論文の概要: Reinforcement Learning-Based Optimization of Workload-Aware Power Delivery Networks

• arxiv url: http://arxiv.org/abs/2610.06148v1
• Date: Mon, 05 Oct 2026 11:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:22:56.942501
• Title: Reinforcement Learning-Based Optimization of Workload-Aware Power Delivery Networks
• Title（参考訳）: 労働負荷を考慮した配電ネットワークの強化学習に基づく最適化
• Abstract要約: Power Delivery Networks (PDN) は、現代のVLSIチップの重要なコンポーネントである。 PDNは、エレクトロマイグレーション(EM)とIR-drop制約を満たすとともに、安定した電圧レベルを提供する。 本稿では,作業負荷を考慮したPDNの最適化のための強化学習に基づく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）: 2.335292680430068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power Delivery Networks (PDNs) are critical components of modern VLSI chips, providing stable voltage levels while satisfying electromigration (EM) and IR-drop constraints. Conventional PDN design methodologies typically rely on worst-case assumptions, often resulting in over-provisioned networks and inefficient use of resources. This paper presents a reinforcement learning-based framework for the optimization of workload-aware PDNs. The proposed methodology first generates workload-aware PDNs using architectural power traces obtained from system-level simulations. These power traces are mapped to spatial power density distributions, enabling adaptive allocation of PDN resources according to local current demand. A reinforcement learning agent then performs wire-width optimization to minimize PDN area while maintaining EM and voltage integrity constraints. Electrical and reliability metrics are obtained using SPICE-based circuit analysis and EM lifetime estimation. Experimental evaluation is performed on a dataset of workload-aware PDNs generated from 4-, 8-, and 16-core multiprocessor floorplans using PARSEC and SPLASH-2 benchmark workloads. Furthermore, the proposed Deep Q-Network (DQN)-based optimizer reduces the average normalized PDN area by 47\% while satisfying all EM and IR-drop constraints. Compared to simulated annealing, the proposed approach achieves comparable optimization quality while providing approximately 26$\times$ faster optimization.
• Abstract（参考訳）: 電力供給ネットワーク(PDN)は、現在のVLSIチップの重要なコンポーネントであり、エレクトロマイグレーション(EM)とIRドロップの制約を満たすとともに、安定した電圧レベルを提供する。 従来のPDN設計手法は、しばしば最悪の場合の仮定に依存し、しばしば過剰に計画されたネットワークとリソースの非効率な利用をもたらす。 本稿では,作業負荷を考慮したPDNの最適化のための強化学習に基づくフレームワークを提案する。 提案手法はまず,システムレベルのシミュレーションから得られたアーキテクチャパワートレースを用いて,負荷を考慮したPDNを生成する。 これらのパワートレースは空間的電力密度分布にマッピングされ、局所的な電流需要に応じてPDNリソースの適応的な割り当てを可能にする。 強化学習エージェントは、EMおよび電圧整合性制約を維持しつつ、PDN領域を最小化するためにワイヤ幅最適化を行う。 SPICEに基づく回路解析とEM寿命推定を用いて電気的・信頼性の指標を得る。 PARSECおよびSPLASH-2ベンチマークワークロードを用いて,4コア,8コア,16コアのマルチプロセッサフロアプランから生成されたワークロード対応PDNのデータセット上で実験評価を行った。 さらに、提案したDeep Q-Network(DQN)ベースのオプティマイザは、EMおよびIR-dropの制約をすべて満たしながら、平均正規化PDN面積を47\%削減する。 シミュレーションアニーリングと比較して、提案手法は、約26$\times$高速な最適化を提供しながら、同等の最適化品質を実現する。

関連論文リスト

• Deep Unfolded Fractional Optimization for Maximizing Robust Throughput in 6G Networks [5.855866479962828]
  6G無線通信ネットワークは、効率的で堅牢なネットワーク最適化のために人工知能ツールを活用することを目的としている。 本稿では,送信ビームフォーミングをダウンリンクモードで同時に行うマルチアンテナ基地局について考察する。 本研究は, 重み付き和率(WSR)に対する不確実性注入型深部展開型分数計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-27T09:56:38Z)
• Efficient Extreme Operating Condition Search for Online Relay Setting Calculation in Renewable Power Systems Based on Parallel Graph Neural Network [18.760156162138923]
  本稿では,オンラインリレー設定計算に適した効率的な深層学習に基づくEOCS手法を提案する。 実験結果から,提案手法は既存手法よりも高い精度でEOCS問題を解くことができることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T03:50:58Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Reconfigurable Distributed FPGA Cluster Design for Deep Learning Accelerators [59.11160990637615]
  エッジコンピューティングアプリケーション用に設計された低消費電力組み込みFPGAに基づく分散システムを提案する。 提案システムは,様々なニューラルネットワーク(NN)モデルを同時に実行し,パイプライン構造にグラフを配置し,NNグラフの最も計算集約的な層により大きなリソースを手動で割り当てる。
  論文  参考訳（メタデータ） (2023-05-24T16:08:55Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• OpeNPDN: A Neural-network-based Framework for Power Delivery Network Synthesis [3.7338875223247436]
  電力配信ネットワーク(PDN)の設計は、非自明で、時間集約的で反復的なタスクである。 この研究は、事前定義されたPDNテンプレートのセットを利用する機械学習ベースの方法論を提案する。
  論文  参考訳（メタデータ） (2021-10-27T05:33:33Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• FSpiNN: An Optimization Framework for Memory- and Energy-Efficient Spiking Neural Networks [14.916996986290902]
  スパイキングニューラルネットワーク(SNN)は、スパイクタイピング依存の可塑性(STDP)ルールのために教師なし学習機能を提供する。 しかし、最先端のSNNは高い精度を達成するために大きなメモリフットプリントを必要とする。 トレーニングおよび推論処理のためのメモリ効率とエネルギー効率のよいSNNを得るための最適化フレームワークFSpiNNを提案する。
  論文  参考訳（メタデータ） (2020-07-17T09:40:26Z)
• DRACO: Co-Optimizing Hardware Utilization, and Performance of DNNs on Systolic Accelerator [5.65116500037191]
  協調最適化(DRACO)を考慮したデータ再利用計算を提案する。 DRACOは、データフロー/マイクロアーキテクチャの変更を必要とせずに、メモリバウンドDNNのPE利用を改善する。 従来の最適化手法とは異なり、DRACOは性能とエネルギー効率を最大化するだけでなく、DNNの予測性能も向上する。
  論文  参考訳（メタデータ） (2020-06-26T17:06:41Z)

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。