論文の概要: SetupKit: Efficient Multi-Corner Setup/Hold Time Characterization Using Bias-Enhanced Interpolation and Active Learning

• arxiv url: http://arxiv.org/abs/2512.00044v1
• Date: Sun, 16 Nov 2025 12:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.403331
• Title: SetupKit: Efficient Multi-Corner Setup/Hold Time Characterization Using Bias-Enhanced Interpolation and Active Learning
• Title（参考訳）: SetupKit: バイアス強化補間とアクティブラーニングを用いた効率的なマルチコアセットアップ/ホールドタイムキャラクタリゼーション
• Authors: Junzhuo Zhou, Ziwen Wang, Haoxuan Xia, Yuxin Yan, Chengyu Zhu, Ting-Jung Lin, Wei Xing, Lei He,
• Abstract要約: セットアップ/ホールドタイムのキャラクタリゼーションは、チップタイミングのクロージャに不可欠である。 既存の手法では探索の収束が遅く、探索の効率が悪くなる。 このボトルネックを突破するように設計された新しいフレームワークである setupKit を紹介します。
• 参考スコア（独自算出の注目度）: 6.38349134926644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate setup/hold time characterization is crucial for modern chip timing closure, but its reliance on potentially millions of SPICE simulations across diverse process-voltagetemperature (PVT) corners creates a major bottleneck, often lasting weeks or months. Existing methods suffer from slow search convergence and inefficient exploration, especially in the multi-corner setting. We introduce SetupKit, a novel framework designed to break this bottleneck using statistical intelligence, circuit analysis and active learning (AL). SetupKit integrates three key innovations: BEIRA, a bias-enhanced interpolation search derived from statistical error modeling to accelerate convergence by overcoming stagnation issues, initial search interval estimation by circuit analysis and AL strategy using Gaussian Process. This AL component intelligently learns PVT-timing correlations, actively guiding the expensive simulations to the most informative corners, thus minimizing redundancy in multicorner characterization. Evaluated on industrial 22nm standard cells across 16 PVT corners, SetupKit demonstrates a significant 2.4x overall CPU time reduction (from 720 to 290 days on a single core) compared to standard practices, drastically cutting characterization time. SetupKit offers a principled, learningbased approach to library characterization, addressing a critical EDA challenge and paving the way for more intelligent simulation management.
• Abstract（参考訳）: 正確なセットアップ/ホールドタイムのキャラクタリゼーションは、現代のチップタイミングのクローズには不可欠であるが、様々なプロセス電圧温度(PVT)コーナーにわたる数百万のSPICEシミュレーションに依存しているため、大きなボトルネックが発生し、しばしば数週間または数ヶ月続く。 既存の手法では探索収束が遅く、特にマルチコーナ環境では探索が不効率である。 本稿では,統計的インテリジェンス,回路解析,アクティブラーニング(AL)を用いて,このボトルネックを突破する新しいフレームワークであるSetupKitを紹介する。 SetupKitは3つの重要なイノベーションを統合している。BEIRAは統計的誤差モデリングから導かれるバイアス付き補間探索で、停滞問題を克服することで収束を加速する。 このALコンポーネントはPVT刺激相関をインテリジェントに学習し、高価なシミュレーションを最も情報性の高いコーナーに積極的に誘導し、マルチコーナ特性の冗長性を最小化する。 産業用22nmの標準セルを16 PVTコーナーで評価し、SetupKitは、標準的なプラクティスと比較して2.4倍のCPU時間削減(シングルコアで720日から290日)を示し、特性時間を大幅に短縮した。 SetupKitは、ライブラリの特徴付けに対する原則化された学習ベースのアプローチを提供し、重要なEDA課題に対処し、よりインテリジェントなシミュレーション管理の道を開く。

関連論文リスト

• STaTS: Structure-Aware Temporal Sequence Summarization via Statistical Window Merging [7.085954928597584]
  時系列データは、しばしば遅延時間構造、局所定常状態間の遷移、繰り返しモチーフ、変動のバーストを含む。 本稿では,Structure-Aware Temporal Summarizationのための軽量で教師なしのフレームワークSTaTSを提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:51:47Z)
• $\texttt{SPECS}$: Faster Test-Time Scaling through Speculative Drafts [55.231201692232894]
  $textttSPECS$は、投機的デコードにインスパイアされた遅延対応のテスト時間スケーリングメソッドである。 我々の結果は、$textttSPECS$matchはビームサーチの精度を上回り、最大$sim$19.1%のレイテンシを削減していることを示している。
  論文  参考訳（メタデータ） (2025-06-15T05:50:05Z)
• A system identification approach to clustering vector autoregressive time series [50.66782357329375]
  基礎となる力学に基づく時系列のクラスタ化は、複雑なシステムモデリングを支援するために研究者を惹きつけている。 現在の時系列クラスタリング手法のほとんどは、スカラー時系列のみを処理し、ホワイトノイズとして扱うか、高品質な特徴構築のためにドメイン知識に依存している。 システム識別アプローチは、機能/測定構造に頼るのではなく、基礎となる自己回帰力学を明示的に考慮することで、ベクトル時系列クラスタリングを処理できる。
  論文  参考訳（メタデータ） (2025-05-20T14:31:44Z)
• TSI-Bench: Benchmarking Time Series Imputation [52.27004336123575]
  TSI-Benchは、ディープラーニング技術を利用した時系列計算のための総合ベンチマークスイートである。 TSI-Benchパイプラインは、実験的な設定を標準化し、計算アルゴリズムの公平な評価を可能にする。 TSI-Benchは、計算目的のために時系列予測アルゴリズムを調整するための体系的なパラダイムを革新的に提供する。
  論文  参考訳（メタデータ） (2024-06-18T16:07:33Z)
• Analysis and Fully Memristor-based Reservoir Computing for Temporal Data Classification [0.6291443816903801]
  Reservoir Computing (RC) は、特に信号処理に有効なニューロモルフィックなフレームワークを提供する。 RCハードウェアのキーコンポーネントは動的貯留状態を生成する能力である。 本研究は, 新たな時間的課題の管理において, メムリスタをベースとしたRCシステムの適応性を照らすものである。
  論文  参考訳（メタデータ） (2024-03-04T08:22:29Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• Enhancing Multivariate Time Series Classifiers through Self-Attention and Relative Positioning Infusion [4.18804572788063]
  時系列分類(TSC)は、多くのビジュアルコンピューティングアプリケーションにとって重要かつ困難な課題である。 本稿では,深層学習に基づくTSCアプローチを強化する2つの新しいアテンションブロックを提案する。 提案するアテンションブロックを追加することで,ベースモデルの平均精度が最大3.6%向上することを示す。
  論文  参考訳（メタデータ） (2023-02-13T20:50:34Z)
• Sketching as a Tool for Understanding and Accelerating Self-attention for Long Sequences [52.6022911513076]
  トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。 我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。 理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
  論文  参考訳（メタデータ） (2021-12-10T06:58:05Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。