Fugu-MT 論文翻訳(概要): Static IR Drop Prediction with Attention U-Net and Saliency-Based Explainability

論文の概要: Static IR Drop Prediction with Attention U-Net and Saliency-Based Explainability

arxiv url: http://arxiv.org/abs/2408.03292v1
Date: Tue, 6 Aug 2024 16:41:33 GMT
ステータス: 処理完了
システム内更新日: 2024-08-07 13:38:11.996516
Title: Static IR Drop Prediction with Attention U-Net and Saliency-Based Explainability
Title（参考訳）: 注意U-NetとSaliency-based Explainabilityを用いた静的IRドロップ予測
Authors: Lizi Zhang, Azadeh Davoodi,
Abstract要約: 高速かつ高精度な画像ベース静的IRドロップ予測を実現するために,注目ゲートを備えたU-Netニューラルネットワークモデルを提案する。 PDNの抵抗エッジの小さな部分のアップサイズを模倣することにより、高IRドロップピクセルを平均18%削減できることを示す。
参考スコア（独自算出の注目度）: 0.34530027457862006
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: There has been significant recent progress to reduce the computational effort of static IR drop analysis using neural networks, and modeling as an image-to-image translation task. A crucial issue is the lack of sufficient data from real industry designs to train these networks. Additionally, there is no methodology to explain a high-drop pixel in a predicted IR drop image to its specific root-causes. In this work, we first propose a U-Net neural network model with attention gates which is specifically tailored to achieve fast and accurate image-based static IR drop prediction. Attention gates allow selective emphasis on relevant parts of the input data without supervision which is desired because of the often sparse nature of the IR drop map. We propose a two-phase training process which utilizes a mix of artificially-generated data and a limited number of points from real designs. The results are, on-average, 18% (53%) better in MAE and 14% (113%) in F1 score compared to the winner of the ICCAD 2023 contest (and U-Net only) when tested on real designs. Second, we propose a fast method using saliency maps which can explain a predicted IR drop in terms of specific input pixels contributing the most to a drop. In our experiments, we show the number of high IR drop pixels can be reduced on-average by 18% by mimicking upsize of a tiny portion of PDN's resistive edges.
Abstract（参考訳）: ニューラルネットワークを用いた静的IRドロップ解析の計算作業の削減、画像から画像への変換タスクとしてのモデリングなど、最近の顕著な進歩がある。重要な問題は、これらのネットワークをトレーニングする実業界設計の十分なデータがないことである。さらに、予測されたIRドロップ画像中の高解像度画素を特定の根起因に説明するための方法論は存在しない。本研究ではまず,注目ゲートを持つU-Netニューラルネットワークモデルを提案し,高速かつ正確な画像ベース静的IRドロップ予測を実現する。注意ゲートは、IRドロップマップの希少な性質のため、監視なしで入力データの関連部分に選択的に重点を置くことができる。そこで本研究では,人工的に生成したデータと,実際の設計から得られる限られた点を混合した2相学習プロセスを提案する。その結果、平均して18%(53%)がMAEで14%(113%)がF1スコアで、ICCAD 2023コンテストの勝者(およびU-Netのみ)が実際のデザインでテストした場合と比較して良い結果となった。第二に、予測されたIRドロップを1滴に最も寄与する特定の入力ピクセルの観点で説明できるサリエンシマップを用いた高速な手法を提案する。実験では, PDNの抵抗エッジの小さな部分のアップサイズを模倣することにより, 高いIRドロップピクセルを平均18%削減できることを示した。

