論文の概要: Benchmarking End-To-End Performance of AI-Based Chip Placement Algorithms

• arxiv url: http://arxiv.org/abs/2407.15026v1
• Date: Wed, 3 Jul 2024 03:29:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-28 18:29:13.458581
• Title: Benchmarking End-To-End Performance of AI-Based Chip Placement Algorithms
• Title（参考訳）: AIに基づくチップ配置アルゴリズムのエンドツーエンド性能のベンチマーク
• Authors: Zhihai Wang, Zijie Geng, Zhaojie Tu, Jie Wang, Yuxi Qian, Zhexuan Xu, Ziyan Liu, Siyuan Xu, Zhentao Tang, Shixiong Kai, Mingxuan Yuan, Jianye Hao, Bin Li, Yongdong Zhang, Feng Wu,
• Abstract要約: ChiPBenchはAIベースのチップ配置アルゴリズムの有効性を評価するために設計されたベンチマークである。 評価のために、さまざまなドメイン(CPU、GPU、マイクロコントローラなど)から20の回路を集めました。 その結果, 単点アルゴリズムの中間距離が支配的であったとしても, 最終的なPPA結果は満足できないことがわかった。
• 参考スコア（独自算出の注目度）: 77.71341200638416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing complexity of modern very-large-scale integration (VLSI) design highlights the significance of Electronic Design Automation (EDA) technologies. Chip placement is a critical step in the EDA workflow, which positions chip modules on the canvas with the goal of optimizing performance, power, and area (PPA) metrics of final chip designs. Recent advances have demonstrated the great potential of AI-based algorithms in enhancing chip placement. However, due to the lengthy workflow of chip design, the evaluations of these algorithms often focus on intermediate surrogate metrics, which are easy to compute but frequently reveal a substantial misalignment with the end-to-end performance (i.e., the final design PPA). To address this challenge, we introduce ChiPBench, which can effectively facilitate research in chip placement within the AI community. ChiPBench is a comprehensive benchmark specifically designed to evaluate the effectiveness of existing AI-based chip placement algorithms in improving final design PPA metrics. Specifically, we have gathered 20 circuits from various domains (e.g., CPU, GPU, and microcontrollers). These designs are compiled by executing the workflow from the verilog source code, which preserves necessary physical implementation kits, enabling evaluations for the placement algorithms on their impacts on the final design PPA. We executed six state-of-the-art AI-based chip placement algorithms on these designs and plugged the results of each single-point algorithm into the physical implementation workflow to obtain the final PPA results. Experimental results show that even if intermediate metric of a single-point algorithm is dominant, while the final PPA results are unsatisfactory. We believe that our benchmark will serve as an effective evaluation framework to bridge the gap between academia and industry.
• Abstract（参考訳）: 現代の超大規模統合(VLSI)設計の複雑さは、電子設計自動化(EDA)技術の重要性を強調している。 チップ配置は、最終的なチップ設計のパフォーマンス、パワー、面積(PPA)メトリクスを最適化することを目的として、チップモジュールをキャンバス上に配置するEDAワークフローにおける重要なステップである。 最近の進歩は、チップ配置を強化するAIベースのアルゴリズムの大きな可能性を実証している。 しかし、チップ設計のワークフローが長いため、これらのアルゴリズムの評価は中間サロゲートのメトリクスに重点を置いており、計算が容易であるが、エンド・ツー・エンドのパフォーマンス(すなわち最終設計のPPA)とはかなりのミスアライメントを示すことが多い。 この課題に対処するために、AIコミュニティ内のチップ配置の研究を効果的に促進するChiPBenchを紹介します。 ChiPBenchは、AIベースのチップ配置アルゴリズムによる最終的な設計PPAメトリクスの改善の有効性を評価するために設計された、包括的なベンチマークである。 具体的には、さまざまなドメイン(例えば、CPU、GPU、マイクロコントローラ)から20の回路を集めました。 これらの設計は、必要な物理実装キットを保持するVerilogソースコードからワークフローを実行し、最終的な設計PPAへの影響に対する配置アルゴリズムの評価を可能にすることでコンパイルされる。 我々は、これらの設計に対して6つの最先端AIベースのチップ配置アルゴリズムを実行し、各シングルポイントアルゴリズムの結果を物理実装ワークフローにプラグインし、最終的なPPA結果を得た。 実験の結果, 単点アルゴリズムの中間距離が支配的であったとしても, 最終的なPPAの結果は満足できないことがわかった。 当社のベンチマークは、学術と産業のギャップを埋めるための効果的な評価フレームワークとして機能すると考えています。

