論文の概要: Non-Overlapping Placement of Macro Cells based on Reinforcement Learning in Chip Design

• arxiv url: http://arxiv.org/abs/2407.18499v3
• Date: Sun, 29 Sep 2024 09:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 21:59:08.335292
• Title: Non-Overlapping Placement of Macro Cells based on Reinforcement Learning in Chip Design
• Title（参考訳）: チップ設計における強化学習に基づくマクロ細胞の非重複配置
• Authors: Tao Yu, Peng Gao, Fei Wang, Ru-Yue Yuan,
• Abstract要約: 本稿では,強化学習に基づくエンドツーエンド配置手法SRLPlacerを提案する。 パブリックベンチマークISPD2005で評価することにより,提案したSRLPlacerはマクロセル間の重複問題を効果的に解決することができる。
• 参考スコア（独自算出の注目度）: 20.500468654567033
• License:
• Abstract: Due to the increasing complexity of chip design, existing placement methods still have many shortcomings in dealing with macro cells coverage and optimization efficiency. Aiming at the problems of layout overlap, inferior performance, and low optimization efficiency in existing chip design methods, this paper proposes an end-to-end placement method, SRLPlacer, based on reinforcement learning. First, the placement problem is transformed into a Markov decision process by establishing the coupling relationship graph model between macro cells to learn the strategy for optimizing layouts. Secondly, the whole placement process is optimized after integrating the standard cell layout. By assessing on the public benchmark ISPD2005, the proposed SRLPlacer can effectively solve the overlap problem between macro cells while considering routing congestion and shortening the total wire length to ensure routability. Codes are available at https://github.com/zhouyusd/SRLPlacer.
• Abstract（参考訳）: チップ設計の複雑さが増大しているため、既存の配置法では、マクロセルのカバレッジと最適化効率に多くの欠点がある。 本稿では,既存のチップ設計手法におけるレイアウトの重複,性能の低下,最適化効率の低下といった問題に着目し,強化学習に基づくエンドツーエンド配置手法SRLPlacerを提案する。 まず、配置問題をマクロセル間の結合関係グラフモデルを確立することによりマルコフ決定プロセスに変換し、レイアウトの最適化戦略を学ぶ。 第2に、標準セルレイアウトを統合した後、配置プロセス全体を最適化する。 提案するSRLPlacerは,一般ベンチマークISPD2005に基づいて,混雑のルーティングやワイヤ長さの短縮を考慮しつつ,マクロセル間の重なり合う問題を効果的に解くことができる。 コードはhttps://github.com/shuyusd/SRLPlacer.comで公開されている。

関連論文リスト

• GOALPlace: Begin with the End in Mind [1.6540112525577089]
  GOALPlaceは、細胞密度を制御することで、配置の混雑を改善するための新しい学習ベースのアプローチである。 提案手法は,EDAツールのポストルート最適化結果から効率よく学習し,実験的なベイズ手法を用いて,この目標/目標を特定のプレースラーの解に適用する。
  論文  参考訳（メタデータ） (2024-07-05T15:16:25Z)
• Large Language Model (LLM) for Standard Cell Layout Design Optimization [2.012607314686814]
  我々はLarge Language Model(LLM)を用いて、セルレイアウトのPPAを最適化し、ReActプロンプトでルタビリティをデバッグするために、高品質なクラスタ制約を漸進的に生成する。 2nmのシーケンシャルスタンダードセルのベンチマークにおいて,提案手法が最大19.4%の小さいセル領域を実現することを示す。 要約すると,提案手法はセル面積を平均4.65%削減するだけでなく,セルレイアウト設計における不安定性を修正することができる。
  論文  参考訳（メタデータ） (2024-05-24T04:59:58Z)
• Continual Model-based Reinforcement Learning for Data Efficient Wireless Network Optimisation [73.04087903322237]
  制御ポリシの継続強化学習としてスループット最適化を定式化する。 シミュレーションの結果,提案システムでは,エンド・ツー・エンドのデプロイメントのリードタイムを2倍に短縮できることがわかった。
  論文  参考訳（メタデータ） (2024-04-30T11:23:31Z)
• Toward Reinforcement Learning-based Rectilinear Macro Placement Under Human Constraints [3.512119717297359]
  本研究では,GoogleのCircuit Training (G-CT) が提案するアプローチを利用して,学習ベースのマクロプレーサを提供する手法を提案する。 実験の結果,PPA(Power-Performance-Area)測定におけるフレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-03T00:09:52Z)
• Distributed Evolution Strategies with Multi-Level Learning for Large-Scale Black-Box Optimization [14.570608891347446]
  本稿では,CMA-ES(Re limited-Memory CMA-ES)と呼ばれる,CMA-ES(Re limited-Memory CMA-ES)とCMA-ES(Restrict-Memory CMA-ES)を並列化する手法を提案する。 分散LM-CMAのためのマルチレベル学習ベースのメタフレームワークを提案する。階層的に構成された構造のため、Meta-ESは分散メタフレームワークを実装するのに適している。
  論文  参考訳（メタデータ） (2023-10-09T03:24:51Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• Bayesian Optimization for Macro Placement [48.55456716632735]
  本研究では,系列対上のベイズ最適化(BO)を用いた新しいマクロ配置法を提案する。 BOは確率的代理モデルと獲得関数を利用する機械学習技術である。 固定アウトラインマクロ配置問題に対して, 半周波線長目標を用いたアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2022-07-18T06:17:06Z)
• On Joint Learning for Solving Placement and Routing in Chip Design [70.30640973026415]
  本稿では,マクロや標準セルの配置に関するDeepPlaceによる共同学習手法を提案する。 また,DeepPRと呼ばれるマクロ配置とルーティングの両方を満たすための強化学習による共同学習手法も開発している。 本手法は,経験から効果的に学習し,数時間のトレーニングで標準細胞配置の中間配置を提供する。
  論文  参考訳（メタデータ） (2021-10-30T11:41:49Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)

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。