論文の概要: LMM-IR: Large-Scale Netlist-Aware Multimodal Framework for Static IR-Drop Prediction

• arxiv url: http://arxiv.org/abs/2511.12581v1
• Date: Sun, 16 Nov 2025 12:53:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.390157
• Title: LMM-IR: Large-Scale Netlist-Aware Multimodal Framework for Static IR-Drop Prediction
• Title（参考訳）: LMM-IR:静的IR-Drop予測のための大規模ネットリスト対応マルチモーダルフレームワーク
• Authors: Kai Ma, Zhen Wang, Hongquan He, Qi Xu, Tinghuan Chen, Hao Geng,
• Abstract要約: 大規模ネットリスト変換器(LNT)によるSPICEファイルを効率的に処理する新しい手法を提案する。 私たちの重要なイノベーションは、ネットリストトポロジを3Dポイントクラウド表現として表現し、処理することで、最大数十万から数百万のノードでネットリストの効率的な処理を可能にします。 実験の結果,提案アルゴリズムはICCAD 2023コンテストの優勝チームの中で,最高のF1スコアと最も低いMAEを達成できることがわかった。
• 参考スコア（独自算出の注目度）: 27.778291616839663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Static IR drop analysis is a fundamental and critical task in the field of chip design. Nevertheless, this process can be quite time-consuming, potentially requiring several hours. Moreover, addressing IR drop violations frequently demands iterative analysis, thereby causing the computational burden. Therefore, fast and accurate IR drop prediction is vital for reducing the overall time invested in chip design. In this paper, we firstly propose a novel multimodal approach that efficiently processes SPICE files through large-scale netlist transformer (LNT). Our key innovation is representing and processing netlist topology as 3D point cloud representations, enabling efficient handling of netlist with up to hundreds of thousands to millions nodes. All types of data, including netlist files and image data, are encoded into latent space as features and fed into the model for static voltage drop prediction. This enables the integration of data from multiple modalities for complementary predictions. Experimental results demonstrate that our proposed algorithm can achieve the best F1 score and the lowest MAE among the winning teams of the ICCAD 2023 contest and the state-of-the-art algorithms.
• Abstract（参考訳）: 静的IRドロップ分析はチップ設計の分野における基本的かつ重要な課題である。 それでも、このプロセスは非常に時間がかかり、数時間を要する可能性がある。 さらに、IRドロップ違反に対処するためには反復解析が頻繁に必要であり、計算負担が生じる。 したがって、チップ設計に費やした全体の時間を短縮するためには、高速で正確なIRドロップ予測が不可欠である。 本稿では,SPICEファイルを大規模ネットリスト変換器(LNT)で効率的に処理する新しいマルチモーダル手法を提案する。 私たちの重要なイノベーションは、ネットリストトポロジを3Dポイントクラウド表現として表現し、処理することで、最大数十万から数百万のノードでネットリストの効率的な処理を可能にします。 ネットリストファイルや画像データを含むあらゆる種類のデータは、機能として潜在空間にエンコードされ、静的電圧降下予測のためにモデルに入力される。 これにより、補完的な予測のために複数のモダリティからのデータを統合できる。 実験結果から,提案アルゴリズムはICCAD 2023コンテストの優勝チームと最先端アルゴリズムの中で,最良F1スコアと最少MAEを達成可能であることが示された。

関連論文リスト

• Deep Learning-Based Early-Stage IR-Drop Estimation via CNN Surrogate Modeling [0.0]
  従来のIR-drop分析は、高精度だが計算コストの大きい物理ベースのサインオフツールに依存している。 CNNを用いた早期IR-drop推定のための深層学習に基づくサロゲートモデリング手法を提案する。 提案するフレームワークは,高額なサインオフ分析に先立って,設計者が迅速なIR-dropインサイトを提供するための補完的なアーリーステージ解析ツールとして意図されている。
  論文  参考訳（メタデータ） (2026-01-30T08:29:45Z)
• M3Net: A Multi-Metric Mixture of Experts Network Digital Twin with Graph Neural Networks [18.215893951726166]
  拡張されたネットワーク状態データから複数のパフォーマンス指標を推定するグラフニューラルネットワークアーキテクチャであるM3Netを導入する。 M3Netは、MAPE (Mean Absolute Percentage Error) を20.06%から17.39%に削減することで、流量遅延予測の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-12-10T16:12:42Z)
• CFIRSTNET: Comprehensive Features for Static IR Drop Estimation with Neural Network [3.1761323820497656]
  ニューラルネットワークフレームワークにおいて、画像ベースとネットリストベースの機能を組み合わせた包括的なソリューションを提案する。 PDNの特徴を抽出し、静的IRドロップ推定を行うために、カスタマイズ畳み込みニューラルネットワーク(CNN)を開発した。 実験結果から,ICCAD CAD Contest 2023におけるIRドロップ推定問題に関して,ベンチマークで最高の品質を得た。
  論文  参考訳（メタデータ） (2025-02-13T06:47:53Z)
• TrackFormers: In Search of Transformer-Based Particle Tracking for the High-Luminosity LHC Era [2.9052912091435923]
  高エネルギー物理実験は、新しいイテレーション毎に複数倍のデータの増加に直面している。 このようなオーバーホールが必要なステップの1つは、粒子トラックの再構築、すなわち追跡のタスクである。 機械学習支援ソリューションは、大幅な改善が期待されている。
  論文  参考訳（メタデータ） (2024-07-09T18:47:25Z)
• PDNNet: PDN-Aware GNN-CNN Heterogeneous Network for Dynamic IR Drop Prediction [5.511978576494924]
  電力供給ネットワーク(PDN)上のIRドロップは、PDNの構成とセル電流消費と密接に関連している。 PDN構造と微細な細胞-PDN関係の表現を統一する新しいグラフ構造PDNGraphを提案する。 我々は、深層学習に基づく動的IRドロップ予測法にグラフ構造を適用した最初の研究である。
  論文  参考訳（メタデータ） (2024-03-27T13:50:13Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Latency-aware Unified Dynamic Networks for Efficient Image Recognition [72.8951331472913]
  LAUDNetは動的ネットワークの理論的および実用的な効率ギャップを橋渡しするフレームワークである。 3つの主要な動的パラダイム - 適応型計算、動的層スキップ、動的チャネルスキップ - を統合している。 これにより、V100,3090やTX2 GPUのようなプラットフォーム上で、ResNetのようなモデルの遅延を50%以上削減できる。
  論文  参考訳（メタデータ） (2023-08-30T10:57:41Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• PowerNet: Transferable Dynamic IR Drop Estimation via Maximum Convolutional Neural Network [28.555489230660488]
  我々は畳み込みニューラルネットワーク(CNN)に基づく高速な動的IR滴推定手法であるPowerNetを開発した。 我々は、ベクトルレスIRドロップの課題に対して、PowerNetが最新の機械学習(ML)手法を9%精度で上回っていることを示す。 PowerNetによってガイドされた緩和ツールは、それぞれ2つの工業設計でIRドロップホットスポットを26%、ホットスポットを31%削減する。
  論文  参考訳（メタデータ） (2020-11-26T23:14:17Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
  本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。 ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。 同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
  論文  参考訳（メタデータ） (2020-06-15T16:09:17Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。