論文の概要: Recursive Learning-Based Virtual Buffering for Analytical Global Placement

• arxiv url: http://arxiv.org/abs/2506.17247v1
• Date: Sat, 07 Jun 2025 18:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.820918
• Title: Recursive Learning-Based Virtual Buffering for Analytical Global Placement
• Title（参考訳）: 再帰学習に基づく解析的グローバル配置のための仮想バッファリング
• Authors: Andrew B. Kahng, Yiting Liu, Zhiang Wang,
• Abstract要約: 本稿では,MLBuf-RePlAceを提案する。 MLBuf-RePlAceをOpenROADのデフォルトの仮想バッファリングベースのタイミング駆動グローバルプレーサと比較する。 MLBuf-RePlAceは、ルート後電力の劣化なしに、オープンソースのOpenROADフロー内での全負スラック(TNS)において(最大、平均、平均)改善(56%、31%)を達成する。
• 参考スコア（独自算出の注目度）: 2.5040387268783304
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Due to the skewed scaling of interconnect versus cell delay in modern technology nodes, placement with buffer porosity (i.e., cell density) awareness is essential for timing closure in physical synthesis flows. However, existing approaches face two key challenges: (i) traditional van Ginneken-Lillis-style buffering approaches are computationally expensive during global placement; and (ii) machine learning-based approaches, such as BufFormer, lack a thorough consideration of Electrical Rule Check (ERC) violations and fail to "close the loop" back into the physical design flow. In this work, we propose MLBuf-RePlAce, the first open-source learning-driven virtual buffering-aware analytical global placement framework, built on top of the OpenROAD infrastructure. MLBuf-RePlAce adopts an efficient recursive learning-based generative buffering approach to predict buffer types and locations, addressing ERC violations during global placement. We compare MLBuf-RePlAce against the default virtual buffering-based timing-driven global placer in OpenROAD, using open-source testcases from the TILOS MacroPlacement and OpenROAD-flow-scripts repositories. Without degradation of post-route power, MLBuf-RePlAce achieves (maximum, average) improvements of (56%, 31%) in total negative slack (TNS) within the open-source OpenROAD flow. When evaluated by completion in a commercial flow, MLBuf-RePlAce achieves (maximum, average) improvements of (53%, 28%) in TNS with an average of 0.2% improvement in post-route power.
• Abstract（参考訳）: 現代の技術ノードにおける相互接続とセル遅延の歪んだスケーリングのため、物理的合成フローにおけるタイミング閉鎖にはバッファポーシティ(セル密度)の認識が不可欠である。 しかし、既存のアプローチは2つの大きな課題に直面している。 (i)伝統的なファン・ジネケン・リリス型バッファリング手法は、グローバル配置中は計算コストが高い。 (ii) BufFormerのような機械学習ベースのアプローチでは、Electronic Rule Check(ERC)違反を徹底的に考慮しておらず、物理的な設計フローに"ループを閉じる"ことができない。 本研究では,OpenROADインフラストラクチャ上に構築された,オープンソースの学習駆動型仮想バッファリング対応グローバル配置フレームワークであるMLBuf-RePlAceを提案する。 MLBuf-RePlAceは、効率的な再帰学習に基づく生成バッファリングアプローチを採用し、バッファタイプとロケーションを予測し、グローバル配置中のERC違反に対処する。 MLBuf-RePlAceを、TILOS MacroPlacementとOpenROAD-flow-scriptsリポジトリのオープンソーステストケースを使用して、OpenROADのデフォルトの仮想バッファリングベースのタイミング駆動グローバルプレースラと比較する。 MLBuf-RePlAceは、ルート後電力の劣化なしに、オープンソースのOpenROADフロー内での全負スラック(TNS)において(最大、平均、平均)改善(56%、31%)を達成する。 MLBuf-RePlAceは、商用フローでの完了によって評価されると、TNSにおける(最大、平均、平均)改善(53%、28%)を平均0.2%のポストルートパワーで達成する。

関連論文リスト

• Forward Target Propagation: A Forward-Only Approach to Global Error Credit Assignment via Local Losses [1.7482569079741028]
  ニューラルネットワークのトレーニングは、伝統的に、生物学的およびハードウェアの観点から重要な制限に悩まされるアルゴリズムであるバックプロパゲーション(BP)に依存してきた。 本稿では,後進パスを第2の前方パスに置き換える,生物学的に妥当かつ効率的な代替手段であるフォワード・ターゲット・プロパゲーション(FTP)を提案する。 MNIST, CIFAR10, CIFAR100におけるBPと競合する精度を示すとともに, シーケンシャルタスクにおける長期依存性の効果的なモデリングを行う。
  論文  参考訳（メタデータ） (2025-05-20T16:09:23Z)
• FedMap: Iterative Magnitude-Based Pruning for Communication-Efficient Federated Learning [45.190890170694615]
  Federated Learning(FL)は、プライバシを保持しながら分散データトレーニングを可能にする分散機械学習アプローチである。 本稿では,より疎いグローバルモデルを協調学習することにより,FLデプロイメントの通信効率を高めることを目的とした新しい手法であるFedMapを紹介する。 FedMapは、文献で報告されている他の方法とは異なり、ゼロからグローバルモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-06-27T09:58:43Z)
• BatchGFN: Generative Flow Networks for Batch Active Learning [80.73649229919454]
  BatchGFNは、生成フローネットワークを使用してバッチ報酬に比例したデータポイントのセットをサンプリングする、プールベースのアクティブラーニングのための新しいアプローチである。 提案手法は,おもちゃの回帰問題において,1点当たり1回の前方通過で推定時間に近距離最適効用バッチをサンプリングすることを可能にした。
  論文  参考訳（メタデータ） (2023-06-26T20:41:36Z)
• Federated Learning as Variational Inference: A Scalable Expectation Propagation Approach [66.9033666087719]
  本稿では,推論の視点を拡張し,フェデレート学習の変分推論の定式化について述べる。 我々は、FedEPを標準フェデレーション学習ベンチマークに適用し、収束速度と精度の両方において、強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-02-08T17:58:11Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• Reinforcement Learning in the Wild: Scalable RL Dispatching Algorithm Deployed in Ridehailing Marketplace [12.298997392937876]
  本研究では,強化学習に基づくリアルタイムディスパッチアルゴリズムを提案する。 ディディのA/Bテストの運営下にある複数の都市でオンラインに展開され、主要な国際市場の一つで展開されている。 デプロイされたアルゴリズムは、A/Bテストによるドライバーの総収入を1.3%以上改善している。
  論文  参考訳（メタデータ） (2022-02-10T16:07:17Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)
• Federated Learning via Posterior Averaging: A New Perspective and Practical Algorithms [21.11885845002748]
  後部推論問題として、代替的な視点を示し、フェデレーション学習を定式化する。 目的は、各クライアントデバイスがそれぞれのローカルデータの後部を推測することで、グローバルな後部分布を推論することである。 正確な推論はしばしば難解であるが、この観点は、フェデレートされた設定でグローバルな最適化を探索する原則的な方法を提供する。
  論文  参考訳（メタデータ） (2020-10-11T15:55:45Z)

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。