توضیحات
In this book, innovative research using artificial neural networks (ANNs) is conducted to automate the placement task in analog integrated circuit layout design, by creating a generalized model that can generate valid layouts at push-button speed. Further, it exploits ANNs generalization and push-button speed prediction (once fully trained) capabilities, and details the optimal description of the input/output data relation. The description developed here is chiefly reflected in two of the systems characteristics: the shape of the input data and the minimized loss function. In order to address the latter, abstract and segmented descriptions of both the input data and the objective behavior are developed, which allow the model to identify, in newer scenarios, sub-blocks which can be found in the input data. This approach yields device-level descriptions of the input topology that, for each device, focus on describing its relation to every other device in the topology. By means of these descriptions, an unfamiliar overall topology can be broken down into devices that are subject to the same constraints as a device in one of the training topologies.
In the experimental results chapter, the trained ANNs are used to produce a variety of valid placement solutions even beyond the scope of the training/validation sets, demonstrating the models effectiveness in terms of identifying common components between newer topologies and reutilizing the acquired knowledge. Lastly, the methodology used can readily adapt to the given problems context (high label production cost), resulting in an efficient, inexpensive and fast model.
————————————————————–
ترجمه ماشینی :
در این کتاب، تحقیقات نوآورانه با استفاده از شبکههای عصبی مصنوعی (ANN) برای خودکارسازی کار قرار دادن در طراحی طرحبندی مدار مجتمع آنالوگ، با ایجاد یک مدل تعمیمیافته که میتواند طرحبندیهای معتبر را با سرعت فشار دکمه ایجاد کند، انجام شده است. علاوه بر این، از قابلیتهای تعمیم ANN و پیشبینی سرعت دکمهای (پس از آموزش کامل) بهره میبرد و شرح بهینه رابطه داده ورودی/خروجی را شرح میدهد. توصیفی که در اینجا ایجاد شده است عمدتاً در دو ویژگی سیستم منعکس می شود: شکل داده های ورودی و تابع حداقل ضرر. به منظور پرداختن به دومی، توصیفات انتزاعی و بخشبندی شده هم از دادههای ورودی و هم رفتار هدف توسعه مییابد که به مدل اجازه میدهد در سناریوهای جدیدتر، بلوکهای فرعی را که در دادههای ورودی یافت میشوند شناسایی کند. این رویکرد توضیحاتی در سطح دستگاه از توپولوژی ورودی ارائه می دهد که برای هر دستگاه، بر توصیف رابطه آن با هر دستگاه دیگر در توپولوژی تمرکز دارد. با استفاده از این توصیفات، یک توپولوژی کلی ناآشنا را می توان به دستگاه هایی تقسیم کرد که مشمول محدودیت های یک دستگاه در یکی از توپولوژی های آموزشی هستند.
در فصل نتایج تجربی، شبکههای عصبی مصنوعی آموزشدیده برای تولید انواع راهحلهای مکانیابی معتبر حتی فراتر از محدوده مجموعههای آموزشی/اعتبارسنجی استفاده میشوند و مدلها را نشان میدهند. اثربخشی از نظر شناسایی اجزای مشترک بین توپولوژی های جدیدتر و استفاده مجدد از دانش به دست آمده. در نهایت، روش مورد استفاده می تواند به آسانی با زمینه مشکلات داده شده (هزینه تولید برچسب بالا) تطبیق یابد، که منجر به یک مدل کارآمد، ارزان و سریع می شود.
tag : دانلود کتاب تولید IC آنالوگ از طریق شبکه های عصبی از داده های بدون برچسب , Download تولید IC آنالوگ از طریق شبکه های عصبی از داده های بدون برچسب , دانلود تولید IC آنالوگ از طریق شبکه های عصبی از داده های بدون برچسب , Download Analog IC Placement Generation via Neural Networks from Unlabeled Data Book , تولید IC آنالوگ از طریق شبکه های عصبی از داده های بدون برچسب دانلود , buy تولید IC آنالوگ از طریق شبکه های عصبی از داده های بدون برچسب , خرید کتاب تولید IC آنالوگ از طریق شبکه های عصبی از داده های بدون برچسب , دانلود کتاب Analog IC Placement Generation via Neural Networks from Unlabeled Data , کتاب Analog IC Placement Generation via Neural Networks from Unlabeled Data , دانلود Analog IC Placement Generation via Neural Networks from Unlabeled Data , خرید Analog IC Placement Generation via Neural Networks from Unlabeled Data , خرید کتاب Analog IC Placement Generation via Neural Networks from Unlabeled Data ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.