論文の概要: Artificial Intelligence-Driven Network-on-Chip Design Space Exploration: Neural Network Architectures for Design

• arxiv url: http://arxiv.org/abs/2512.07877v2
• Date: Wed, 10 Dec 2025 12:21:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 04:16:52.539223
• Title: Artificial Intelligence-Driven Network-on-Chip Design Space Exploration: Neural Network Architectures for Design
• Title（参考訳）: 人工知能駆動型ネットワークオンチップ設計空間探索:設計のためのニューラルネットワークアーキテクチャ
• Authors: Amogh Anshu N, Harish BP,
• Abstract要約: Network-on-Chip (NoC) の設計では、厳密なスループット要件とレイテンシ制約を満たすために、高次元の設定空間を探索する必要がある。 伝統的な設計空間探索技術は、しばしば遅く、複雑で非線形なパラメータ相互作用を扱うのに苦労する。 本研究は,BookSimシミュレーションとリバースニューラルネットワークモデルを用いて,NoC設計空間探索を自動化する機械学習駆動フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Network-on-Chip (NoC) design requires exploring a high-dimensional configuration space to satisfy stringent throughput requirements and latency constraints. Traditional design space exploration techniques are often slow and struggle to handle complex, non-linear parameter interactions. This work presents a machine learning-driven framework that automates NoC design space exploration using BookSim simulations and reverse neural network models. Specifically, we compare three architectures - a Multi-Layer Perceptron (MLP),a Conditional Diffusion Model, and a Conditional Variational Autoencoder (CVAE) to predict optimal NoC parameters given target performance metrics. Our pipeline generates over 150,000 simulation data points across varied mesh topologies. The Conditional Diffusion Model achieved the highest predictive accuracy, attaining a mean squared error (MSE) of 0.463 on unseen data. Furthermore, the proposed framework reduces design exploration time by several orders of magnitude, making it a practical solution for rapid and scalable NoC co-design.
• Abstract（参考訳）: Network-on-Chip (NoC) の設計では、厳密なスループット要件とレイテンシ制約を満たすために、高次元の設定空間を探索する必要がある。 伝統的な設計空間探索技術は、しばしば遅く、複雑で非線形なパラメータ相互作用を扱うのに苦労する。 本研究は,BookSimシミュレーションとリバースニューラルネットワークモデルを用いて,NoC設計空間探索を自動化する機械学習駆動フレームワークを提案する。 具体的には,Multi-Layer Perceptron (MLP), Conditional Diffusion Model, Conditional Variational Autoencoder (CVAE) の3つのアーキテクチャを比較し,目標性能指標から最適なNoCパラメータを推定する。 私たちのパイプラインは、さまざまなメッシュトポロジにまたがる15万以上のシミュレーションデータポイントを生成します。 条件拡散モデルが最も高い予測精度を達成し、平均2乗誤差(MSE)は0.463である。 さらに,提案手法は設計の探索時間を桁違いに削減し,高速でスケーラブルなNoC設計のための実用的なソリューションとなる。

関連論文リスト

• Chat to Chip: Large Language Model Based Design of Arbitrarily Shaped Metasurfaces [1.7706010980924418]
  LLMはスペクトル予測と逆設計に必要な物理的関係を学習できることを示す。 この"chat-to-chip"ワークフローは、よりユーザフレンドリーなデータ駆動ナノフォトニクスへの一歩である。
  論文  参考訳（メタデータ） (2025-09-29T02:24:57Z)
• AB-UPT: Scaling Neural CFD Surrogates for High-Fidelity Automotive Aerodynamics Simulations via Anchored-Branched Universal Physics Transformers [20.363139473435048]
  CFDシミュレーションのためのニューラルサロゲート構築のための新しいモデリング手法としてAB-UPTを導入する。 AB-UPTは,3万3千万から1億5000万のメッシュセルからなる自動車CFDシミュレーションにおいて,表面および体積場の最先端予測精度が得られることを示す。 特に、提案されたモデルは1日以内で1つのGPUでトレーニングでき、業界標準のサーフェスとボリュームフィールドを数秒で予測できる。
  論文  参考訳（メタデータ） (2025-02-13T17:58:07Z)
• LitE-SNN: Designing Lightweight and Efficient Spiking Neural Network through Spatial-Temporal Compressive Network Search and Joint Optimization [48.41286573672824]
  スパイキングニューラルネットワーク(SNN)は人間の脳の情報処理機構を模倣し、エネルギー効率が高い。 本稿では,空間圧縮と時間圧縮の両方を自動ネットワーク設計プロセスに組み込むLitE-SNNという新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-26T05:23:11Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Symbolic Regression on FPGAs for Fast Machine Learning Inference [2.0920303420933273]
  高エネルギー物理コミュニティは、FPGA(Field-Programmable Gate Arrays)上に機械学習ベースのソリューションをデプロイする可能性を探っている シンボリックレグレッション(SR)と呼ばれる機械学習技術を利用した新しいエンドツーエンドプロシージャを提案する。 提案手法は,最大で5 nsまでの実行時間を最大13倍に抑えながら,90%以上の近似精度を維持した推論モデルを用いて3層ニューラルネットワークを近似できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T17:04:02Z)
• Graph Neural Network Based Surrogate Model of Physics Simulations for Geometry Design [0.20315704654772412]
  物理シミュレーションのための高速サロゲートモデルとしてグラフニューラルネットワーク(GNN)を開発した。 ノードレベルとグラフレベルの両方で柔軟に予測できるエンコーダ・プロセッサ・デコーダ型アーキテクチャを利用する。 提案したGNNベースサロゲートモデルの性能を2つの例に示す。
  論文  参考訳（メタデータ） (2023-02-01T16:23:29Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)

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。