Jul, 2024

NeuroSteiner：一种用于线路长度估计的图变换器

PDF
TL;DR物理设计的核心目标是在芯片画布上放置芯片组件时最小化线长（WL）。我们提出了 NeuroSteiner，这是一个神经模型，通过导航成本 - 准确度前沿的线长估计，将 GeoSteiner（一个最优 RSMT 求解器）简化。NeuroSteiner 使用由 GeoSteiner 标记的合成网络进行训练，减轻了对真实芯片设计进行训练的需求。此外，NeuroSteiner 的可区分性允许通过梯度下降进行最小化 WL 放置。在 ISPD 2005 和 2019 年，NeuroSteiner 可以获得 0.3% 的 WL 误差，同时比 GeoSteiner 快 60%，或者为 0.2% 和 30%。
发现论文，激发创造
  • GAT-Steiner: 使用 GNN 进行直角斯坦纳最小树预测

    研究论文提出了 GAT-Steiner，一种基于图注意力网络模型，能够高准确率地预测 ISPD19 基准测试中 99.846% 的网段，并在次优网长中仅产生 0.480% 的平均增加。在随机生成的基准测试中，GAT-Steiner 在 99.942% 的网段中高准确率地预测，并且在次优网长中仅产生 0.420% 的平均增加。

    Jul, 2024

  • NN-Steiner: 直线 Steiner 最小树问题的混合神经算法方法

    近年来，神经网络在解决组合优化问题方面取得了快速发展。在本文中，我们提出了 NN-Steiner，这是一种新颖的混合神经 - 算法框架，用于计算矩形斯坦纳最小生成树（RSMT），并展示了其在处理复杂示例方面的泛化性和与现有方法的比较效果。

    Dec, 2023

  • 利用图神经网络协助蒙特卡罗树搜索实现近乎最优斯坦纳树

    本研究介绍了一种通过结合图神经网络和蒙特卡罗树搜索来计算 Steiner 树的方法，该方法在许多不同类型的图上反复优于标准的 2 逼近算法，通常找到最优解。

    Apr, 2023

  • 神经系统中长距离投射导致非最佳组件放置但有短处理路径

    通过优化算法，我们发现在不同的神经网络中，通过器件的重新排列可以显著减少总布线长度，而神经网络被优化的原因不仅仅是全局布线的最小化，还包括步骤处理的最小化。

    Jul, 2006

  • GeONet: 用于学习 Wasserstein 测地线的神经算子

    GeONet 是一个适用于实时预测的深度神经网络，它通过学习非线性映射来连接 Wasserstein 距离和 geodesic，从而比传统的基于网格的方法具有更高的准确性和更少的计算成本。

    Sep, 2022

  • 通过随机游走学习图上的长程依赖

    本文提出了一种名为 NeuralWalker 的新型架构，通过将随机游走视为序列，利用序列模型捕捉这些游走中的长程依赖关系，从而克服了消息传递图神经网络和图变换器方法的局限性，实现更具表达力的图表示，并能够使用任何序列模型来捕捉长程依赖关系，同时具备集成各种图神经网络和图变换器架构的灵活性。实验证明，NeuralWalker 在 19 个图和节点基准数据集上取得了显著的性能改进，在 PascalVoc-SP 和 COCO-SP 数据集上的性能超过现有方法高达 13%。

    Jun, 2024

  • 无 STE 学习低精度神经网络

    该论文提出了一种 alpha-blending 替代 Straight-Through Estimator 的方法用于量化神经网络，该方法逐步将模型从全精度转化为低精度并在 CIFAR10 和 ImageNet 数据集上表现出更好的结果。

    Mar, 2019

  • 在线斯坦纳树学习增强算法

    本文考虑了将机器学习与在线算法设计相结合的新型 “超越最坏情况” 算法分析模型在在线 Steiner 树问题上的应用，其中预测的终端节点可能不正确，算法性能取决于错误预测的数量，可以通过正确预测来突破在线下界并且具有良好的竞争比，同时实验证明该理论具有预测性。

    Dec, 2021

  • 轻量级增强 Inception U-Net 神经网络用于布线可行性预测

    我们提出了一种新的 U-Net 变体模型，通过嵌入 Inception 模块来预测路由阻塞和设计规则检查热点，实验证明我们的方法在 Avg-NRMSE 指标上比经典结构分别实现了 5%（RC）和 20%（DRC） 的准确率提升，并且在 SSIM 度量标准上始终优于之前的模型。

    Feb, 2024

  • Wasserstein-2 生成网络

    该论文提出了一种新颖的端到端非极小算法，用于训练最优输运映射以逼近 Wasserstein-2 距离，并使用输入凸神经网络和循环一致性正则化来近似 Wasserstein-2 距离，解决了流行的熵和二次正则化中存在偏差和高维度缩放问题的不足，并在诸多任务上进行了实验评估。

    Sep, 2019