参考訳）: 配置は現代のチップ設計における決定的かつ挑戦的なステップであり、ルタビリティは配置品質の重要な指標である。
現在のroutability-oriented placerは、通常、反復的な2段階のアプローチを適用し、第1段階は配置解を生成し、第2段階は、解の質をヒューリスティックに改善するために、微分不可能なルーティング結果を提供する。
この方法では、配置中の暴走性面を共同最適化することを妨げる。
この問題に対処するため,本研究では,終端可逆性を考慮した配置法であるRoutePlacerを導入する。
カスタマイズされたグラフニューラルネットワークであるRouteGNNをトレーニングし、幾何学的およびトポロジカルな配置表現をキャプチャして融合することにより、ルタビリティを効率的に正確に予測する。
十分に訓練されたRouteGNNは、routabilityの微分可能な近似として機能し、エンドツーエンドの勾配に基づくroutabilityの最適化を可能にする。
また、RouteGNNは外部ルータのプラグアンドプレイ代替として2段プレースを改善できる。
オープンソースのAI4EDAプラットフォームであるDREAMPlaceを実験したところ、ルーティングされたワイヤ長を保ちながらトータルオーバーフローを最大16%削減できることがわかった。
関連論文リスト
- Cooperative Path Planning with Asynchronous Multiagent Reinforcement Learning [4.640948267127441]
複数のソース-決定ペア(MSD)を持つ最短経路問題(SPP)
本稿では,最短経路問題(SPP)について,複数の経路対,すなわちMSD-SPPを用いて検討し,最短経路の平均走行時間を最小化する。
論文 参考訳（メタデータ） (2024-09-01T15:48:14Z) - 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) - An Efficient Learning-based Solver Comparable to Metaheuristics for the
Capacitated Arc Routing Problem [67.92544792239086]
我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。
まず,方向対応型注意モデル(DaAM)を提案する。
第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
論文 参考訳（メタデータ） (2024-03-11T02:17:42Z) - Multi-Agent Deep Reinforcement Learning for Distributed Satellite
Routing [7.793857269225969]
本稿では、低軌道衛星コンステレーション(LSatC)におけるルーティングのためのマルチエージェント深部強化学習(MA-DRL)手法を提案する。
その結果,MA-DRLはオフラインで最適な経路を効率よく学習し,効率の良い分散ルーティングのためにロードすることがわかった。
論文 参考訳（メタデータ） (2024-02-27T16:36:53Z) - XRoute Environment: A Novel Reinforcement Learning Environment for
Routing [8.797544401458476]
我々は,新しい強化学習環境であるXRoute Environmentを紹介した。
エージェントは、高度なエンドツーエンドのルーティングフレームワークでネットを選択してルーティングするように訓練される。
結果として生じる環境は難しく、使いやすく、カスタマイズし、追加のシナリオを追加します。
論文 参考訳（メタデータ） (2023-05-23T08:46:25Z) - Deep Reinforcement Learning Aided Packet-Routing For Aeronautical Ad-Hoc
Networks Formed by Passenger Planes [99.54065757867554]
エンド・ツー・エンド(E2E)遅延の最小化を目的としたAANETにおけるルーティングのための深層強化学習を起動する。
最深Qネットワーク(DQN)は、転送ノードで観測される最適ルーティング決定と局所的な地理的情報との関係をキャプチャする。
フィードバック機構を組み込んだディープバリューネットワーク(DVN)を用いて,システムのダイナミクスに関する知識をさらに活用する。
論文 参考訳（メタデータ） (2021-10-28T14:18:56Z) - Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks
Relying on Real Flight Data: From Single-Objective to Near-Pareto
Multi-Objective Optimization [79.96177511319713]
航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。
フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。
DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
論文 参考訳（メタデータ） (2021-10-28T14:18:22Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - CoDiNet: Path Distribution Modeling with Consistency and Diversity for
Dynamic Routing [19.296118763012146]
我々は、新しい光の中で動的ルーティングネットワークを見て、ルーティング手法をサンプル空間からルーティング空間へのマッピングとして定式化する。
本稿では,サンプル空間とルーティング空間の関係をモデル化する新しい手法であるCoDiNetを提案する。
具体的には、類似のセマンティクスを持つサンプルはルーティング空間の同じ領域にマッピングされるべきであり、異種セマンティクスを持つサンプルは異なる領域にマッピングされるべきである。
論文 参考訳（メタデータ） (2020-05-29T08:09:21Z) - Attention Routing: track-assignment detailed routing using
attention-based reinforcement learning [0.23453441553817037]
そこで我々は新しいルータであるアテンションルータを提案する。このルータは、強化学習を用いてトラック割り当ての詳細ルーティング問題を解決するための最初の試みである。
注目ルータとそのベースライン遺伝ルータは、異なる商用先進技術アナログ回路の問題を解決するために応用される。
論文 参考訳（メタデータ） (2020-04-20T17:50:13Z)
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。