論文の概要: That Chip Has Sailed: A Critique of Unfounded Skepticism Around AI for Chip Design

• arxiv url: http://arxiv.org/abs/2411.10053v1
• Date: Fri, 15 Nov 2024 09:11:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:39:07.441659
• Title: That Chip Has Sailed: A Critique of Unfounded Skepticism Around AI for Chip Design
• Title（参考訳）: チップデザインにAIを取り巻く懐疑論の批判
• Authors: Anna Goldie, Azalia Mirhoseini, Jeff Dean,
• Abstract要約: 2020年、我々は超人的なチップレイアウトを生成する深層強化学習法を導入した。 ISPD 2023の非レビュー論文は、Natureに記載されているように、我々の方法を実行できなかったにもかかわらず、パフォーマンスに関する主張を疑問視した。 われわれはこの対応を公表し、誰もこの影響のある分野での革新を誤って妨げられないようにしている。
• 参考スコア（独自算出の注目度）: 6.383127282050037
• License:
• Abstract: In 2020, we introduced a deep reinforcement learning method capable of generating superhuman chip layouts, which we then published in Nature and open-sourced on GitHub. AlphaChip has inspired an explosion of work on AI for chip design, and has been deployed in state-of-the-art chips across Alphabet and extended by external chipmakers. Even so, a non-peer-reviewed invited paper at ISPD 2023 questioned its performance claims, despite failing to run our method as described in Nature. For example, it did not pre-train the RL method (removing its ability to learn from prior experience), used substantially fewer compute resources (20x fewer RL experience collectors and half as many GPUs), did not train to convergence (standard practice in machine learning), and evaluated on test cases that are not representative of modern chips. Recently, Igor Markov published a meta-analysis of three papers: our peer-reviewed Nature paper, the non-peer-reviewed ISPD paper, and Markov's own unpublished paper (though he does not disclose that he co-authored it). Although AlphaChip has already achieved widespread adoption and impact, we publish this response to ensure that no one is wrongly discouraged from innovating in this impactful area.
• Abstract（参考訳）: 2020年には、超人的なチップレイアウトを生成するディープ強化学習手法を導入し、Natureで公開し、GitHubでオープンソース化しました。 AlphaChipはチップ設計のためのAIの開発に刺激を与え、Alphabet全体にわたって最先端のチップにデプロイされ、外部のチップメーカーによって拡張された。 それでも、ISPD 2023の非レビューの招待論文では、Natureに記載されているように、私たちのメソッドの実行に失敗したにもかかわらず、パフォーマンスに関する主張を疑問視していた。 例えば、RLメソッドの事前トレーニングは行わず(以前の経験から学習する能力を取り除いた)、計算リソースをかなり少なく(RLエクスペリエンスコレクタの20倍、GPUの半数)、収束(機械学習の標準的な実践)を訓練せず、現代のチップに代表されないテストケースで評価した。 最近、Igor Markovは3つの論文のメタ分析を出版した: ピアレビューされたNature論文、非ピアレビューされたISPD論文、Markov自身の未発表論文(彼はそれを共著したことを公表していない)。 AlphaChipは、すでに広く採用と影響を達成していますが、この影響のある分野では、誰も間違ってイノベーションを妨げられないように、この回答を公開しています。

