論文の概要: AI-Driven, Timing-Aware Power Optimization
- arxiv url: http://arxiv.org/abs/2610.18890v1
- Date: Thu, 08 Oct 2026 20:34:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.724439
- Title: AI-Driven, Timing-Aware Power Optimization
- Title（参考訳）: AI駆動でタイミング対応の電力最適化
- Abstract要約: 停電後の電力回収は、副作用の修復に要する費用に応じてセルの選択を変える。
本稿では,学習モデルが最適化の両フェーズを駆動するAI駆動型フレームワークを提案する。
オープンデザイン上で,契約,学習方針,取引フロー,事前登録された公開評価プロトコルを規定する。
- 参考スコア（独自算出の注目度）: 9.576682877620462
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Post-route power recovery changes cell choices under tightly coupled timing, electrical and physical constraints, and the value of each change depends on what it costs to repair its side effects. We propose an AI-driven framework in which a learned model drives both phases of the optimization: it ranks the powerrecovery edits to try and the repair actions that follow, while deterministic electronic design automation (EDA) analyses govern every acceptance. The framework records baseline constraint margins, identifies the damage a recovery transaction introduces in each analysis view, holds pre-existing violations at their baseline rather than working them inside the power step, and caps repair spending at a fraction of the measured saving. An ensemble of gradient-boosted models predicts power change, normalized damage reduction and constraint-regression risk from action and timing-context features available before each trial; calibrated, conservative estimates feed separate acquisition scores for recovery and repair, with a deterministic fallback when the model is uncertain. Recovery and repair remain speculative until physical implementation and fresh analysis establish baseline preservation and positive net saving. We specify the contract, the learned policy, the transactional flow and a pre-registered public evaluation protocol on open designs. Evidence from a companion study on public designs supports the contract; the learned policy is proposed, and no trained-model results or proprietary design measurements are reported.
- Abstract（参考訳）: ルート後電力回収は、タイトに結合したタイミング、電気的および物理的制約の下でセルの選択を変更し、各変更の値は、副作用の修復に要するコストに依存する。
本稿では,学習モデルが最適化の両フェーズを駆動するAI駆動のフレームワークを提案する。
フレームワークは、ベースライン制約マージンを記録し、各分析ビューでリカバリトランザクションが導入するダメージを特定し、パワーステップ内で作業するのではなく、ベースラインで既存の違反を発生させ、測定された貯蓄のごく一部で修理費を上限とする。
グラデーションブーストされたモデルのアンサンブルは、各試行前に利用可能な動作およびタイミングコンテキストの特徴から電力変化、正規化された損傷低減、制約-回帰リスクを予測する。
回復と修復は、物理的実装と新たな分析がベースライン保存と正のネットセーブを確立するまで、投機的のままである。
オープンデザイン上で,契約,学習方針,取引フロー,事前登録された公開評価プロトコルを規定する。
パブリックデザインに関するコンパニオン研究からの証拠は契約を支持しており、学習方針が提案され、訓練されたモデル結果や独自設計測定は報告されていない。
関連論文リスト
- Triggering Generalist Reasoning via Predictive Uncertainty for Dual-System VLA [46.61827364066432]
Vision-Language-Action(VLA)モデルは、遅い推論可能なジェネラリストと高速な専門家のアクションエキスパートをペアにすることで、リアルタイムのロボット制御を改善する。
