論文の概要: ArtNet: Hierarchical Clustering-Based Artificial Netlist Generator for ML and DTCO Application

• arxiv url: http://arxiv.org/abs/2510.13582v1
• Date: Wed, 15 Oct 2025 14:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.702173
• Title: ArtNet: Hierarchical Clustering-Based Artificial Netlist Generator for ML and DTCO Application
• Title（参考訳）: ArtNet:MLおよびDTCOアプリケーションのための階層クラスタリングに基づく人工ネットリストジェネレータ
• Authors: Andrew B. Kahng. Seokhyeong Kang, Seonghyeon Park, Dooseok Yoon,
• Abstract要約: ArtNetは、与えられたターゲットパラメータとより密に一致する、リアルな人工データセットを生成する。 CNNベースのDRV予測の文脈では、ArtNetのデータ拡張によってF1スコアが0.16向上する。 DTCOの文脈では、ArtNetが生成したミニ脳は97.94%のPPAマッチングを実現し、ターゲットとするフルスケールブロックの設計指標と密に一致している。
• 参考スコア（独自算出の注目度）: 2.3279995808581986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In advanced nodes, optimization of power, performance and area (PPA) has become highly complex and challenging. Machine learning (ML) and design-technology co-optimization (DTCO) provide promising mitigations, but face limitations due to a lack of diverse training data as well as long design flow turnaround times (TAT). We propose ArtNet, a novel artificial netlist generator designed to tackle these issues. Unlike previous methods, ArtNet replicates key topological characteristics, enhancing ML model generalization and supporting broader design space exploration for DTCO. By producing realistic artificial datasets that moreclosely match given target parameters, ArtNet enables more efficient PPAoptimization and exploration of flows and design enablements. In the context of CNN-based DRV prediction, ArtNet's data augmentationimproves F1 score by 0.16 compared to using only the original (real) dataset. In the DTCO context, ArtNet-generated mini-brains achieve a PPA match up to 97.94%, demonstrating close alignment with design metrics of targeted full-scale block designs.
• Abstract（参考訳）: 先進ノードでは、電力、性能、面積(PPA)の最適化は非常に複雑で難しいものになっている。 機械学習(ML)とデザインと技術の共同最適化(DTCO)は、有望な緩和を提供するが、多様なトレーニングデータや長い設計フローのターンアラウンドタイム(TAT)が欠如しているため、制限に直面している。 本稿では,これらの問題に対処するための新しい人工ネットリスト生成ツールArtNetを提案する。 従来の手法とは異なり、ArtNetは重要なトポロジ特性を再現し、MLモデルの一般化を強化し、DTCOの設計空間探索をサポートする。 ArtNetは、与えられたターゲットパラメータにより密にマッチする現実的な人工データセットを生成することにより、より効率的なPPA最適化とフローの探索と設計の実現を可能にします。 CNNベースのDRV予測の文脈では、ArtNetのデータ拡張によってF1スコアが0.16向上する。 DTCOの文脈では、ArtNetが生成したミニ脳は97.94%のPPAマッチングを実現し、ターゲットとするフルスケールブロックの設計指標と密に一致している。

関連論文リスト

• MAHL: Multi-Agent LLM-Guided Hierarchical Chiplet Design with Adaptive Debugging [30.305211001929496]
  大きな言語モデル(LLM)は2.5Dに拡張することを約束している。 LLMはフラットな設計、高い検証コスト、不正確なパラメータ最適化といった課題に直面している。 階層型LLMベースのチップレット設計生成フレームワークであるMAHLを提案する。
  論文  参考訳（メタデータ） (2025-08-08T05:47:31Z)
• Scaling Intelligence: Designing Data Centers for Next-Gen Language Models [0.6168147650666682]
  GPT-4のような1.8兆のパラメータを持つ大規模言語モデル(LLM)は、データセンターアーキテクチャの根本的な再考を要求する。 我々の研究は、FLOPS、帯域幅と容量、複数のネットワークトポロジを共同で探求する包括的な協調設計フレームワークを提供する。 我々は、重なり合う計算と通信の利点を定量化し、ハードウェアアクセラレーションされた集合体を活用し、スケールアウト領域を広げ、メモリ容量を増大させる。
  論文  参考訳（メタデータ） (2025-06-17T22:29:37Z)
• Hierarchical Features Matter: A Deep Exploration of Progressive Parameterization Method for Dataset Distillation [44.03611131165989]
  階層型生成蒸留(H-PD)と呼ばれる新しい生成パラメータ化法を提案する。 提案したH-PDは、等価な時間消費で様々な設定で大幅な性能向上を実現している。 IPC=1, IPC=10の超過圧縮比下での拡散モデルを用いて, 現在の再生蒸留を超越している。
  論文  参考訳（メタデータ） (2024-06-09T09:15:54Z)
• Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
  PropEnは'matching'にインスパイアされている。 一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
  論文  参考訳（メタデータ） (2024-05-28T11:30:19Z)
• ROMO: Retrieval-enhanced Offline Model-based Optimization [14.277672372460785]
  データ駆動型ブラックボックスモデルベース最適化(MBO)の問題は、多くの実用的なアプリケーションシナリオで発生します。 検索強化オフラインモデルベース最適化(ROMO)を提案する。 ROMOは実装が簡単で、CoMBO設定における最先端のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2023-10-11T15:04:33Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)

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。