論文の概要: Review of Machine Learning for Micro-Electronic Design Verification
- arxiv url: http://arxiv.org/abs/2503.11687v1
- Date: Wed, 05 Mar 2025 15:41:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-23 06:38:21.135543
- Title: Review of Machine Learning for Micro-Electronic Design Verification
- Title（参考訳）: マイクロエレクトロニック設計検証のための機械学習のレビュー
- Authors: Christopher Bennett, Kerstin Eder,
- Abstract要約: マイクロエレクトロニクス設計の検証はデバイス開発において重要なボトルネックとなっている。
1990年代後半以降、機械学習(ML)は検証効率を高めるために提案されてきた。
本稿では,マイクロエレクトロニクス設計の機能検証のための動的手法におけるMLの適用について検討する。
- 参考スコア（独自算出の注目度）: 0.6906005491572401
- License:
- Abstract: Microelectronic design verification remains a critical bottleneck in device development, traditionally mitigated by expanding verification teams and computational resources. Since the late 1990s, machine learning (ML) has been proposed to enhance verification efficiency, yet many techniques have not achieved mainstream adoption. This review, from the perspective of verification and ML practitioners, examines the application of ML in dynamic-based techniques for functional verification of microelectronic designs, and provides a starting point for those new to this interdisciplinary field. Historical trends, techniques, ML types, and evaluation baselines are analysed to understand why previous research has not been widely adopted in industry. The review highlights the application of ML, the techniques used and critically discusses their limitations and successes. Although there is a wealth of promising research, real-world adoption is hindered by challenges in comparing techniques, identifying suitable applications, and the expertise required for implementation. This review proposes that the field can progress through the creation and use of open datasets, common benchmarks, and verification targets. By establishing open evaluation criteria, industry can guide future research. Parallels with ML in software verification suggest potential for collaboration. Additionally, greater use of open-source designs and verification environments can allow more researchers from outside the hardware verification discipline to contribute to the challenge of verifying microelectronic designs.
- Abstract（参考訳）: マイクロエレクトロニクス設計の検証は、従来、検証チームや計算資源の拡大によって緩和されたデバイス開発において、依然として重要なボトルネックとなっている。
1990年代後半以降、機械学習(ML)は検証効率を高めるために提案されてきたが、多くの技術が主流になっていない。
検証とML実践者の立場から、マイクロエレクトロニクス設計の機能的検証のための動的手法におけるMLの適用について検討し、この学際的な分野に新しい人たちの出発点を提供する。
歴史的傾向、技術、MLタイプ、評価基準は、なぜこれまでの研究が業界で広く採用されていないのかを理解するために分析される。
レビューでは、MLの応用と、その限界と成功について批判的に議論するテクニックを強調している。
多くの有望な研究があるが、実世界の採用は、技術の比較、適切なアプリケーションを特定すること、そして実装に必要な専門知識によって妨げられている。
このレビューでは、オープンデータセット、共通ベンチマーク、検証ターゲットの作成と使用を通じて、フィールドを前進させることが提案されている。
オープンな評価基準を確立することで、業界は将来の研究をガイドできる。
ソフトウェア検証におけるMLとの並列性は、コラボレーションの可能性を示唆している。
さらに、オープンソース設計と検証環境のさらなる利用により、ハードウェア検証の外部からより多くの研究者がマイクロエレクトロニクス設計の検証に寄与することができる。
関連論文リスト
- MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。
本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。
メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
論文 参考訳（メタデータ） (2024-06-20T03:50:23Z) - Efficient Verification of a RADAR SoC Using Formal and Simulation-Based Methods [2.1626093085892144]
本稿では,Radio Detection And Ranging (RADAR) をベースとしたSOCの検証を行った。
我々は,形式的手法とシミュレーション的手法を併用して相互補完を行い,信頼性の高い検証サインオフを実現する。
論文 参考訳（メタデータ） (2024-04-20T13:16:55Z) - Quantum Computing Enhanced Service Ecosystem for Simulation in Manufacturing [56.61654656648898]
本稿では,製造シミュレーションのための量子コンピューティングによるサービスエコシステムの枠組みを提案する。
我々は,これらの新しい計算パラダイムを定量的に評価することを目的とした2つの高価値ユースケースを分析した。
論文 参考訳（メタデータ） (2024-01-19T11:04:14Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳（メタデータ） (2023-04-28T10:27:38Z) - SeLoC-ML: Semantic Low-Code Engineering for Machine Learning
Applications in Industrial IoT [9.477629856092218]
本稿では,Semantic Low-Code Engineering for ML Applications (SeLoC-ML) というフレームワークを提案する。
SeLoC-MLは、非専門家が大規模なMLモデルやデバイスをモデル化し、発見し、再利用することを可能にする。
開発者は、レシピと呼ばれるセマンティックなアプリケーションテンプレートから、エンドユーザアプリケーションのプロトタイプを高速に作成できる。
論文 参考訳（メタデータ） (2022-07-18T13:06:21Z) - An Empirical Evaluation of Flow Based Programming in the Machine
Learning Deployment Context [11.028123436097616]
データ指向アーキテクチャ(DOA)は,課題に対処する上で,データサイエンティストやソフトウェア開発者を支援する,新たなアプローチである。
本稿では,フローベースプログラミング(FBP)をDOAアプリケーション作成のパラダイムとして考える。
我々は、典型的なデータサイエンスプロジェクトを表す4つのアプリケーション上で、MLデプロイメントの文脈において、FBPを実証的に評価する。
論文 参考訳（メタデータ） (2022-04-27T09:08:48Z) - A Review of Machine Learning Methods Applied to Structural Dynamics and
Vibroacoustic [0.0]
Vibroacoustic(SD&V)の主要な3つのアプリケーションが機械学習(ML)を活用している。
構造的健康モニタリングでは、ML検出と予後が安全な操作とメンテナンススケジュールの最適化につながる。
システムの識別と制御設計は、アクティブノイズ制御およびアクティブ振動制御におけるML技術によって活用される。
いわゆるMLベースのサロゲートモデルは、コストのかかるシミュレーションに代わる高速な代替手段を提供し、堅牢で最適化された製品設計を可能にする。
論文 参考訳（メタデータ） (2022-04-13T13:16:21Z) - 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) - Fast IR Drop Estimation with Machine Learning [36.488460476900975]
機械学習(ML)技術は、多くの分野でその可能性と成功のために、高速IRドロップ推定のために活発に研究されている。
本稿では,ML を用いた IR ドロップ推定手法の最近の進歩を概観する。
また、電子設計自動化(EDA)におけるMLアプリケーションで直面するいくつかの一般的な課題を議論するための手段としても機能する。
論文 参考訳（メタデータ） (2020-11-26T23:12:37Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳（メタデータ） (2020-10-14T13:14:14Z) - 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)
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。