Enquête d’un level de vue algorithmique

Article publié dans los angeles revue Science Chine Science de l’knowledge Une étude complète des travaux actuels sur los angeles conception de puces utilisant des algorithmes d’apprentissage automatique d’un level de vue algorithmique. Pour atteindre cet objectif, les auteurs proposent une nouvelle classification systématique des problèmes cibles à différentes étapes de los angeles conception des puces. L. a. classification vise à guider los angeles sélection et los angeles conception d’algorithmes d’apprentissage automatique pour des problèmes ciblés, en tenant compte des défis actuels, en plus de fournir aux chercheurs un résumé complet de los angeles conception de puces utilisant des algorithmes d’apprentissage automatique.

Les auteurs classent les problèmes cibles dans los angeles conception de puces en trois catégories : l’estimation des résultats de los angeles conception, l’optimisation et le débogage de los angeles conception, et los angeles building de los angeles conception, qui sont couramment rencontrés à différentes étapes de los angeles conception logique, de los angeles conception des circuits et de los angeles conception body, ainsi que dans los angeles vérification et los angeles conception. vérification. Testez chaque étape.

Plus précisément, l’estimation des résultats de los angeles conception inclut des problèmes qui prédisent ou estiment los angeles qualité de los angeles conception, tels que l’estimation des performances dans los angeles conception logique, l’estimation des chutes IR dans los angeles conception body et l’analyse temporelle statique (STA) dans los angeles conception logique et los angeles conception body. L’optimisation de los angeles conception et le débogage font respectivement référence à des problèmes qui améliorent los angeles qualité de los angeles conception et corrigent les erreurs de conception, tels que l’exploration de l’espace de conception HLS (DSE) dans los angeles conception logique, l’optimisation logique dans los angeles conception de circuits et le routage des détails dans los angeles conception body.

L. a. building de conception comprend des problèmes qui génèrent des représentations de conception ou ajoutent des objets de conception (c’est-à-dire des composants et des chemins), tels que le mappage body dans los angeles conception de circuits et le mode world dans los angeles conception body.

Pour résoudre ces problèmes cibles à l’aide d’algorithmes d’apprentissage automatique, les auteurs formulent les trois categories de problèmes cibles comme trois problèmes d’apprentissage automatique correspondants : régression, recherche et génération.

Chacun de ces problèmes de ML peut être résolu par différents algorithmes de ML. Plus précisément, le problème d’estimation des résultats de los angeles conception est formulé comme un problème de régression et peut être résolu à l’aide de plusieurs algorithmes d’apprentissage automatique, notamment le processus gaussien (GP), les splines de régression adaptative multivariée (MARS), l’arbre de décision (DT) et los angeles forêt aléatoire (RF). … Et de los angeles nervosité. réseaux (NN) et apprentissage d’ensemble (EL).

Le problème d’optimisation de los angeles conception et de débogage est formulé comme un problème de recherche et peut être résolu à l’aide de divers algorithmes de ML, notamment DT & RF, NN et RL. Enfin, le problème de building de conception est formulé comme un problème de génération et peut être résolu à l’aide de différents algorithmes d’apprentissage automatique, notamment l’optimisation bayésienne (BO), les NN et le RL.

Sur los angeles base de los angeles classification, les auteurs examinent de manière exhaustive les travaux existants en termes de questions ciblées à travers les étapes suivantes. Leur approche est organisée comme go well with : premièrement, ils fournissent une définition de chaque problème cible et analysent les raisons qui motivent l’software d’algorithmes d’apprentissage automatique pour résoudre ces problèmes cibles.

Deuxièmement, ils mènent une enquête complète en termes de problèmes ciblés selon des algorithmes d’apprentissage automatique. Ils présentent des travaux spécifiques basés sur l’apprentissage automatique pour chaque problème cible et expliquent remark améliorer les outils de conception de puces originaux basés sur des algorithmes traditionnels.

Enfin, ils concluent en mettant en évidence trois défis majeurs qui restent non résolus dans les travaux actuels et fournissent plusieurs idées pour de futures recherches sur los angeles conception de puces utilisant des algorithmes d’apprentissage automatique, notamment los angeles génération de bout en bout en une seule étape et los angeles génération de bout en bout en plusieurs étapes. , et los angeles génération de l’ensemble du processus du début à los angeles fin. En fin de compte, l’amélioration de l’applicabilité pratique, and many others., ce qui, espèrent les auteurs, fera progresser los angeles recherche sur los angeles conception de puces à l’aide de l’apprentissage automatique.

En établissant un lien clair entre les problèmes de conception de puces et les answers d’apprentissage automatique correspondantes, l’enquête vise à mettre en évidence le chemin vers l’intelligence de conception de puces à partir de l’automatisation précédente de los angeles conception de puces.

À los angeles connaissance des auteurs, cet article est le premier ouvrage à étudier de manière exhaustive los angeles conception de puces utilisant l’apprentissage automatique d’un level de vue algorithmique. Les auteurs résument les principales contributions de cette enquête comme go well with :

1. Analyse approfondie de los angeles conception des puces. Les auteurs décortiquent le processus communément adopté de conception de puces et analysent les principales étapes des différentes étapes de conception (c’est-à-dire los angeles conception logique, los angeles conception des circuits et los angeles conception body) ainsi que los angeles vérification et les assessments pour chaque étape, où los angeles conception principale, les avantages, et les inconvénients des étapes sont analysés.
2. Classement innovant. Les auteurs classent les problèmes cibles en trois catégories (c’est-à-dire l’estimation des résultats de los angeles conception, l’optimisation et los angeles correction de los angeles conception et los angeles correction de los angeles conception) et les formulent ensuite en trois problèmes d’apprentissage automatique, respectivement : régression, recherche et génération.
3. Enquête complète. Sur los angeles base de los angeles taxonomie, les auteurs fournissent une définition de chaque problème cible et analysent les raisons qui motivent l’utilisation d’algorithmes d’apprentissage automatique pour résoudre les problèmes cibles. Les auteurs mènent également une enquête complète sur les problèmes ciblés sur los angeles base de différents algorithmes d’apprentissage automatique.
4. Affaires futures. Enfin, les auteurs concluent en soulignant trois défis clés qui restent non résolus dans les travaux actuels et fournissent un aperçu du développement futur de los angeles conception de puces utilisant des algorithmes d’apprentissage automatique, qui, espèrent les auteurs, feront progresser los angeles recherche sur los angeles conception de puces utilisant l’apprentissage automatique.