論文の概要: InF-ATPG: Intelligent FFR-Driven ATPG with Advanced Circuit Representation Guided Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2512.00079v1
- Date: Tue, 25 Nov 2025 09:02:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-02 19:46:34.046261
- Title: InF-ATPG: Intelligent FFR-Driven ATPG with Advanced Circuit Representation Guided Reinforcement Learning
- Title（参考訳）: InF-ATPG:アドバンスト回路表現誘導強化学習を用いたインテリジェントFFR駆動ATPG
- Authors: Bin Sun, Rengang Zhang, Zhiteng Chao, Zizhen Liu, Jianan Mu, Jing Ye, Huawei Li,
- Abstract要約: InF-ATPGはインテリジェントなFFR駆動のATPGフレームワークで、RLを誘導するためにアドバンスト回路表現を使用する。
InF-ATPGは、従来の手法と比較して平均55.06%、機械学習アプローチでは38.31%のバックトラックを減少させる。
- 参考スコア（独自算出の注目度）: 8.209775154399132
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic test pattern generation (ATPG) is a crucial process in integrated circuit (IC) design and testing, responsible for efficiently generating test patterns. As semiconductor technology progresses, traditional ATPG struggles with long execution times to achieve the expected fault coverage, which impacts the time-to-market of chips. Recent machine learning techniques, like reinforcement learning (RL) and graph neural networks (GNNs), show promise but face issues such as reward delay in RL models and inadequate circuit representation in GNN-based methods. In this paper, we propose InF-ATPG, an intelligent FFR-driven ATPG framework that overcomes these challenges by using advanced circuit representation to guide RL. By partitioning circuits into fanout-free regions (FFRs) and incorporating ATPG-specific features into a novel QGNN architecture, InF-ATPG enhances test pattern generation efficiency. Experimental results show InF-ATPG reduces backtracks by 55.06\% on average compared to traditional methods and 38.31\% compared to the machine learning approach, while also improving fault coverage.
- Abstract（参考訳）: 自動テストパターン生成(ATPG)は集積回路の設計とテストにおいて重要なプロセスであり、効率よくテストパターンを生成する。
半導体技術が進歩するにつれて、従来のATPGは、期待される故障カバレッジを達成するために、長い実行時間で苦労し、チップの市場投入に影響を及ぼす。
強化学習(RL)やグラフニューラルネットワーク(GNN)といった最近の機械学習技術は、RLモデルにおける報酬遅延やGNNベースの手法における不適切な回路表現といった、約束に反する問題に直面している。
本稿では,FFR駆動型ATPGフレームワークであるInF-ATPGを提案する。
回路をファンアウトフリー領域(FFR)に分割し、ATPG特有の機能を新しいQGNNアーキテクチャに組み込むことで、InF-ATPGはテストパターン生成効率を向上させる。
実験の結果、InF-ATPGは従来の手法と比較して平均55.06\%、機械学習手法に比べて38.31\%減少し、障害カバレッジも改善した。
関連論文リスト
- Vehicle Routing Problems via Quantum Graph Attention Network Deep Reinforcement Learning [6.587064004152391]
車両ルーティング問題(VRP)は、物流や流通に広く応用されたインテリジェント輸送システムにおいて、基本的なNPハードタスクである。
本稿では,従来の電車エンコーダの代わりにパラメータ化量子回路(PQC)を用いる量子グラフニューラルネットワーク(Q-GAT)フレームワークを提案する。
実験の結果、Q-GATは従来のGATと比較して、より高速な収束を実現し、ルーティングコストを約5%削減できることがわかった。
論文 参考訳（メタデータ） (2025-11-19T06:54:38Z) - EconProver: Towards More Economical Test-Time Scaling for Automated Theorem Proving [64.15371139980802]
