論文の概要: Deep Learning-Based Early-Stage IR-Drop Estimation via CNN Surrogate Modeling

• arxiv url: http://arxiv.org/abs/2601.22707v1
• Date: Fri, 30 Jan 2026 08:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.323533
• Title: Deep Learning-Based Early-Stage IR-Drop Estimation via CNN Surrogate Modeling
• Title（参考訳）: 深層学習に基づくCNNサーロゲートモデリングによる早期IR-Drop推定
• Authors: Ritesh Bhadana,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: IR-drop is a critical power integrity challenge in modern VLSI designs that can cause timing degradation, reliability issues, and functional failures if not detected early in the design flow. Conventional IR-drop analysis relies on physics-based signoff tools, which provide high accuracy but incur significant computational cost and require near-final layout information, making them unsuitable for rapid early-stage design exploration. In this work, we propose a deep learning-based surrogate modeling approach for early-stage IR-drop estimation using a CNN. The task is formulated as a dense pixel-wise regression problem, where spatial physical layout features are mapped directly to IR-drop heatmaps. A U-Net-based encoder-decoder architecture with skip connections is employed to effectively capture both local and global spatial dependencies within the layout. The model is trained on a physics-inspired synthetic dataset generated by us, which incorporates key physical factors including power grid structure, cell density distribution, and switching activity. Model performance is evaluated using standard regression metrics such as Mean Squared Error (MSE) and Peak Signal-to-Noise Ratio (PSNR). Experimental results demonstrate that the proposed approach can accurately predict IR-drop distributions with millisecond-level inference time, enabling fast pre-signoff screening and iterative design optimization. The proposed framework is intended as a complementary early-stage analysis tool, providing designers with rapid IR-drop insight prior to expensive signoff analysis. The implementation, dataset generation scripts, and the interactive inference application are publicly available at: https://github.com/riteshbhadana/IR-Drop-Predictor. The live application can be accessed at: https://ir-drop-predictor.streamlit.app/.
• Abstract（参考訳）: IR-dropは現代のVLSI設計において重要なパワー整合性の問題であり、設計フローの早期に検出されない場合、タイミング劣化、信頼性の問題、機能障害を引き起こす可能性がある。 従来のIR-drop分析は物理ベースのサインオフツールに依存しており、精度は高いが計算コストが高く、ほぼ最終段階のレイアウト情報を必要とするため、迅速な初期設計探索には適さない。 本研究では,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。 このタスクは高密度画素単位の回帰問題として定式化され、空間的物理配置特徴を直接IRドロップのヒートマップにマッピングする。 レイアウト内の局所的およびグローバルな空間的依存関係を効果的にキャプチャするために、スキップ接続を備えたU-Netベースのエンコーダデコーダアーキテクチャを用いる。 このモデルは、電力グリッド構造、セル密度分布、スイッチングアクティビティを含む重要な物理要素を組み込んだ、私たちによって生成された物理にインスパイアされた合成データセットに基づいて訓練される。 Mean Squared Error (MSE) や Peak Signal-to-Noise Ratio (PSNR) などの標準回帰指標を用いてモデル性能を評価する。 実験結果から, 提案手法はミリ秒レベルの推定時間で精度よくIR-drop分布を予測でき, 高速なプリサインオフスクリーニングと反復設計の最適化が可能であった。 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。 実装、データセット生成スクリプト、インタラクティブな推論アプリケーションは、https://github.com/riteshbhadana/IR-Drop-Predictor.comで公開されている。 ライブアプリケーションは、https://ir-drop-predictor.streamlit.app/.comでアクセスできる。

関連論文リスト

• LMM-IR: Large-Scale Netlist-Aware Multimodal Framework for Static IR-Drop Prediction [27.778291616839663]
  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。
  論文  参考訳（メタデータ） (2025-11-16T12:53:36Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better [63.567886330598945]
  赤外線小目標(IRST)検出は、精度、普遍性、堅牢性、効率的な性能を同時に達成する上で困難である。 現在の学習に基づく手法は、空間的領域と短期的領域の両方から"より多くの情報を活用する。 本稿では、IRST検出のための時間次元でのみ計算を行う効率的な深部プローブネットワーク(DeepPro)を提案する。
  論文  参考訳（メタデータ） (2025-06-15T08:19:32Z)
• It's Not the Target, It's the Background: Rethinking Infrared Small Target Detection via Deep Patch-Free Low-Rank Representations [5.326302374594885]
  本稿では、LRRNetと呼ばれる新しいエンドツーエンドIRSTDフレームワークを提案する。 乱れシーンの物理的圧縮性に着想を得て,本手法は圧縮・再構成・減算パラダイムを採用する。 複数の公開データセットの実験により、LRRNetは検出精度、堅牢性、計算効率の点で38の最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-12T07:24:45Z)
• DISTA-Net: Dynamic Closely-Spaced Infrared Small Target Unmixing [55.366556355538954]
  本稿では,動的フレームワーク内で従来のスパース再構築を再現する動的反復収縮閾値ネットワーク(DISTA-Net)を提案する。 DISTA-Netは、密接な空間を持つ赤外線小ターゲットのアンミックスのために特別に設計された最初のディープラーニングモデルである。 私たちはこの分野におけるさらなる研究を促進するために、最初のオープンソースエコシステムを確立しました。
  論文  参考訳（メタデータ） (2025-05-25T13:52:00Z)
• 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)
• Intelligent Circuit Design and Implementation with Machine Learning [0.0]
  幅広いチップ設計段階をカバーする複数の高速かつ正確な機械学習モデルを提示します。 完全に自動化されたパワーモデリングフレームワークであるAPOLLOを紹介します。 私はまた、早期のroutability予測のためにRouteNetを提示します。
  論文  参考訳（メタデータ） (2022-06-07T06:17:52Z)
• 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)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。