関連論文リスト

• Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
  本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。 WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
  論文  参考訳（メタデータ） (2024-10-28T04:47:39Z)
• Automated and Holistic Co-design of Neural Networks and ASICs for Enabling In-Pixel Intelligence [4.063480188363124]
  放射能検出のための可読ASICなどの極端エッジAIシステムは、厳密なハードウェア制約の下で動作しなければならない。 理想的なソリューションを見つけることは、爆発的に拡張されたデザイン空間から最適なAIとASIC設計の選択を特定することを意味する。
  論文  参考訳（メタデータ） (2024-07-18T17:58:05Z)
• Synergistic Dynamical Decoupling and Circuit Design for Enhanced Algorithm Performance on Near-Term Quantum Devices [0.5261718469769447]
  動的デカップリング(DD)は、短期量子デバイスにおけるエラーを軽減するための有望な手法である。 ハードウェアの特徴とアルゴリズム設計がDDの有効性にどのように影響するかを分析する。 その結果,DDの有効性とアルゴリズム固有の性能との逆関係が明らかとなった。
  論文  参考訳（メタデータ） (2024-05-27T14:48:05Z)
• Adaptive Inference through Early-Exit Networks: Design, Challenges and Directions [80.78077900288868]
  初期のネットワークの設計手法をその重要コンポーネントに分解し、各コンポーネントの最近の進歩を調査する。 我々は、他の効率的な推論ソリューションと早期に競合する立場をとり、この分野の研究における現在の課題と最も有望な今後の方向性についての洞察を提供する。
  論文  参考訳（メタデータ） (2021-06-09T12:33:02Z)
• Multi-objective Optimisation of Digital Circuits based on Cell Mapping in an Industrial EDA Flow [0.2578242050187029]
  この問題に対処するために,完全自動多目的EDAフローを導入している。 提案するMOEDAフレームワークを,65nmの商用標準セルライブラリを用いてISCAS-85およびEPFLベンチマーク回路に適用した。
  論文  参考訳（メタデータ） (2021-05-21T15:29:58Z)
• Towards Large Scale Automated Algorithm Design by Integrating Modular Benchmarking Frameworks [0.9281671380673306]
  本稿では,アルゴリズムフレームワークであるParadisEOと,自動アルゴリズム設定ツール irace と実験プラットフォーム IOHknownr の効率性を示す最初の概念実証例を提案する。 パイプラインの主な利点は、高速な評価時間、豊富なデータセットを生成する可能性、そしてサンプリングベースの最適化の非常に幅広いクラスをベンチマークするのに使用できる標準化されたインターフェースである。
  論文  参考訳（メタデータ） (2021-02-12T10:47:00Z)
• Improving EEG Decoding via Clustering-based Multi-task Feature Learning [27.318646122939537]
  機械学習は、EEGパターンをより良い復号精度に最適化する有望な技術を提供します。 既存のアルゴリズムは、真のEEGサンプル分布を捕捉する基礎となるデータ構造を効果的に探索しない。 クラスタリングに基づく脳波パターン復号のためのマルチタスク機能学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-12T13:31:53Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• Process Discovery for Structured Program Synthesis [70.29027202357385]
  プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。 本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。 我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
  論文  参考訳（メタデータ） (2020-08-13T10:33:10Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。