既存の方法では、決定がロールアウト毎に異なるという事実を無視して、一定の頻度でジェネラリストを呼び出す。
本稿では,不必要な一般呼び出しを選択的にスキップする適応型推論フレームワークであるTUD(Triggering generalist reasoning via predictive Uncertainty for Dual-system VLA)を提案する。
論文 参考訳（メタデータ） (2026-10-04T07:39:20Z) - Protected Cores Are Not Enough: Certifying AI-Proposed Revisions of Temporal Specifications [0.0]
我々は、信頼できないAI提案者が時間的仕様修正を提案し、象徴的な知事がそのアクティベーションを制御するシンボリックアーキテクチャを導入する。
制御された合成実験では、凍結された教師付きAIプロジェクタを使用して、マスクされたコアの障害を1つの決定で説明し、繰り返し支配された修正を繰り返します。
論文 参考訳（メタデータ） (2026-09-27T11:13:45Z) - Recommendation World Models for Future-State Control [53.191633845200876]
我々は、訓練されたランク付け者が将来の結果についての意思決定を支援する方法について研究する。
UA-TWM(UA-TWM)は,近傍のスレート動作を構成するユーティリティアンコールなワールドモデルインタフェースである。
本研究は,MovieLens-25MとKuaiRand-Pureにおける12の逐次バックボーン間の移動と,KuaiSimにおけるターゲット指向インタラクションの繰り返しを評価する。
論文 参考訳（メタデータ） (2026-09-25T02:37:48Z) - Revelation Control [0.0]
啓示制御(Revelation Control)は、意図された区別が連続的な決定を変更できるため、内部でのみ隠された状態を明らかにする価格設定された介入を選択する問題である。
我々はこの理論を学習システムに展開し、現在宣言されている情報に準ずる状態が将来の訓練に異なる反応をし、異なる行動を好むことができるようにした。
論文 参考訳（メタデータ） (2026-08-24T22:07:57Z) - Conditional Co-Ablation: Recovering Self-Repair Backups in Transformer Circuits [47.668752416295185]
条件付き共アブレーションは、各単位のアブレーション効果が一次集合が取り除かれたときにどれだけ増大するかを問う。
GPT-2の小型IOI回路では、CoAxはバックアップヘッドのリカバリを0.33から0.91 ROC-AUCに引き上げる。
論文 参考訳（メタデータ） (2026-07-02T09:32:57Z) - Concept Drift Adaptation Using Self-Supervised and Reinforcement Learning In Android Malware Detection [9.493071661387596]
逐次的決定問題として,デプロイメント時間メンテナンスをモデル化する時系列適応型メンテナンスフレームワークを提案する。
ポリシー最適化コントローラは、検出器状態に基づいて低コストの保守動作を選択する。
その結果、RLコントローラは強力なコスト認識適応戦略を提供することがわかった。
論文 参考訳（メタデータ） (2026-05-22T23:49:30Z) - Online Conformal Prediction with Corrupted Feedback [42.94410959330529]
オンライン共形予測(OCP)は適応的に更新された予測セットを通じてこの問題に対処する。
これらは、過去の予測セットのカバレッジに関する完全なフィードバックの仮定にヒンジを保証します。
実際には、観測された誤検出指標は、ノイズ、通信障害、あるいは敵の操作によって破損する可能性がある。
論文 参考訳（メタデータ） (2026-05-19T21:34:37Z) - A Mathematical Framework for AI Singularity: Conditions, Bounds, and Control of Recursive Improvement [1.932555230783329]
我々は、自己改善のための分析フレームワークを開発し、能力向上とリソースのビルトアウトとデプロイメントポリシを結びつける。
我々は、可観測級数から脱走と非特異な振る舞いの証明をYes/Noにマッピングする決定ルールを導出する。
このフレームワークは、現在のレベルに対して、高速な改善がいかに加速するかに基づいて、偽造可能なテストを生成する。
論文 参考訳（メタデータ） (2025-11-08T21:25:38Z) - Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。
実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。
合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-30T17:52:12Z) - Toward Decision-Oriented Prognostics: An Integrated Estimate-Optimize Framework for Predictive Maintenance [1.904851064759821]
本稿では,センサ駆動型診断が経済的なトレードオフの下で意思決定を通知するPdMフレームワークを提案する。
まず,従来の推定値最適化(ETO)フレームワークでは,確率的予測の誤差が不整合および準最適保守決定をもたらすことを実証した。
本稿では,予測モデルを協調的に調整し,メンテナンス結果を直接最適化する統合的推定最適化(IEO)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-24T15:10:15Z)
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。