論文の概要: Genetic Programming with Transformer-Based Mutation for Approximate Circuit Design
- arxiv url: http://arxiv.org/abs/2605.21055v1
- Date: Wed, 20 May 2026 11:42:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 19:19:56.646165
- Title: Genetic Programming with Transformer-Based Mutation for Approximate Circuit Design
- Title（参考訳）: 変圧器を用いた近似回路設計のための遺伝的プログラミング
- Authors: Ondrej Galeta, Lukas Sekanina,
- Abstract要約: カルテシアン遺伝子プログラミング(CGP)のためのトランスフォーマーに基づく新しい突然変異演算子を提案する。
本稿では,回路近似プロセスの停滞を防止するため,提案した突然変異演算子を標準突然変異演算子に切り替えるCGPのハイブリッド方式を提案する。
いくつかのターゲット誤差制約に対して、近似乗算器は変圧器に基づく突然変異を利用したCGPによって進化した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A recent trend is to leverage machine learning models to improve the evolutionary design and optimization process. We propose a novel transformer-based mutation operator for Cartesian genetic programming (CGP) for the automated design of approximate arithmetic circuits. We introduce a hybrid scheme for CGP in which the proposed mutation operator is switched with the standard mutation operator to prevent stagnation of the circuit approximation process. We also develop a new training scheme for the underlying transformer that utilizes training vectors composed of thousands of CGP chromosomes representing various approximate multipliers. For several target error constraints, the approximate multipliers evolved with CGP utilizing the transformer-based mutation achieve better trade-offs than the highly optimized designs available in the state-of-the-art EvoApproxLib library of approximate circuits. Although both training and evolutionary processes are computationally demanding, they appear to be necessary steps for improving existing approximate circuits and producing new, potentially patentable circuit designs.
- Abstract（参考訳）: 最近のトレンドは、進化的設計と最適化プロセスを改善するために機械学習モデルを活用することである。
近似演算回路の自動設計のためのカルテシアン遺伝的プログラミング(CGP)のためのトランスフォーマーに基づく新しい突然変異演算子を提案する。
本稿では,回路近似プロセスの停滞を防止するため,提案した突然変異演算子を標準突然変異演算子に切り替えるCGPのハイブリッド方式を提案する。
また、様々な近似乗数を表す数千のCGP染色体からなるトレーニングベクトルを利用するトランスフォーマーの新しいトレーニング手法を開発した。
いくつかの目標誤差制約に対して、CGPによる近似乗算器は、近似回路の最先端のEvoApproxLibライブラリで利用可能な高度に最適化された設計よりも優れたトレードオフを実現する。
トレーニングと進化のプロセスはどちらも計算的に要求されているが、それらは既存の近似回路を改善し、新しい、潜在的に特許可能な回路設計を作成するために必要なステップであるように見える。
関連論文リスト
- Logic Synthesis with Generative Deep Neural Networks [20.8279111910994]
我々は、Circuit Transformerモデルに基づく論理合成書き換え演算子「ctrw」(Circuit Transformer Rewriting)を導入する。
本稿では,論理学に適した回路変換器の2段階学習方式を提案する。
我々はまた、Circuit Transformerと最先端の書き直し技術を統合してスケーラビリティの問題に対処し、DAG対応の書き直しをガイドできるようにする。
論文 参考訳（メタデータ） (2024-06-07T07:16:40Z) - Uncovering mesa-optimization algorithms in Transformers [61.06055590704677]
いくつかの自己回帰モデルは、入力シーケンスが処理されたときに学習でき、パラメータの変更を受けずに、それを行うように明示的に訓練されていない。
我々は,新しい入力が明らかになったときにモデルを調整するための補助学習アルゴリズムが,標準の次トーケン予測誤差最小化によって生まれることを示す。
本研究は、自己回帰損失最小化の産物としてコンテキスト内学習を説明し、新しい最適化ベースのトランスフォーマー層の設計を通知する。
論文 参考訳（メタデータ） (2023-09-11T22:42:50Z) - Transformers as Statisticians: Provable In-Context Learning with
In-Context Algorithm Selection [88.23337313766353]
この研究はまず、変換器がICLを実行するための包括的な統計理論を提供する。
コンテクストにおいて、トランスフォーマーは、幅広い種類の標準機械学習アルゴリズムを実装可能であることを示す。
エンフィングル変換器は、異なるベースICLアルゴリズムを適応的に選択することができる。
論文 参考訳（メタデータ） (2023-06-07T17:59:31Z) - RWKV: Reinventing RNNs for the Transformer Era [54.716108899349614]
本稿では,変換器の効率的な並列化学習とRNNの効率的な推論を組み合わせた新しいモデルアーキテクチャを提案する。
モデルを最大14億のパラメータにスケールし、トレーニングされたRNNの中では最大で、同じサイズのTransformerと同等のRWKVのパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2023-05-22T13:57:41Z) - Full Stack Optimization of Transformer Inference: a Survey [58.55475772110702]
トランスフォーマーモデルは広範囲のアプリケーションにまたがって優れた精度を実現する。
最近のTransformerモデルの推測に必要な計算量と帯域幅は、かなり増加しています。
Transformerモデルをより効率的にすることに注力している。
論文 参考訳（メタデータ） (2023-02-27T18:18:13Z) - Finetuning Pretrained Transformers into RNNs [81.72974646901136]
トランスフォーマーは自然言語生成においてリカレントニューラルネットワーク(RNN)を上回っている。
線形複雑リカレント変種は自己回帰生成に適していることが証明されている。
この研究は、事前訓練された変換器を効率の良い再帰変換器に変換することを目的としている。
論文 参考訳（メタデータ） (2021-03-24T10:50:43Z) - Semantically-Oriented Mutation Operator in Cartesian Genetic Programming
for Evolutionary Circuit Design [0.5414308305392761]
本稿では,組合せ回路の進化設計に適した意味指向突然変異演算子(SOMO)を提案する。
一般的なCGPとその変種と比較して、提案手法は一般的なBooleanベンチマークにかなり早く収束する。
最も複雑な回路は1時間以内で進化し、シングルスレッドの実装は共通のCPU上で実行された。
論文 参考訳（メタデータ） (2020-04-23T08:15:48Z)
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。