大規模言語モデル(LLM)は、最近、自動定理証明(ATP)の分野を進歩させた。
ATPモデルに対する異なるテスト時間スケーリング戦略は、推論にかなりの計算オーバーヘッドをもたらすことを示す。
本稿では,統一EconRLパイプラインに統合可能な2つの補完手法を提案する。
論文 参考訳（メタデータ） (2025-09-16T03:00:13Z) - Multi-Agent Reinforcement Learning for Sample-Efficient Deep Neural Network Mapping [54.65536245955678]
本稿では,サンプル非効率性の課題を克服するために,分散型マルチエージェント強化学習(MARL)フレームワークを提案する。
相関解析に基づいて類似のマッピングパラメータを同一エージェントに割り当てるエージェントクラスタリングアルゴリズムを提案する。
実験の結果,MARL法は標準単エージェントRLよりも30～300倍効率が向上した。
論文 参考訳（メタデータ） (2025-07-22T05:51:07Z) - SF-DQN: Provable Knowledge Transfer using Successor Feature for Deep Reinforcement Learning [89.04776523010409]
本稿では、複数のRL問題が異なる報酬関数を持つが、基礎となる遷移力学を共有する転写強化学習(RL)問題を考察する。
この設定では、各RL問題(タスク)のQ-関数を後継特徴(SF)と報酬マッピングに分解することができる。
GPIを用いたSF-DQNの証明可能な一般化保証を用いた最初の収束解析を確立する。
論文 参考訳（メタデータ） (2024-05-24T20:30:14Z) - Harnessing FPGA Technology for Enhanced Biomedical Computation [0.0]
この研究は、CNN、Recurrent Neural Networks (RNN)、Long Short-Term Memory Networks (LSTMs)、Deep Belief Networks (DBNs)のような洗練されたニューラルネットワークフレームワークを掘り下げる。
レイテンシやスループットなどの性能指標を評価することにより,高度なバイオメディカルコンピューティングにおけるFPGAの有効性を示す。
論文 参考訳（メタデータ） (2023-11-21T08:51:58Z) - DiffNAS: Bootstrapping Diffusion Models by Prompting for Better
Architectures [63.12993314908957]
そこで我々は,DiffNASと呼ばれるベースモデル探索手法を提案する。
GPT-4をスーパーネットとして利用して検索を高速化し,検索メモリを補足して結果を向上する。
厳密な実験により,GPTに基づくシナリオでは,探索効率を2倍に向上できることが示された。
論文 参考訳（メタデータ） (2023-10-07T09:10:28Z) - Exploiting FPGA Capabilities for Accelerated Biomedical Computing [0.0]
本研究では、フィールドプログラマブルゲートアレイ(FPGA)を用いたECG信号解析のための高度なニューラルネットワークアーキテクチャを提案する。
我々は、トレーニングと検証にMIT-BIH Arrhythmia Databaseを使用し、堅牢性を改善するためにガウスノイズを導入した。
この研究は最終的に、様々なアプリケーションのためのFPGA上でのニューラルネットワーク性能を最適化するためのガイドを提供する。
論文 参考訳（メタデータ） (2023-07-16T01:20:17Z) - Properties and Potential Applications of Random Functional-Linked Types
of Neural Networks [81.56822938033119]
ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。
本稿では周波数領域の観点からRFLNNの特性について考察する。
本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-04-03T13:25:22Z) - DRAGON: Decentralized Fault Tolerance in Edge Federations [13.864161788250856]
我々は、新しいメモリ効率のディープラーニングベースモデル、すなわち生成最適化ネットワーク(GON)を提案する。
GONは入力とサンプルを区別するために単一のネットワークを使用し、メモリフットプリントを大幅に削減する。
本稿では,エッジフェデレーションの性能を迅速に予測し,最適化するためにシミュレーションを実行するDRAGONと呼ばれる分散型フォールトトレランス手法を提案する。
論文 参考訳（メタデータ） (2022-08-16T10:40:28Z) - EF-Train: Enable Efficient On-device CNN Training on FPGA Through Data
Reshaping for Online Adaptation or Personalization [11.44696439060875]
EF-Trainは、チャネルレベルの並列性に基づく畳み込みカーネルを統一した、効率的なDNNトレーニングアクセラレータである。
リソース制限された低消費電力エッジレベルFPGAのエンドツーエンドトレーニングを実現することができる。
我々の設計ではスループットとエネルギー効率の点で46.99GFLOPSと6.09GFLOPS/Wを実現している。
論文 参考訳（メタデータ） (2022-02-18T18:27:42Z)
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。