論文の概要: ForgeHLS: A Large-Scale, Open-Source Dataset for High-Level Synthesis

• arxiv url: http://arxiv.org/abs/2507.03255v1
• Date: Fri, 04 Jul 2025 02:23:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.638763
• Title: ForgeHLS: A Large-Scale, Open-Source Dataset for High-Level Synthesis
• Title（参考訳）: ForgeHLS: 大規模でオープンソースの高レベル合成用データセット
• Authors: Zedong Peng, Zeju Li, Mingzhe Gao, Qiang Xu, Chen Zhang, Jieru Zhao,
• Abstract要約: さまざまなカテゴリにまたがる包括的サーキットデータセットであるForgeEDAを紹介する。 ForgeEDAには、レジスタ転送レベル(RTL)コード、ポストマッピング(PM)ネットリスト、配置されたネットリストなど、さまざまな回路表現が含まれている。 我々は、電力、性能、面積(PPA)最適化といった重要なタスクに対して、最先端のEDAアルゴリズムをベンチマークすることで、ForgeEDAのユーティリティを実証する。
• 参考スコア（独自算出の注目度）: 13.87691887333415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce ForgeEDA, an open-source comprehensive circuit dataset across various categories. ForgeEDA includes diverse circuit representations such as Register Transfer Level (RTL) code, Post-mapping (PM) netlists, And-Inverter Graphs (AIGs), and placed netlists, enabling comprehensive analysis and development. We demonstrate ForgeEDA's utility by benchmarking state-of-the-art EDA algorithms on critical tasks such as Power, Performance, and Area (PPA) optimization, highlighting its ability to expose performance gaps and drive advancements. Additionally, ForgeEDA's scale and diversity facilitate the training of AI models for EDA tasks, demonstrating its potential to improve model performance and generalization. By addressing limitations in existing datasets, ForgeEDA aims to catalyze breakthroughs in modern IC design and support the next generation of innovations in EDA.
• Abstract（参考訳）: さまざまなカテゴリにまたがる包括的サーキットデータセットであるForgeEDAを紹介する。 ForgeEDAには、レジスタ転送レベル(RTL)コード、ポストマッピング(PM)ネットリスト、And-Inverter Graphs(AIG)などの多様な回路表現が含まれており、包括的な分析と開発を可能にする。 我々は、電力、性能、面積(PPA)最適化などの重要なタスクに対して、最先端のEDAアルゴリズムをベンチマークすることで、ForgeEDAの実用性を実証し、パフォーマンスのギャップを露呈し、進歩を促進する能力を強調した。 さらに、ForgeEDAのスケールと多様性は、EDAタスクのためのAIモデルのトレーニングを促進し、モデルパフォーマンスと一般化を改善する可能性を示す。 既存のデータセットの制限に対処することによって、ForgeEDAは現代のIC設計におけるブレークスルーを触媒し、EDAの次世代のイノベーションをサポートすることを目指している。

関連論文リスト

• Deep Representation Learning for Electronic Design Automation [0.0]
  表現学習は電子設計自動化(EDA)アルゴリズムによって有効な手法となった。 本稿では,EDAにおける表現学習の適用について検討し,基礎概念を取り上げ,先行研究やケーススタディを分析する。 画像ベースの手法、グラフベースのアプローチ、ハイブリッドマルチモーダルソリューションなどを含む主要な手法を提示し、ルーティング、タイミング、寄生予測における改善について説明する。
  論文  参考訳（メタデータ） (2025-05-04T13:18:58Z)
• AnyRefill: A Unified, Data-Efficient Framework for Left-Prompt-Guided Vision Tasks [116.8706375364465]
  本稿では,多様な参照型視覚タスクに対処するため,新しいLPG(Left-Prompt-Guided)パラダイムを提案する。 本稿では,テキスト・ツー・イメージ(T2I)モデルを様々な視覚タスクに効果的に適用するAnyRefillを提案する。
  論文  参考訳（メタデータ） (2025-02-16T15:12:40Z)
• A Survey of Research in Large Language Models for Electronic Design Automation [5.426530967206322]
  大規模言語モデル (LLM) は変換技術として登場している。 この調査は、モデルアーキテクチャの進歩、さまざまなモデルサイズの影響、そして革新的なカスタマイズ技術に焦点を当てている。 EDA業界やAI研究者、高度なAI技術や電子設計の収束に関心のある人には、貴重な洞察を提供することを目指している。
  論文  参考訳（メタデータ） (2025-01-16T16:51:59Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• EDALearn: A Comprehensive RTL-to-Signoff EDA Benchmark for Democratized and Reproducible ML for EDA Research [7.754108359835169]
  我々はEDALearnを紹介した。EDALearnは、EDAの機械学習タスクに特化した、最初の包括的なオープンソースベンチマークスイートである。 このベンチマークスイートは、合成から物理実装までのエンドツーエンドのフローを示し、さまざまなステージにわたるデータ収集を強化する。 私たちの貢献はML-EDAドメインのさらなる進歩を促進することを目的としています。
  論文  参考訳（メタデータ） (2023-12-04T06:51:46Z)
• LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
  次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。 従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。 我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:25:42Z)
• Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
  非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。 オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-30T11:38:46Z)
• EPiDA: An Easy Plug-in Data Augmentation Framework for High Performance Text Classification [34.15923302216751]
  本稿では,効率的なテキスト分類を支援するための簡易でプラグイン型のデータ拡張フレームワーク EPiDA を提案する。 EPiDAは、データ生成を制御するために、相対エントロピー(REM)と条件最小エントロピー(CEM)の2つのメカニズムを採用している。 EPiDAは効率的な分類訓練のための効率的で継続的なデータ生成をサポートする。
  論文  参考訳（メタデータ） (2022-04-24T06:53:48Z)

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。