Fugu-MT 論文翻訳(概要): Left of Fab: Securing Design and Collaboration in the Semiconductor Value Chain

論文の概要: Left of Fab: Securing Design and Collaboration in the Semiconductor Value Chain

arxiv url: http://arxiv.org/abs/2408.03295v1
Date: Tue, 6 Aug 2024 16:48:25 GMT
ステータス: 処理完了
システム内更新日: 2024-08-07 13:38:11.988939
Title: Left of Fab: Securing Design and Collaboration in the Semiconductor Value Chain
Title（参考訳）: ファブの左:半導体バリューチェーンの設計と協調
Authors: John C. Hoag,
Abstract要約: 本稿では,IC設計のワークフローとプリント回路基板のワークフローを比較した。脅威の定義とセキュリティの必要性は、半導体製造への米国の投資と、AIアプリケーションに影響を与える市場の両方によって増幅されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The purpose of this paper is to fill a gap in the general understanding -- and academic scrutiny -- of current and emerging workflows for designing and fabricating integrated circuits. The approach is to compare the IC design workflow with that for printed circuit boards, then to discern a classification for threats. The need to define and secure workflows is amplified by both U.S. investment in the semiconductor manufacturing and market forces affecting GPU production for AI applications. The origin of this knowledge gap can be the proprietary nature of solution spaces, but it can be the lack of demand for teaching and learning for engineers and technicians in this domain. This paper presents a framework for understanding the security of design workflows in a vendor- and tool-agnostic way.
Abstract（参考訳）: 本研究の目的は、集積回路の設計・製造における現在のワークフローと新興ワークフローの一般的な理解(および学術的な精査)のギャップを埋めることである。アプローチはIC設計のワークフローをプリント基板と比較し、脅威の分類を識別する。ワークフローの定義とセキュリティの必要性は、半導体製造への米国の投資と、AIアプリケーションのGPU生産に影響を与える市場力の両方によって増幅されている。この知識ギャップの起源は、ソリューション空間のプロプライエタリな性質であるが、この領域のエンジニアや技術者の教育と学習に対する需要の欠如である。本稿では,ベンダとツールに依存しない設計ワークフローのセキュリティを理解するためのフレームワークを提案する。

関連論文リスト

Benchmarking End-To-End Performance of AI-Based Chip Placement Algorithms [77.71341200638416]
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。
論文参考訳（メタデータ） (2024-07-03T03:29:23Z)
Integrated Modeling, Verification, and Code Generation for Unmanned Aerial Systems [10.292890852621346]
無人航空システム(UAS)は、産業生産、軍事作戦、災害救助などの安全上重要な分野で広く利用されている。本稿では,UASのモデリング,検証,コード生成に対する統合的なアプローチを検討することを目的とする。
論文参考訳（メタデータ） (2024-06-13T14:53:40Z)
LLM4EDA: Emerging Progress in Large Language Models for Electronic Design Automation [74.7163199054881]
大規模言語モデル(LLM)は、文脈理解、論理推論、回答生成においてその能力を実証している。本稿では,EDA分野におけるLLMの応用に関する系統的研究を行う。論理合成,物理設計,マルチモーダル特徴抽出,回路のアライメントにLLMを適用することに焦点を当て,今後の研究の方向性を強調した。
論文参考訳（メタデータ） (2023-12-28T15:09:14Z)
CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
論文参考訳（メタデータ） (2023-08-31T02:20:25Z)
A Logic Programming Approach to Global Logistics in a Co-Design Environment [0.0]
本稿では,旅客機構築のためのグローバルロジスティクスシステムの構築と最適化の課題について考察する。問題の製品は、世界中の複数の場所で製造される複数の部品からなる航空機である。目標は、産業システムの要件を考慮して航空機を構築するための最適な方法を見つけることである。
論文参考訳（メタデータ） (2023-08-30T09:06:34Z)
Fountain -- an intelligent contextual assistant combining knowledge representation and language models for manufacturing risk identification [7.599675376503671]
偏差管理ワークフローに組み込まれたコンテキストアシスタントとしてFuntainを開発した。工学領域における事前学習言語モデルの選択と適応のニュアンスについて述べる。製造組織のほとんどのエンジニアリングチームで既に利用可能な中程度の計算インフラを用いて、モデル適応が実現可能であることを実証する。
論文参考訳（メタデータ） (2023-08-01T08:12:43Z)
Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
本稿では、国家安全RLの観点から、この領域における先行研究を再考する。安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
論文参考訳（メタデータ） (2022-12-12T06:30:17Z)
HW2VEC: A Graph Learning Tool for Automating Hardware Security [4.188344897982036]
ハードウェアセキュリティアプリケーションのためのオープンソースのグラフ学習ツールHW2VECを提案する。 HW2VECはハードウェアトロイの木馬検出と知的財産海賊検出という2つのハードウェアセキュリティ関連タスクで最先端の性能を実現することができることを示す。
論文参考訳（メタデータ） (2021-07-26T17:03:51Z)
Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文参考訳（メタデータ） (2021-01-11T15:54:48Z)
Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文参考訳（メタデータ） (2020-06-21T17:14:34Z)
Understanding What Software Engineers Are Working on -- The Work-Item Prediction Challenge [0.0]
ソフトウェアエンジニア(開発者、インシデント対応者、プロダクションエンジニアなど)が何に取り組んでいるのかを理解することは、難しい問題です。本稿では,代表的シナリオを前提として,それに対応する「ワーク・イテム予測問題」について説明する。
論文参考訳（メタデータ） (2020-04-13T19:59:36Z)

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。