論文の概要: VCDiag: Classifying Erroneous Waveforms for Failure Triage Acceleration

• arxiv url: http://arxiv.org/abs/2506.03590v1
• Date: Wed, 04 Jun 2025 05:44:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.170482
• Title: VCDiag: Classifying Erroneous Waveforms for Failure Triage Acceleration
• Title（参考訳）: VCDiag: エラートリアージアクセラレーションのための誤った波形の分類
• Authors: Minh Luu, Surya Jasper, Khoi Le, Evan Pan, Michael Quinn, Aakash Tyagi, Jiang Hu,
• Abstract要約: VCDiagは機械学習を使って、故障した波形を分類し、潜在的な故障箇所を特定できる。 最上位3つのモジュールを識別する精度は94%を超えている。 様々なVerilog/SystemVerilogの設計とテストベンチに統合できる。
• 参考スコア（独自算出の注目度）: 2.714421751262084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Failure triage in design functional verification is critical but time-intensive, relying on manual specification reviews, log inspections, and waveform analyses. While machine learning (ML) has improved areas like stimulus generation and coverage closure, its application to RTL-level simulation failure triage, particularly for large designs, remains limited. VCDiag offers an efficient, adaptable approach using VCD data to classify failing waveforms and pinpoint likely failure locations. In the largest experiment, VCDiag achieves over 94% accuracy in identifying the top three most likely modules. The framework introduces a novel signal selection and statistical compression approach, achieving over 120x reduction in raw data size while preserving features essential for classification. It can also be integrated into diverse Verilog/SystemVerilog designs and testbenches.
• Abstract（参考訳）: 設計機能検証における失敗のトリアージは、手動による仕様レビュー、ログインスペクション、波形解析に依存するが、時間を要する。 機械学習(ML)は、刺激生成やカバレッジクロージャなどの領域を改善しているが、RTLレベルのシミュレーション失敗トリアージへの応用は、特に大規模な設計において制限されている。 VCDiagは、VCDデータを使用して効率よく適応可能なアプローチを提供し、失敗する波形を分類し、起こりうる障害箇所をピンポイントする。 最大の実験では、VCDiagは最上位3つのモジュールを識別する精度を94%以上達成している。 このフレームワークは、新しい信号選択と統計的圧縮手法を導入し、分類に不可欠な特徴を保ちながら、生データサイズを120倍以上に削減した。 また、様々なVerilog/SystemVerilogの設計やテストベンチに統合することもできる。

関連論文リスト

• 3CAD: A Large-Scale Real-World 3C Product Dataset for Unsupervised Anomaly [22.150521360544744]
  3CADと呼ばれる大規模異常検出データセットを提案する。 3CADには8種類の製造部品があり、合計27,039個の高解像度画像にピクセルレベルの異常をラベル付けしている。 これは、3C製品の品質管理に特化した、最大かつ最初の異常検出データセットである。
  論文  参考訳（メタデータ） (2025-02-09T03:37:54Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data [0.0]
  本稿では,Transformer と Dual Temporal Convolutional Network (TCN) に基づく異常検出・診断モデル DTAAD を提案する。 予測精度の向上と相関性の向上のために,スケーリング手法とフィードバック機構を導入している。 7つの公開データセットに対する実験により、DTAADは検出および診断性能の両面で現在最先端のベースライン法の大部分を超えていることが確認された。
  論文  参考訳（メタデータ） (2023-02-17T06:59:45Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Implicit supervision for fault detection and segmentation of emerging fault types with Deep Variational Autoencoders [1.160208922584163]
  本研究では,ラベル付きおよびラベルなしサンプルを用いた可変オートエンコーダ(VAE)を提案する。 これによりコンパクトで情報に富んだ潜在表現が生成され、未確認のフォールトタイプの検出とセグメンテーションが良好になる。 本研究では,提案手法が他の学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2019-12-28T18:40:33Z)

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。