تم نشر ورقة تقنية جديدة بعنوان "APOSTLE: التحسين المتوازي غير المتزامن لتغيير حجم الترانزستورات التناظرية باستخدام DNN Learning" بواسطة باحثين في UT Austin والأجهزة التناظرية.
ملخص
"تحجيم الدوائر التناظرية عملية عالية التكلفة من حيث الجهد اليدوي المستثمر والوقت المستغرق في الحساب. مع التطور السريع للتكنولوجيا والطلب العالي في السوق ، اجتذب تقديم الحلول الآلية للتحجيم اهتمامًا كبيرًا. تقدم هذه الورقة APOSTLE ، وهي طريقة تحسين متوازية غير متزامنة لتغيير حجم الترانزستورات التناظرية باستخدام تعلم الشبكة العصبية العميقة (DNN). يقدم هذا العمل عدة طرق لتقليل الوقت الفعلي للتحسين عندما تتكون مهمة التحجيم من عدة عمليات محاكاة مختلفة بتكاليف زمنية متفاوتة. المساهمات الرئيسية في هذه الورقة هي: (1) إطار عمل التحسين الدفعي ، (2) بنية شبكة عصبية عميقة جديدة لاستكشاف نقاط التصميم عندما لا يتم دائمًا تقييم الحلول الموجودة بشكل كامل ، (3) طريقة تقريب الترتيب على أساس التقييمات الرخيصة و (4) نهج نظري لتحقيق التوازن بين المحاكاة الرخيصة والمكلفة لزيادة كفاءة التحسين. تُظهر طريقتنا كفاءة عالية في الوقت الفعلي مقارنة بأساليب تحسين الصندوق الأسود الأخرى على كل من وحدات البناء الصغيرة والدوائر الصناعية الكبيرة مع تحقيق أداء مشابه أو أفضل. "
أعثر على ورقة فنية هنا. تم النشر في يناير 2023.
أحمد ف بوداك ، وديفيد سمارت ، وبريان سوان ، وديفيد ز. 2023. APOSTLE: التحسين المتوازي غير المتزامن لتحجيم الترانزستورات التناظرية
باستخدام DNN Learning. في المؤتمر الثامن والعشرين لأتمتة التصميم في آسيا وجنوب المحيط الهادئ (ASPDAC '28) ، من 23 إلى 16 يناير 19 ، طوكيو ، اليابان. ACM ، نيويورك ، نيويورك ، الولايات المتحدة الأمريكية ، 2023 صفحات. https://doi.org/6/10.1145
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- المصدر https://semiengineering.com/asynchronously-parallel-optimization-method-for-sizing-analog-transistors-using-deep-neural-network-learning/
