論文の概要: Component Centric Placement Using Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2602.23540v1
- Date: Thu, 26 Feb 2026 22:44:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-02 19:48:24.157374
- Title: Component Centric Placement Using Deep Reinforcement Learning
- Title（参考訳）: 深層強化学習を用いたコンポーネント配置
- Authors: Kart Leong Lim,
- Abstract要約: 強化学習は複雑なパッケージにおけるシステムオンチップIPブロック配置とチップレット配置にうまく適用されている。
PCBコンポーネント配置は、コンポーネントサイズ、シングルサイドとダブルサイドのボード、ワイヤの長さの制約、ボードの制約、重複しない配置要件など、ユニークな課題を呈している。
本稿では,PCB コンポーネント配置を RL を用いて自動化するためのコンポーネント中心レイアウトを提案する。
- 参考スコア（独自算出の注目度）: 0.20305676256390928
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated placement of components on printed circuit boards (PCBs) is a critical stage in placement layout design. While reinforcement learning (RL) has been successfully applied to system-on-chip IP block placement and chiplet arrangement in complex packages, PCB component placement presents unique challenges due to several factors: variation in component sizes, single- and double-sided boards, wirelength constraints, board constraints, and non-overlapping placement requirements. In this work, we adopt a component-centric layout for automating PCB component placement using RL: first, the main component is fixed at the center, while passive components are placed in proximity to the pins of the main component. Free space around the main component is discretized, drastically reducing the search space while still covering all feasible placement; second, we leverage prior knowledge that each passive's position has to be near to its corresponding voltage source. This allows us to design the reward function which avoids wasted exploration of infeasible or irrelevant search space. Using the component centric layout, we implemented different methods including Deep Q-Network, Actor-Critic algorithm and Simulated Annealing. Evaluation on over nine real-world PCBs of varying complexity shows that our best proposed method approaches near human-like placements in terms of wirelength and feasibility.
- Abstract（参考訳）: プリント基板(PCB)上の部品の自動配置は配置レイアウト設計において重要な段階である。
複雑なパッケージにおけるシステムオンチップIPブロック配置とチップレット配置に強化学習(RL)がうまく適用されているが、PCBコンポーネント配置は、コンポーネントサイズの変化、シングルサイドとダブルサイドのボード、ワイヤの制約、ボードの制約、重複しない配置要件など、いくつかの要因により、ユニークな課題を呈している。
本稿では,PCB コンポーネント配置を RL で自動化するコンポーネント中心レイアウトを採用する。まず,主コンポーネントを中央に固定し,主コンポーネントのピンに近接して受動的コンポーネントを配置する。
主成分を取り囲む自由空間は離散化され、全ての可能な配置をカバーしながら探索空間を劇的に減らし、第2に、各受動位置が対応する電圧源に近づかなければならないという事前知識を活用する。
これにより,検索空間の無駄な探索を回避できる報奨関数を設計することができる。
コンポーネント中心のレイアウトを用いて、Deep Q-Network、Actor-Criticアルゴリズム、Simulated Annealingなどの様々な手法を実装した。
複雑度の異なる実世界のPCBを9種類以上評価した結果, 有線長と実現可能性の観点から, 提案手法が人間に近い配置に近づいたことが示唆された。
関連論文リスト
- PORTAL: Controllable Landscape Generator for Continuous Optimization-Part I: Framework [6.776726767599686]
本稿では,連続最適化研究のためのベンチマークジェネレータである Portal を紹介する。
盆地曲率、条件付け、変動相互作用、表面粗さに対するきめ細かい独立した制御を提供する。
また、メタアルゴリズム研究、カスタマイズされたベンチマークスイートの設計、インタラクティブな教育利用のための多様なデータセットの作成を容易にする。
論文 参考訳（メタデータ） (2025-11-29T02:57:13Z) - Power Battery Detection [91.99787495748218]
電力電池は、内部構造欠陥が深刻な安全リスクを生じさせる電気自動車において必須の部品である。
