論文の概要: Hybrid ML for Lightweight Pre-Route Delay Estimation in Open-Source IC Design

• arxiv url: http://arxiv.org/abs/2608.17914v1
• Date: Tue, 18 Aug 2026 15:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.387579
• Title: Hybrid ML for Lightweight Pre-Route Delay Estimation in Open-Source IC Design
• Title（参考訳）: オープンソースIC設計における軽量プリルート遅延推定のためのハイブリッドML
• Abstract要約: この研究は、決定木と線形回帰を組み合わせたハイブリッドで軽量な機械学習(ML)に基づくアプローチを示し、事前ルーティング遅延推定を改善する。 提案モデルでは,OpenLaneの推定値と比較して80%の誤差削減を実現し,OpenLane固有のパラメータを使わずとも71%の改善を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Static Timing Analysis (STA) is a critical step in the design flow of digital integrated circuits, however, obtaining accurate delay estimations can represent a challenge when limited information regarding physical design is available. In response, this work presents a hybrid and light-weight machine learning (ML) based approach that combines a decision tree with linear regression to improve pre-routing delay estimations generated by the open-source RTL-to-GDSII tool OpenLane. The proposed model achieves an 80\% reduction in error compared to OpenLane's estimates, demonstrates a 71\% improvement even without utilizing OpenLane-specific parameters. Overall, this method offers an alternative to traditional delay propagation techniques and more complex machine learning models that is not only accurate, but is also over 300 times smaller, 2 times faster and offers a higher explainability.
• Abstract（参考訳）: 静的タイミング解析(STA)は,デジタル集積回路の設計フローにおいて重要なステップであるが,物理設計に関する情報が限られている場合,正確な遅延推定が困難である。 本研究は,オープンソースのRTL-to-GDSIIツールOpenLaneが生成する遅延予測を改善するために,決定木と線形回帰を組み合わせたハイブリッドかつ軽量な機械学習(ML)ベースのアプローチを提案する。 提案モデルでは,OpenLane の推定値に対して 80 % の誤差削減を実現し,OpenLane 固有のパラメータを使わずとも 71 % の改善を実証している。 全体として、この方法は従来の遅延伝搬技術に代わるものであり、より複雑な機械学習モデルを提供する。

関連論文リスト

• FlowConsist: Make Your Flow Consistent with Real Trajectory [99.22869983378062]
  現在の高速フロートレーニングパラダイムには,2つの根本的な問題がある,と我々は主張する。 ランダムにペアリングされたノイズデータサンプルから構築された条件付き速度は、系統的な軌跡ドリフトを導入する。 本研究では,高速フローにおける軌道整合性を実現するためのトレーニングフレームワークであるFlowConsistを提案する。
  論文  参考訳（メタデータ） (2026-02-06T03:24:23Z)
• Scaling LLM Speculative Decoding: Non-Autoregressive Forecasting in Large-Batch Scenarios [76.85739138203014]
  本稿では,一方向および注目メカニズムを加速する新しいアーキテクチャであるSpecFormerを紹介する。 また,SpecFormerはトレーニング要求の低減と計算コストの削減を実現している。
  論文  参考訳（メタデータ） (2025-11-25T14:20:08Z)
• Adaptive Rescheduling in Prefill-Decode Disaggregated LLM Inference [29.19884207604898]
  大規模言語モデル(LLM)推論は基本的なパラダイムとして登場した。 本稿では,時間予測を利用した適応型復号化システムであるARESを提案する。
  論文  参考訳（メタデータ） (2025-10-15T15:29:08Z)
• Accelerated Test-Time Scaling with Model-Free Speculative Sampling [58.69141724095398]
  STAND(Stochastic Adaptive N-gram Drafting)は,新しいモデルフリーな投機的デコード手法である。 従来の自己回帰復号法と比較して,STANDは推論遅延を60～65%削減することを示した。 モデルフリーのアプローチとして、STANDは追加のトレーニングなしで既存の言語モデルに適用できる。
  論文  参考訳（メタデータ） (2025-06-05T07:31:18Z)
• Estimating Voltage Drop: Models, Features and Data Representation Towards a Neural Surrogate [1.7010199949406575]
  集積回路(IC)において、機械学習(ML)技術が計算労力を減らし、電圧低下を推定するのに要する時間を暗黙的に削減する方法について検討する。 我々のアプローチはASICの電気的、タイミング的、物理的にMLモデルを訓練し、最小限の調整を施した多種多様な設計への適応性を確保する。 本研究は,IRドロップを正確に推定し,ASICサインオフを最適化するMLアルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2025-02-07T21:31:13Z)
• IR-Aware ECO Timing Optimization Using Reinforcement Learning [2.626217090103581]
  本稿では、強化学習(RL)を用いたIR-drop-aware タイミング解析と ECO タイミング最適化を統合する。 物理設計および電力グリッド合成後に動作し、ゲートサイズによるIR滴によるタイミング劣化を補正する。
  論文  参考訳（メタデータ） (2024-02-12T16:47:08Z)
• A Machine Learning Approach to Improving Timing Consistency between Global Route and Detailed Route [3.202646674984817]
  不正確なタイミング予測は設計の労力を浪費し、回路性能を損なう。 この研究は、時間と「完全」ネットリストを最適化する最も初期の機会であるクロックツリー合成と配置の合法化の後のタイミング予測に焦点を当てている。 GR-based parasiticと時間推定のギャップを埋めるために,ポストGR最適化におけるポストDR結果のギャップを埋めるため,機械学習(ML)ベースのモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-11T16:01:23Z)
• Interpretable AI-based Large-scale 3D Pathloss Prediction Model for enabling Emerging Self-Driving Networks [3.710841042000923]
  本稿では,新しい鍵予測器を応用した機械学習モデルを提案する。 予測,一般化,計算性能の観点から各種MLアルゴリズムの性能を定量的に評価することにより,光グラディエントブースティングマシン(LightGBM)アルゴリズムが全体として他のアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-30T19:50:16Z)
• FastEmit: Low-latency Streaming ASR with Sequence-level Emission Regularization [78.46088089185156]
  ストリーム自動音声認識(ASR)は、仮説化された単語を可能な限り迅速かつ正確に出力することを目的としている。 既存のアプローチでは、シーケンストランスデューサモデルにおいて、トーケン単位またはフレーム単位の確率予測を演算することで、発光遅延をペナルティ化する。 本稿では,訓練用トランスデューサモデルにおいて,シーケンス毎の確率に遅延正規化を直接適用する,FastEmitというシーケンスレベルのエミッション正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-10-21T17:05:01Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。