A graph placement methodology for fast chip design[Nature 2021]

最新推荐文章于 2025-12-02 20:19:19 发布
原创 最新推荐文章于 2025-12-02 20:19:19 发布 · 805 阅读 · 2 ·
CC 4.0 BY-SA版权
@Copyright DanielSmith
文章标签：

#RL #强化学习 #IL #Nature #机器学习

本文介绍了一种用于加速芯片设计过程的图布局方法。该方法主要应用于芯片后端制作中的放置阶段，有助于提高FloorPlan的效率。

A graph placement methodology for fast chip design[Nature 2021]
阅读之前，需要了解芯片制作的背景知识：
后端制作的关键步骤：Placement(Floor Plan)
在这里插入图片描述

转载，引用请注明来源，谢谢！
个人理解，欢迎讨论指正！
respect！

智能体入门——遗传算法与Qlearning
AI天才研究院
08-07 1734
本文旨在为读者提供遗传算法和Q-learning这两种重要智能体学习算法的全面介绍。我们将深入探讨这些算法的工作原理、实现方法、应用场景以及它们在人工智能和机器学习领域的重要性。本文首先介绍智能体的基本概念，然后分别深入讨论遗传算法和Q-learning的原理和实现。接着，我们将比较这两种算法的特点，并探讨它们的实际应用场景。最后，我们将总结当前研究现状并展望未来发展趋势。智能体（Agent）：能够感知环境并做出决策的实体。
RuntimeError: Trying to backward through the graph a second time (or directly access saved tensors a
优快云 精品推荐
07-14 2216
时，默认情况下，PyTorch 会释放中间计算图，以节省内存。如果你需要多次反向传播（例如在循环中多次调用），需要指定。这是由于在执行反向传播时，尝试了第二次通过计算图进行反向传播，而没有指定。训练模型时出现如下问题。
The Policy-gradient Placement and Generative Routing Neural Networks for Chip Design
litternannan的博客
03-02 595
用于芯片设计的策略梯度布局和生成式路由神经网络
Power Methodology Manual For System-on-Chip Design.pdf
01-29
synopsys出品的经典低功耗书籍。synopsys出品的经典低功耗书籍。
三连通算法和自动布局算法
10-31
三连通算法参考论文：DIVIDING A GRAPH INTO TRICONNECTED COMPONENTS, J.E. Hopcroft and R.E. Tarjan TR 74-197 自动布局算法参考论文：Graph Drawing by Force-directed Placement, THOMAS M.J. FRUCHTERMAN AND EDWARD M. REINGOLD
分布式tensorflow中变量和graph如何分配
星辰大海，脚踏实地
12-20 759
Distributed TensorFlow allows us to share parts of a TensorFlow graph between multiple processes, possibly each on a different machine. Why might we want to do this? The classic use case is to harnes...
让AI来设计芯片，指日可待？
m0_58966968的博客
12-24 2539
Synopsys.ai Copilot是新思科技规划中的生成式AI系列的首款产品，其特色在于学习全新的技能并与团队的需求一起成长，让芯片设计与制造厂商可以更轻松地提升生产力，并达成芯片设计从架构的探索、设计到制造的所有阶段的设计目标。AI驱动的芯片自主设计；不管怎样，AI已经证明了其在芯片设计辅助领域的强大能力，作为芯片领域的从业者，也许在不久的将来，我们就能见证AI for EDA，通过商业化AI软件辅助芯片设计，降低设计难度和成本，实现真正的“AI for All Chip Design”。
Jeff Dean：机器学习在硬件设计中的潜力
Datawhale
11-27 337
Datawhale干货来源：OneFlow翻译：沈佳丽、胡燕君、贾川前 言为什么芯片设计需要很长时间？能不能加速芯片设计周期？能否在几天或几周之内完成芯片的设计？这是一个非常有野心的目标。过去十年，机器学习的发展离不开系统和硬件的进步，现在机器学习正在促使系统和硬件发生变革。Google在这个领域已率先出发。在第58届DAC大会上，Google AI负责人Jeff Dean分享了《机器学习在硬...
深度强化学习在芯片设计和大语言模型中的应用
jiayoushijie的博客
05-26 1604
随着机器学习模型规模的不断增长,当前最先进的模型已经拥有数十亿甚至上万亿的参数。然而,硬件内存的增长速度远低于模型的增长速度。为了训练这些大型模型,我们需要将模型切分到多个设备上。而模型切分的方式对训练性能有很大的影响。输入:芯片组件网表,包括宏块、标准单元、它们之间的连线关系等。输出:将每个组件放置到一个二维网格上的位置。优化目标:最小化计算延迟、功耗、面积等,同时满足布线拥塞度等约束条件。芯片布局问题的解空间非常巨大,即使是简化版的问题,其状态空间也可达到10^9000。
英伟达用AI设计GPU：最新H100已经用上，比传统EDA减少25%芯片面积
量子位
07-16 771