我々は,X線画像から陰極および陽極板の密集端を局所化し,品質検査を行うことを目的として,電力電池検出(PBD)に関する総合的研究を行った。
PBD5Kは,9種類のバッテリタイプから5,000枚のX線画像と8種類の実世界の視覚的干渉を含む,このタスクのための最初の大規模ベンチマークである。
論文 参考訳（メタデータ） (2025-08-11T09:35:25Z) - MRC-DETR: An Adaptive Multi-Residual Coupled Transformer for Bare Board PCB Defect Detection [11.16242420187823]
そこで本研究では,PCB 欠陥検査のための新規かつ効率的な検出フレームワーク MRC-DETR を提案する。
特徴表現能力を高めるため,MRDCB(Multi-Residual Directional Coupled Block)を設計する。
非効率な層間情報融合による計算冗長性を低減するため、適応スクリーニングピラミッドネットワーク(ASPN)を導入する。
論文 参考訳（メタデータ） (2025-07-04T08:42:38Z) - SeqPE: Transformer with Sequential Position Encoding [76.22159277300891]
SeqPEは、各$n$次元位置指数をシンボルシーケンスとして表現し、軽量なシーケンシャル位置エンコーダを用いて埋め込みを学習する。
言語モデリング、長文質問応答、および2次元画像分類による実験により、SeqPEはパープレキシティ、正確なマッチング(EM)、精度の強いベースラインを超えるだけでなく、手作業によるアーキテクチャ再設計を必要とせず、多次元入力へのシームレスな一般化を可能にする。
論文 参考訳（メタデータ） (2025-06-16T09:16:40Z) - Continuous Knowledge-Preserving Decomposition with Adaptive Layer Selection for Few-Shot Class-Incremental Learning [73.59672160329296]
CKPD-FSCILは、事前訓練された重量の未使用容量を解放する統合フレームワークである。
本手法は,適応性と知識保持の両面で,最先端の手法より一貫して優れている。
論文 参考訳（メタデータ） (2025-01-09T07:18:48Z) - Neural Packing: from Visual Sensing to Reinforcement Learning [24.35678534893451]
本稿では,3DでTAP(Transport-and-packing)問題を解決するための新しい学習フレームワークを提案する。
RGBDセンシングと認識による入力オブジェクトの部分的な観察から、ロボットモーション計画による最終ボックス配置に至るまで、完全なソリューションパイプラインを構成し、ターゲットコンテナ内のコンパクトパッキングに到達する。
論文 参考訳（メタデータ） (2023-10-17T02:42:54Z) - Quality-aware Part Models for Occluded Person Re-identification [77.24920810798505]
咬合は人体再識別(ReID)にとって大きな課題となる
既存のアプローチは一般的に、計算効率とReIDの精度の両面で最適であるように、目に見える身体の部品を推測するための外部ツールに依存している。
閉塞型ReIDのためのQPM(Quality-Aware Part Models)という新しい手法を提案する。
論文 参考訳（メタデータ） (2022-01-01T03:51:09Z) - Pixel Distillation: A New Knowledge Distillation Scheme for Low-Resolution Image Recognition [124.80263629921498]
アーキテクチャ制約を同時に破りながら知識蒸留を入力レベルまで拡張するPixel Distillationを提案する。
このようなスキームは、ネットワークアーキテクチャと画像品質の両方をリソースの全体的な要求に応じて調整できるため、展開のための柔軟なコスト制御を実現することができる。
論文 参考訳（メタデータ） (2021-12-17T14:31:40Z) - On Joint Learning for Solving Placement and Routing in Chip Design [70.30640973026415]
本稿では,マクロや標準セルの配置に関するDeepPlaceによる共同学習手法を提案する。
また,DeepPRと呼ばれるマクロ配置とルーティングの両方を満たすための強化学習による共同学習手法も開発している。
本手法は,経験から効果的に学習し,数時間のトレーニングで標準細胞配置の中間配置を提供する。
論文 参考訳（メタデータ） (2021-10-30T11:41:49Z) - PCB-Fire: Automated Classification and Fault Detection in PCB [0.0]
著者らは、欠落したコンポーネントを検出し、それらを資源的に分類する新しいソリューションを提案する。
提案アルゴリズムは、与えられたデータセットの結果の最適化に使用される画素理論とオブジェクト検出に重点を置いている。
論文 参考訳（メタデータ） (2021-02-22T05:19:22Z) - Batch Coherence-Driven Network for Part-aware Person Re-Identification [79.33809815035127]
既存のパートアウェアの人物再識別方法は、通常、ボディ部分の検出と部分レベルの特徴抽出という2つのステップを使用する。
トレーニングフェーズとテストフェーズの両方で身体の一部をバイパスし,セマンティックに整合した機能を実現するNetworkBCDNetを提案する。
論文 参考訳（メタデータ） (2020-09-21T09:04:13Z) - Optimization of Passive Chip Components Placement with Self-Alignment
Effect for Advanced Surface Mounting Technology [2.6168876987285308]
表面実装技術(SMT)は、電子部品を半田印刷回路基板(PCB)に直接配置する電子包装の強化手法である。
リフロー過程の間、沈殿したはんだペーストが溶け始めると、電子部品は最高対称性を達成する方向に移動する。
本研究では,予測手法として,サポートベクタ回帰(SVR)とランダムフォレスト回帰(RFR)の2つの機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-27T07:37:47Z)
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。