論文の概要: E2ESlack: An End-to-End Graph-Based Framework for Pre-Routing Slack Prediction

• arxiv url: http://arxiv.org/abs/2501.07564v1
• Date: Mon, 13 Jan 2025 18:53:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:22:58.910080
• Title: E2ESlack: An End-to-End Graph-Based Framework for Pre-Routing Slack Prediction
• Title（参考訳）: E2ESlack - Slack予測を事前にルーティングするためのグラフベースのエンドツーエンドフレームワーク
• Authors: Saurabh Bodhe, Zhanguang Zhang, Atia Hamidizadeh, Shixiong Kai, Yingxue Zhang, Mingxuan Yuan,
• Abstract要約: E2ESlackは,スラック予測のためのエンドツーエンドグラフベースのフレームワークである。 私たちの知る限りでは、これは経路レベルのスラックスを事前に予測できる最初の作品です。
• 参考スコア（独自算出の注目度）: 7.812574803721962
• License:
• Abstract: Pre-routing slack prediction remains a critical area of research in Electronic Design Automation (EDA). Despite numerous machine learning-based approaches targeting this task, there is still a lack of a truly end-to-end framework that engineers can use to obtain TNS/WNS metrics from raw circuit data at the placement stage. Existing works have demonstrated effectiveness in Arrival Time (AT) prediction but lack a mechanism for Required Arrival Time (RAT) prediction, which is essential for slack prediction and obtaining TNS/WNS metrics. In this work, we propose E2ESlack, an end-to-end graph-based framework for pre-routing slack prediction. The framework includes a TimingParser that supports DEF, SDF and LIB files for feature extraction and graph construction, an arrival time prediction model and a fast RAT estimation module. To the best of our knowledge, this is the first work capable of predicting path-level slacks at the pre-routing stage. We perform extensive experiments and demonstrate that our proposed RAT estimation method outperforms the SOTA ML-based prediction method and also pre-routing STA tool. Additionally, the proposed E2ESlack framework achieves TNS/WNS values comparable to post-routing STA results while saving up to 23x runtime.
• Abstract（参考訳）: 電子設計自動化 (Electronic Design Automation, EDA) において, 既往のスラック予測は依然として重要な研究領域である。 このタスクをターゲットとする多くの機械学習ベースのアプローチにもかかわらず、エンジニアが配置段階で生の回路データからNS/WNSメトリクスを取得するために使用できる、真にエンドツーエンドのフレームワークはいまだに存在しない。 既存の研究は、アリーバル時間(AT)予測において効果を示したが、スラック予測とTNS/WNSメトリクス獲得に不可欠な、要求アリーバル時間(RAT)予測のメカニズムが欠如している。 本研究では,スラック予測のためのエンドツーエンドグラフベースのフレームワークであるE2ESlackを提案する。 このフレームワークには、機能抽出とグラフ構築のためのDEF、SDF、LIBファイルをサポートするTimingParser、到着時刻予測モデル、高速RAT推定モジュールが含まれている。 私たちの知る限りでは、これは経路レベルのスラックスを事前に予測できる最初の作品です。 提案手法は,SOTA MLに基づく予測手法および事前ルーティングSTAツールよりも優れた性能を示す。 さらに、提案されたE2ESlackフレームワークは、最大23倍のランタイムを保存しながら、ルート後のSTA結果に匹敵するNS/WNS値を達成している。

関連論文リスト

• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• Towards providing reliable job completion time predictions using PCS [0.874967598360817]
  PCSは、他の伝統的な目的のバランスを保ちながら予測可能性を提供することを目的とした、新しいスケジューリングフレームワークである。 PCSは、性能と公正性を極端に妥協しながら、正確な完了時間推定を提供することができる。
  論文  参考訳（メタデータ） (2024-01-18T19:46:24Z)
• DSEE: Dually Sparsity-embedded Efficient Tuning of Pre-trained Language Models [152.29364079385635]
  事前訓練されたモデルが大きくなればなるほど、微調整のプロセスは時間がかかり、計算コストがかかる可能性がある。 本稿では,重み更新と最終モデルの重み付けに先立って,疎度を活用することで,資源・パラメータ効率の微調整を行うフレームワークを提案する。 提案するフレームワークは,Dually Sparsity-Embeded Efficient Tuning (DSEE)と呼ばれ,パラメータ効率のよい微調整とリソース効率の推論という2つの重要な目標を達成することを目的としている。
  論文  参考訳（メタデータ） (2021-10-30T03:29:47Z)
• Sliding Sequential CVAE with Time Variant Socially-aware Rethinking for Trajectory Prediction [13.105275905781632]
  歩行者の軌道予測は、ビデオ監視、社会ロボットナビゲーション、自動運転など、多くのアプリケーションにおいて重要な技術である。 本研究は,CVAEモジュールと社会的に認識された回帰モジュールからなるCSRと呼ばれる新しい軌道予測手法を提案する。 実験の結果,提案手法はスタンフォード・ドローン・データセットの最先端手法よりも改善されていることが示された。
  論文  参考訳（メタデータ） (2021-10-28T10:56:21Z)
• FES: A Fast Efficient Scalable QoS Prediction Framework [0.9176056742068814]
  予測アルゴリズムを設計する主な目的の1つは、十分な予測精度を達成することです。 アルゴリズムは、リアルタイムのレコメンデーションシステムに統合できるように、予測時間の観点からより高速でなければなりません。 既存の予測アルゴリズムは、他のアルゴリズムを確実にしながら、ある目標に対して妥協することが多い。
  論文  参考訳（メタデータ） (2021-03-12T19:28:17Z)
• Learning to Predict Vehicle Trajectories with Model-based Planning [43.27767693429292]
  PRIME(Prediction with Model-based Planning)という新しいフレームワークを紹介します。 ニューラルネットワークを使ってシーンコンテキストをモデル化する最近の予測作業とは異なり、PRIMEは正確で実現可能な将来の軌道予測を生成するように設計されている。 我々のPRIMEは、不完全追跡下での予測精度、実現可能性、堅牢性において最先端の手法より優れています。
  論文  参考訳（メタデータ） (2021-03-06T04:49:24Z)
• SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
  VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。 提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
  論文  参考訳（メタデータ） (2021-02-19T11:56:44Z)
• Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
  持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。 我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
  論文  参考訳（メタデータ） (2020-11-05T01:52:11Z)
• LTN: Long-Term Network for Long-Term Motion Prediction [0.0]
  長期ネットワーク(LTN)と呼ばれる長期軌道予測のための2段階フレームワークを提案する。 まず,条件付き変分オートエンコーダ(CVAE)を用いて提案したトラジェクトリの集合を生成し,それらをバイナリラベルで分類し,最も高いスコアでトラジェクトリを出力する。 その結果,提案手法は,長期軌道予測における複数の最先端手法よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2020-10-15T17:59:09Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。