Apr, 2024

基于深度强化学习的 FPGA 分而治之布局

PDF
TL;DR本文介绍了学习在可编程门阵列（FPGA）中放置逻辑块的问题和一种基于学习的方法，通过强化学习（RL）来最小化线长，同时提出了一种新颖的分解方法以解决在芯片上放置多个块时的大搜索空间问题。实证实验评估了学习和分解范式在 FPGA 放置任务中的有效性。
发现论文，激发创造
  • 使用深度强化学习进行芯片布局

    本文提出了一种基于学习的芯片布局方法，使用强化学习将芯片画布上芯片网络节点的摆放视作问题，并训练代理人生成以往未见芯片块的优化布局，最终旨在最小化能耗、性能与面积（PPA）。实验结果表明，该方法可在 6 小时内生成可与人工专家相媲美的布局。

    Apr, 2020

  • 芯片设计中联合学习解决放置和路由问题

    通过深度强化学习方法 DeepPlace 和 DeepPR，结合梯度优化和强化学习，编码输入宏单元的全局图层和本地节点层信息的多视图嵌入模型，并通过鼓励探索的随机网络蒸馏方法，有助于解决现代芯片设计过程中的放置和路由问题。

    Oct, 2021

  • 基于深度强化学习的分层任务分解：拾取和放置子任务

    提出一种多子任务增强学习的方法，将复杂的拾取和放置任务分解为低级子任务，并通过 DRL 方法学习，然后高级协调员将训练好的子任务组合来完成拾取和放置任务，此方法在样本效率方面表现优于以 LfD 为基础的基准方法，并在实际机器人系统中展示了鲁棒的抓握能力。

    Feb, 2021

  • DG-RePlAce：数据流驱动的 GPU 加速机器学习加速器分配框架

    本研究提出了一种基于 GPU 加速和 OpenROAD 基础设施的快速全局布局框架 DG-RePlAce，通过利用机器学习加速器的固有数据流和数据路径结构，实现了路由线长度减少 10％（7％）和总负预留时间减少 31％（34％），并且全局布局速度更快，总运行时间与 DREAMPlace 相当。实证研究还表明，对于机器学习加速器，相较于 RePlAce 和 DREAMPlace，在后续路由中的改进效果可能超出原始应用。

    Mar, 2024

  • 使用深度强化学习优化并行前缀电路

    本文提出了一种基于强化学习的方法来设计高性能数字电路中的并行前缀电路，使用深度卷积强化学习代理在环境中进行训练，设计出 Pareto 优化现有基线的前缀加法电路，其面积和时延分别比现有基线低 16.0％和 30.2％。经实验表明，训练对公开源代码进行的综合工具和电池库的代理可以设计出优于商业工具加法器的电路。

    May, 2022

  • 基于增强学习的实用高效量子电路综合与映射

    通过使用强化学习方法，将其整合到量子传递工作流中，实现了量子电路的综合和路由优化，且在速度和优化的效果上明显超越其他方法，在实际的量子传递过程中显示出很高的实用性。

    May, 2024

  • 基于图表示的学习排序芯片排列顺序探索

    提出一种基于学习排序网络的芯片组件布置方法，通过优化放置顺序以降低芯片间互连线长度和系统温度，从而显著改善芯片组件布置过程中的性能。

    Apr, 2024

  • 芯片布局的灵活多目标强化学习

    本文提出一种灵活的多目标强化学习方法 (MORL)，使用单个预先训练的模型来支持具有推理时间变量权重的目标函数，并成功地将其应用于芯片布局中，有效地生成多个目标的 Pareto 前沿。

    Apr, 2022

  • 设备放置优化与强化学习

    本文提出了一种使用序列到序列模型来预测 TensorFlow 计算图中哪些操作应该在哪些可用设备上运行的方法，并以预测的放置方式的执行时间作为奖励信号来优化序列到序列模型参数，结果表明在基于 Inception-V3 的 ImageNet 分类和基于 RNN LSTM 的语言建模和神经机器翻译的任务中，使用该模型能够发现优于手动设置和传统算法方法的设备放置方案。

    Jun, 2017

  • 推进森林防火：深度强化学习用于有效的防火隔离区布置

    应用深度强化学习技术解决森林火线设置等复杂问题，以防止大规模野火的发生，具有重要意义和广阔前景。

    Apr, 2024