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)
• Theoretically Achieving Continuous Representation of Oriented Bounding Boxes [64.15627958879053]
  本論文は,オブジェクト指向境界ボックス表現における不連続性を完全に解決しようとする試みである。 本研究では,既存の検出器に容易に統合可能なCOBB(Continuous OBB)という新しい表現法を提案する。 OOD評価のためのオープンソースのディープラーニングフレームワークJittorの検出ツールボックスJDetをベースとした,モジュール化されたベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-29T09:27:40Z)
• Simulation of IBM's kicked Ising experiment with Projected Entangled Pair Operator [71.10376783074766]
  我々は最近,誤りを軽減した量子回路を用いてエミュレートされた127量子ビットキックド・イジングモデルの古典的シミュレーションを行った。 提案手法はハイゼンベルク図の射影的絡み合ったペア作用素(PEPO)に基づいている。 我々はクリフォード展開理論を開発し、正確な期待値を計算し、それらをアルゴリズムの評価に利用する。
  論文  参考訳（メタデータ） (2023-08-06T10:24:23Z)
• A LLM Assisted Exploitation of AI-Guardian [57.572998144258705]
  IEEE S&P 2023で発表された敵に対する最近の防衛であるAI-Guardianの堅牢性を評価する。 我々は、このモデルを攻撃するためのコードを書かず、代わりに、GPT-4に命令とガイダンスに従って全ての攻撃アルゴリズムを実装するよう促します。 このプロセスは驚くほど効果的で効率的であり、言語モデルでは、この論文の著者が実行したよりも高速に曖昧な命令からコードを生成することもあった。
  論文  参考訳（メタデータ） (2023-07-20T17:33:25Z)
• ChiPFormer: Transferable Chip Placement via Offline Decision Transformer [35.69382855465161]
  強化学習は、チップ配置における人間のパフォーマンスを向上させる。 ChiPFormerは、固定されたオフラインデータから転送可能な配置ポリシーを学ぶことができる。 ChiPFormerは、ランタイムを10倍削減しながら、配置品質を著しく向上させる。
  論文  参考訳（メタデータ） (2023-06-26T14:59:56Z)
• The False Dawn: Reevaluating Google's Reinforcement Learning for Chip Macro Placement [1.4803764446062861]
  Google 2021 Natureの論文で、シリコンチップの物理的設計のための強化学習は、文書化されていない主張のために論争を巻き起こした。 Google RLは、(i)人間デザイナー、(ii)よく知られたアルゴリズム(Simulated Annealing)、(iii)一般的に利用可能な商用ソフトウェアを遅くして遅れていることを示す。 クロスチェックデータによると、Nature論文の完全性は、行動、分析、報告の誤りによって著しく損なわれている。
  論文  参考訳（メタデータ） (2023-06-16T05:32:24Z)
• Tricking AI chips into Simulating the Human Brain: A Detailed Performance Analysis [0.5354801701968198]
  脳シミュレーションでは、複数の最先端AIチップ(Graphcore IPU、GroqChip、劣悪なCoreを持つNvidia GPU、Google TPU)を評価した。 性能解析の結果,シミュレーション問題はGPUとTPUアーキテクチャに極めてよく対応していることがわかった。 GroqChipは、小さなネットワークにおいて両方のプラットフォームより優れているが、精度の低い浮動小数点演算を実装しているため、脳シミュレーションではまだ利用できない。
  論文  参考訳（メタデータ） (2023-01-31T13:51:37Z)
• Bilevel Continual Learning [18.293397644865454]
  本稿では,連続学習の一般的な枠組みであるBilevel Continual Learning(BiCL)を提案する。 BiCLは、ディープニューラルネットワークのためのバイレベル最適化とメタラーニングの最近の進歩を融合させる。 実験の結果、BiCLは現在のタスクの精度で競合性能を提供することがわかった。
  論文  参考訳（メタデータ） (2020-11-02T18:06:42Z)
• Self-PU: Self Boosted and Calibrated Positive-Unlabeled Training [118.10946662410639]
  本稿では,PU学習と自己学習をシームレスに統合する,新しい自己学習フレームワークを提案する。 Self-PUは3つの"自己"指向のビルディングブロックを強調している。 本稿では,アルツハイマー病の脳画像の分類という,PU学習の現実的応用について検討する。
  論文  参考訳（メタデータ） (2020-06-22T17:53:59Z)
• Chip Placement with Deep Reinforcement Learning [40.952111701288125]
  チップ配置に対する学習に基づくアプローチを提案する。 従来の方法とは異なり、私たちのアプローチは過去の経験から学び、時間とともに改善する能力を持っています。 6時間以内に、現代の加速器ネットリストに匹敵する超人的あるいは同等の配置を生成できる。
  論文  参考訳（メタデータ） (2020-04-22T17:56:07Z)
• Robust Pruning at Initialization [61.30574156442608]
  計算リソースが限られているデバイス上で、機械学習アプリケーションを使用するための、より小さく、エネルギー効率のよいニューラルネットワークの必要性が高まっている。 ディープNNにとって、このような手順はトレーニングが困難であり、例えば、ひとつの層が完全に切断されるのを防ぐことができないため、満足できないままである。
  論文  参考訳（メタデータ） (2020-02-19T17:09:50Z)

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。