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, ; Horta, Nuno, ; Lourenço, Nuno, ; Martins, Ricardo, 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. Idioma : Inglés (eng) Palabras clave: Aprendizaje automático Clasificación: 006.31 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. . Tipo de medio : Computadora Summary : In this book, innovative research using artificial neural networks (ANNs) is conducted to automate the placement task in analog integrated circuit layout design, by creating a generalized model that can generate valid layouts at push-button speed. Further, it exploits ANNs' generalization and push-button speed prediction (once fully trained) capabilities, and details the optimal description of the input/output data relation. The description developed here is chiefly reflected in two of the system's characteristics: the shape of the input data and the minimized loss function. In order to address the latter, abstract and segmented descriptions of both the input data and the objective behavior are developed, which allow the model to identify, in newer scenarios, sub-blocks which can be found in the input data. This approach yields device-level descriptions of the input topology that, for each device, focus on describing its relation to every other device in the topology. By means of thesedescriptions, an unfamiliar overall topology can be broken down into devices that are subject to the same constraints as a device in one of the training topologies. In the experimental results chapter, the trained ANNs are used to produce a variety of valid placement solutions even beyond the scope of the training/validation sets, demonstrating the model's effectiveness in terms of identifying common components between newer topologies and reutilizing the acquired knowledge. Lastly, the methodology used can readily adapt to the given problem's context (high label production cost), resulting in an efficient, inexpensive and fast model. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Analog IC Placement Generation via Neural Networks from Unlabeled Data [documento electrónico] / Gusmão, António, ; Horta, Nuno, ; Lourenço, Nuno, ; Martins, Ricardo,  . -  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. Idioma : Inglés (eng) Palabras clave: Aprendizaje automático Clasificación: 006.31 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. . Tipo de medio : Computadora Summary : In this book, innovative research using artificial neural networks (ANNs) is conducted to automate the placement task in analog integrated circuit layout design, by creating a generalized model that can generate valid layouts at push-button speed. Further, it exploits ANNs' generalization and push-button speed prediction (once fully trained) capabilities, and details the optimal description of the input/output data relation. The description developed here is chiefly reflected in two of the system's characteristics: the shape of the input data and the minimized loss function. In order to address the latter, abstract and segmented descriptions of both the input data and the objective behavior are developed, which allow the model to identify, in newer scenarios, sub-blocks which can be found in the input data. This approach yields device-level descriptions of the input topology that, for each device, focus on describing its relation to every other device in the topology. By means of thesedescriptions, an unfamiliar overall topology can be broken down into devices that are subject to the same constraints as a device in one of the training topologies. In the experimental results chapter, the trained ANNs are used to produce a variety of valid placement solutions even beyond the scope of the training/validation sets, demonstrating the model's effectiveness in terms of identifying common components between newer topologies and reutilizing the acquired knowledge. Lastly, the methodology used can readily adapt to the given problem's context (high label production cost), resulting in an efficient, inexpensive and fast model. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200