関連論文リスト

PDNNet: PDN-Aware GNN-CNN Heterogeneous Network for Dynamic IR Drop Prediction [5.511978576494924]
電力供給ネットワーク(PDN)上のIRドロップは、PDNの構成とセル電流消費と密接に関連している。 PDN構造と細胞-PDN関係の表現を統一する新しいグラフ構造PDNGraphを提案する。我々は、深層学習に基づく動的IRドロップ予測法にグラフ構造を適用した最初の研究である。
論文参考訳（メタデータ） (2024-03-27T13:50:13Z)
SpirDet: Towards Efficient, Accurate and Lightweight Infrared Small Target Detector [60.42293239557962]
我々は、赤外線小ターゲットの効率的な検出のための新しいアプローチであるSpirDetを提案する。新しいデュアルブランチスパースデコーダを用いて特徴写像を復元する。大規模な実験により、提案されたSpirDetは最先端モデルよりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2024-02-08T05:06:14Z)
Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文参考訳（メタデータ） (2023-10-10T20:11:13Z)
Tensor Factorization for Leveraging Cross-Modal Knowledge in Data-Constrained Infrared Object Detection [22.60228799622782]
赤外線画像における物体検出のボトルネックは、十分なラベル付きトレーニングデータがないことである。我々は、RGBモードにおけるモデル性能を保ちながら、RGBモードからオブジェクト検出器をIRモードにスケールするために、RGBモードからの手がかりを活用しようとしている。まず、これらの因子行列をRGBモードで事前トレーニングし、多くのトレーニングデータが存在すると仮定した後、IRモードでトレーニングするためのトレーニング可能なパラメータをわずかに増やして過度な適合を避ける。
論文参考訳（メタデータ） (2023-09-28T16:55:52Z)
DiffIR: Efficient Diffusion Model for Image Restoration [108.82579440308267]
拡散モデル(DM)は、画像合成過程をデノナイジングネットワークのシーケンシャルな応用にモデル化することで、SOTA性能を達成した。画像全体や特徴マップを推定する大規模なモデルで大規模なイテレーションを実行する従来のDMは、画像復元には非効率である。本稿では、小型IR先行抽出ネットワーク(CPEN)、ダイナミックIR変換器(DIRformer)、デノナイズネットワーク(Denoising Network)からなるDiffIRを提案する。
論文参考訳（メタデータ） (2023-03-16T16:47:14Z)
Real-Time Image Demoireing on Mobile Devices [59.59997851375429]
本稿では,モバイルデバイス上でのリアルタイム展開に向けた動的復号化高速化手法(DDA)を提案する。私たちの刺激は、モアレパターンが画像全体に不均衡に分散されることが、シンプルで普遍的な事実に起因しています。提案手法は推定時間を劇的に短縮し,モバイルデバイス上でリアルタイムな画像復調を実現する。
論文参考訳（メタデータ） (2023-02-04T15:42:42Z)
Core Risk Minimization using Salient ImageNet [53.616101711801484]
私たちは、1000のImagenetクラスのコアとスプリアス機能をローカライズする100万人以上のソフトマスクを備えたSalient Imagenetデータセットを紹介します。このデータセットを用いて、まず、いくつかのImagenet事前訓練されたモデル(総計42件)の素早い特徴に対する依存度を評価する。次に、コアリスク最小化(CoRM)と呼ばれる新しい学習パラダイムを導入する。
論文参考訳（メタデータ） (2022-03-28T01:53:34Z)
PowerNet: Transferable Dynamic IR Drop Estimation via Maximum Convolutional Neural Network [28.555489230660488]
我々は畳み込みニューラルネットワーク(CNN)に基づく高速な動的IR滴推定手法であるPowerNetを開発した。我々は、ベクトルレスIRドロップの課題に対して、PowerNetが最新の機械学習(ML)手法を9%精度で上回っていることを示す。 PowerNetによってガイドされた緩和ツールは、それぞれ2つの工業設計でIRドロップホットスポットを26%、ホットスポットを31%削減する。
論文参考訳（メタデータ） (2020-11-26T23:14:17Z)
Estimation of Camera Response Function using Prediction Consistency and Gradual Refinement with an Extension to Deep Learning [42.70498574189067]
一つの画像からCRFを推定するための既存の手法は、一般的な実画像を扱うのに失敗する。予測一貫性と漸進的改善を用いた非深層学習手法を提案する。本手法は,日中・夜間の実画像に対して,既存の単一画像法よりも優れる。
論文参考訳（メタデータ） (2020-10-08T14:19:48Z)
RAIN: A Simple Approach for Robust and Accurate Image Classification Networks [156.09526491791772]
既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。 RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。 STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
論文参考訳（メタデータ） (2020-04-24T02:03:56Z)

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。