Analog IC Placement Generation via Neural Networks from Unlabeled Data / Gusmão, António  

Público ISBD Ningún comentario para este registro. Título : Analog IC Placement Generation via Neural Networks from Unlabeled Data Tipo de documento: documento electrónico Autores: Gusmão, António, Autor ; Horta, Nuno, Autor ; Lourenço, Nuno, Autor ; Martins, Ricardo, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XIII, 87 p. 68 ilustraciones, 39 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-50061-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático Índice Dewey: 006.31 Máquina de aprendizaje Resumen: En este libro, se lleva a cabo una investigación innovadora que utiliza redes neuronales artificiales (RNA) para automatizar la tarea de ubicación en el diseño de circuitos integrados analógicos, mediante la creación de un modelo generalizado que puede generar diseños válidos con la velocidad de presionar un botón. Además, explota las capacidades de generalización y predicción de velocidad de las RNA (una vez completamente entrenadas), y detalla la descripción óptima de la relación de datos de entrada/salida. La descripción desarrollada aquí se refleja principalmente en dos de las características del sistema: la forma de los datos de entrada y la función de pérdida minimizada. Para abordar esto último, se desarrollan descripciones abstractas y segmentadas tanto de los datos de entrada como del comportamiento objetivo, que permiten al modelo identificar, en escenarios más nuevos, subbloques que se pueden encontrar en los datos de entrada. Este enfoque produce descripciones a nivel de dispositivo de la topología de entrada que, para cada dispositivo, se centran en describir su relación con todos los demás dispositivos de la topología. Por medio de estas descripciones, una topología general desconocida se puede dividir en dispositivos que están sujetos a las mismas restricciones que un dispositivo en una de las topologías de entrenamiento. En el capítulo de resultados experimentales, las ANN entrenadas se utilizan para producir una variedad de soluciones de ubicación válidas incluso más allá del alcance de los conjuntos de capacitación/validación, lo que demuestra la efectividad del modelo en términos de identificar componentes comunes entre topologías más nuevas y reutilizar el conocimiento adquirido. Por último, la metodología utilizada puede adaptarse fácilmente al contexto del problema dado (alto costo de producción de etiquetas), resultando en un modelo eficiente, económico y rápido. . Nota de contenido: Introduction -- Related Work: Machine Learning and Electronic Design Automation -- Unlabeled Data and Artificial Neural Networks -- Placement Loss: Placement Constraints Description and Satisfiability Evaluation -- Experimental Results in Industrial Case Studies -- Conclusions. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Analog IC Placement Generation via Neural Networks from Unlabeled Data [documento electrónico] / Gusmão, António, Autor ; Horta, Nuno, Autor ; Lourenço, Nuno, Autor ; Martins, Ricardo, Autor  . -  1 ed.  . - [s.l.] : Springer, 2020 . - XIII, 87 p. 68 ilustraciones, 39 ilustraciones en color. ISBN : 978-3-030-50061-0 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Aprendizaje automático Índice Dewey: 006.31 Máquina de aprendizaje Resumen: En este libro, se lleva a cabo una investigación innovadora que utiliza redes neuronales artificiales (RNA) para automatizar la tarea de ubicación en el diseño de circuitos integrados analógicos, mediante la creación de un modelo generalizado que puede generar diseños válidos con la velocidad de presionar un botón. Además, explota las capacidades de generalización y predicción de velocidad de las RNA (una vez completamente entrenadas), y detalla la descripción óptima de la relación de datos de entrada/salida. La descripción desarrollada aquí se refleja principalmente en dos de las características del sistema: la forma de los datos de entrada y la función de pérdida minimizada. Para abordar esto último, se desarrollan descripciones abstractas y segmentadas tanto de los datos de entrada como del comportamiento objetivo, que permiten al modelo identificar, en escenarios más nuevos, subbloques que se pueden encontrar en los datos de entrada. Este enfoque produce descripciones a nivel de dispositivo de la topología de entrada que, para cada dispositivo, se centran en describir su relación con todos los demás dispositivos de la topología. Por medio de estas descripciones, una topología general desconocida se puede dividir en dispositivos que están sujetos a las mismas restricciones que un dispositivo en una de las topologías de entrenamiento. En el capítulo de resultados experimentales, las ANN entrenadas se utilizan para producir una variedad de soluciones de ubicación válidas incluso más allá del alcance de los conjuntos de capacitación/validación, lo que demuestra la efectividad del modelo en términos de identificar componentes comunes entre topologías más nuevas y reutilizar el conocimiento adquirido. Por último, la metodología utilizada puede adaptarse fácilmente al contexto del problema dado (alto costo de producción de etiquetas), resultando en un modelo eficiente, económico y rápido. . Nota de contenido: Introduction -- Related Work: Machine Learning and Electronic Design Automation -- Unlabeled Data and Artificial Neural Networks -- Placement Loss: Placement Constraints Description and Satisfiability Evaluation -- Experimental Results in Industrial Case Studies -- Conclusions. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Par page : 25 50 100 200