白交 发自 凹非寺量子位 | 公众号 QbitAI英伟达终于揭晓：H100竟有近13000条电路，是AI设计的？！在最新论文中，他们介绍了如何用深度强化学习agent设计电路的方法。据研究人员称，这种方法还属业内首次。值得一提的是，这篇文章包含参考文献在内，仅有短短6页。不少网友表示，太酷了！靠玩游戏来学习构建电路架随着摩尔定律变慢，开发其他技术来提高芯片性能变得愈发重要...
Mapping Spiking Neural Networks的论文汇总以及思考
AS7062031的博客
07-25 1025
首先感谢优快云平台，发现不是我一个人在SNN Mapping方面纠结着。去年看了Mapping方面的内容后感觉想创新还是有点难度的，毕竟优化就是生物进化算法类似的套路，可是你会发现自己实现的结果就是没人家论文的结果优秀。所以去年看了几篇后就不想整这个方向，但是你懂的，这样那样的原因一大堆，还是要我整Mapping。我想哭了，原因是这是一个苦力活，实验设置多，仿真数据多，算法优化变化多，和别人比较很难秀起来。关键是论文发的一般不行。 不过苦活累活总得有人做啊，作为一个经常表现十分老实的我自然是很好的苦工。
CVPR2017论文摘要汇总
热门推荐
super_chicken的博客
04-09 1万+
1. Exclusivity-Consistency Regularized Multi-view Subspace Clustering Abstract: Multi-view subspace clustering aims to partition a set of multi-source data into their underlying groups. To boost the ...
Dual Graph: a graph-based method for reasoning about label noise 解读
weixin_61445075的博客
03-25 2342
现有的limitation： 被选择的样本不能利用所有的数据的信息，尤其是标签 被破坏的情况。 作者的novelties：DualGraph 捕获了标签之间的structural relations，包括两个level：instance-level，distribution-level。实例层面利用实例的相似性表征样本的类别，分布层面描述每个sample和其他sample的实例相似度分布。 通过instance similarity的分布来优化instance-level的关系。 训练了两个网络，在r
文献阅读（51）SIGIR2021-Self-supervised Graph Learning for Recommendation
优快云TianJi的博客
09-05 3531
本文是对《Self-supervised Graph Learning for Recommendation》一文的浅显翻译与理解，如有侵权即刻删除。
【论文解读|AAAI2021】HGSL - Heterogeneous Graph Structure Learning for Graph Neural Networks 图神经网络的异构图结构学习
qq_36291847的博客
04-22 9673
文章目录摘要二级目录三级目录 论文链接： 代码链接： 作者：北京邮电大学等人 摘要 异构图神经网络近年来受到越来越多的关注，并在许多任务中取得了优异的性能。现有人类神经网络的成功依赖于一个基本假设，即原始的异构图结构是可靠的。然而，这种假设通常是不现实的，因为现实中的异构图不可避免地会有噪声或不完整。因此，学习异构图结构对于人类神经网络而言至关重要，而不是仅仅依赖原始图结构。鉴于此，我们首次尝试为神经网络学习一个最优的异构图结构，并提出了一个新的框架HGSL，它联合执行异构图结构学习和GNN参数学习进行分类
论文阅读总结（Graph Convolutional Networks for Text Classification）
shandler的博客
11-23 1892
Graph Convolutional Networks for Text Classification（用于文本分类的图卷积网络） 论文：https://arxiv.org/abs/1809.05679v1 推荐继续阅读：Every Document Owns Its Structure: Inductive Text Classification via Graph Neural Networks 摘要：作者介绍了其TextGCN的方法，作者在语料库中构建图，其构图方式是：词节点与词节点之间连边，同时词
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习与集成方法：组合多个学习器来提高整体性能
hiliang521的博客
12-02 866
【模式识别与机器学习（8）】主要算法与技术（下篇：高级模型与集成方法）之 元学习
【机器学习】23-25 决策树 & 树集成
weixin_54010404的博客
12-02 1027
本文系统性地介绍了决策树模型及其相关算法。首先阐述了决策树的基本结构与学习过程，重点讨论了如何通过最大化信息增益选择最优划分特征，并详细解释了熵作为纯度衡量指标的计算方法。文章涵盖了分类树与回归树的构建逻辑，包括离散特征处理（独热编码）和连续特征阈值选择。 进一步，文章深入探讨了决策树集成方法，重点分析了随机森林算法通过放回抽样和特征随机选择来增强模型鲁棒性的机制。特别介绍了XGBoost算法的核心优势：自适应样本权重调整、内置正则化和高效实现。最后，文章对比了决策树集成与神经网络的应用场景。
【模式识别与机器学习（15）】机器学习算法-主成分分析
最新发布
hiliang521的博客
12-02 865
【模式识别与机器学习（15）】主成分分析
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Daniel_Smith

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值