論文の概要: Revisit Choice Network for Synthesis and Technology Mapping

• arxiv url: http://arxiv.org/abs/2508.14068v1
• Date: Mon, 04 Aug 2025 10:09:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-24 10:27:26.539297
• Title: Revisit Choice Network for Synthesis and Technology Mapping
• Title（参考訳）: 合成・技術マッピングのためのリバイジット選択ネットワーク
• Authors: Chen Chen, Jiaqi Yin, Cunxi Yu,
• Abstract要約: 本稿では、ネットワークベースの合成とマッピングの新しい選択フローであるCristalを紹介する。 クリスティーナはより少ないが高品質な選択を構成できる。 実験の結果,Cristalは最先端のBoolean選択ネットワーク構築よりも優れていた。
• 参考スコア（独自算出の注目度）: 4.774493154544262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Choice network construction is a critical technique for alleviating structural bias issues in Boolean optimization, equivalence checking, and technology mapping. Previous works on lossless synthesis utilize independent optimization to generate multiple snapshots, and use simulation and SAT solvers to identify functionally equivalent nodes. These nodes are then merged into a subject graph with choice nodes. However, such methods often neglect the quality of these choices, raising the question of whether they truly contribute to effective technology mapping. This paper introduces Cristal, a novel methodology and framework for constructing Boolean choice networks. Specifically, Cristal introduces a new flow of choice network-based synthesis and mapping, including representative logic cone search, structural mutation for generating diverse choice structures via equality saturation, and priority-ranking choice selection along with choice network construction and validation. Through these techniques, Cristal constructs fewer but higher-quality choices. Our experimental results demonstrate that Cristal outperforms the state-of-the-art Boolean choice network construction implemented in ABC in the post-mapping stage, achieving average reductions of 3.85%/8.35% (area/delay) in delay-oriented mode, 0.11%/2.74% in area-oriented mode, and a 63.77% runtime reduction on large-scale cases across a diverse set of combinational circuits from the IWLS 2005, ISCAS'89, and EPFL benchmark suites.
• Abstract（参考訳）: 選択ネットワークの構築は、ブール最適化、等価チェック、および技術マッピングにおける構造バイアス問題を緩和するための重要な手法である。 ロスレス合成に関するこれまでの研究は、独立最適化を利用して複数のスナップショットを生成し、シミュレーションとSATソルバを使って機能的に等価なノードを特定する。 これらのノードは選択ノードを持つ対象グラフにマージされる。 しかし、このような手法はしばしばこれらの選択の質を無視し、それらが効果的な技術マッピングに本当に貢献するかどうかという疑問を提起する。 本稿では,ブール選択ネットワーク構築のための新しい方法論とフレームワークであるCristalを紹介する。 具体的には、代表論理コーン探索、等式飽和による多様な選択構造を生成する構造変異、選択ネットワーク構築と検証と共に優先度の高い選択選択を含む、選択ネットワークベースの合成とマッピングの新たなフローを導入する。 これらのテクニックを通じて、Cristalはより少ないが高品質な選択を構成できる。 実験の結果,Cristal はABC のポストマッピング段階で実装された最先端のBoolean 選択ネットワーク構築よりも優れており,遅延指向モードでは平均3.85%/8.35%(エリア/遅延),エリア指向モードでは0.11%/2.74%,IWLS 2005,ISCAS'89,EPFLベンチマークスイートでは63.77%,大規模ケースでは63.77%が実行可能であった。

関連論文リスト

• Complexity-Aware Training of Deep Neural Networks for Optimal Structure Discovery [0.0]
  本稿では、トレーニング中に、トレーニング済みのネットワークを適用せずに機能するディープニューラルネットワークのユニット・レイヤ・プルーニングとレイヤ・プルーニングを組み合わせた新しいアルゴリズムを提案する。 本アルゴリズムは, 学習精度とプルーニングレベルを最適に交換し, ユニットプルーニングと計算量とパラメータ複雑性のバランスをとる。 提案アルゴリズムは,ネットワークに対応する最適化問題の解に収束することを示す。
  論文  参考訳（メタデータ） (2024-11-14T02:00:22Z)
• Model Based and Physics Informed Deep Learning Neural Network Structures [7.095119621199481]
  ニューラルネットワーク(NN)は多くの分野で利用されており、大きな成功を収めている。 大きな難題の1つは、NNの構造の選択である。 モデルベース信号と画像処理と逆問題手法を用いてこの問題を考察する。
  論文  参考訳（メタデータ） (2024-08-13T07:28:38Z)
• Automated and Holistic Co-design of Neural Networks and ASICs for Enabling In-Pixel Intelligence [4.063480188363124]
  放射能検出のための可読ASICなどの極端エッジAIシステムは、厳密なハードウェア制約の下で動作しなければならない。 理想的なソリューションを見つけることは、爆発的に拡張されたデザイン空間から最適なAIとASIC設計の選択を特定することを意味する。
  論文  参考訳（メタデータ） (2024-07-18T17:58:05Z)
• Reinforcement Learning for Node Selection in Branch-and-Bound [52.2648997215667]
  現在の最先端セレクタは手作りのアンサンブルを使用して、ナイーブなサブノードセレクタと、個々のノードデータに依存する学習ノードセレクタを自動的に切り替える。 孤立ノードではなく木の状態全体を考慮しながら強化学習(RL)を用いる新しいシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2023-09-29T19:55:56Z)
• Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
  Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。 Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-06-02T06:06:29Z)
• Fast Feature Selection with Fairness Constraints [49.142308856826396]
  モデル構築における最適特徴の選択に関する基礎的問題について検討する。 この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。 適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。 提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
  論文  参考訳（メタデータ） (2022-02-28T12:26:47Z)
• Transformer-based Machine Learning for Fast SAT Solvers and Logic Synthesis [63.53283025435107]
  CNFベースのSATとMaxSATは論理合成と検証システムの中心である。 そこで本研究では,Transformerアーキテクチャから派生したワンショットモデルを用いて,MaxSAT問題の解法を提案する。
  論文  参考訳（メタデータ） (2021-07-15T04:47:35Z)
• Discretization-Aware Architecture Search [81.35557425784026]
  本稿では,離散化対応アーキテクチャサーチ(DAtextsuperscript2S)を提案する。 中心となる考え方は、超ネットワークを所望のトポロジの構成に向けることであり、離散化による精度損失がほとんど軽減される。 標準画像分類ベンチマークの実験は、我々のアプローチの優位性を実証している。
  論文  参考訳（メタデータ） (2020-07-07T01:18:58Z)

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。