Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
[論文紹介] Chip Placement with Deep Reinforcement L...
Search
tt1717
April 29, 2024
Research
0
81
[論文紹介] Chip Placement with Deep Reinforcement Learning
PDFファイルをダウンロードすると,スライド内のリンクを見ることができます.
tt1717
April 29, 2024
Tweet
Share
More Decks by tt1717
See All by tt1717
[論文サーベイ] Survey on VLM for Video Game Quality Assurance
tt1717
0
6
[論文サーベイ] Survey on Pokemon AI 3
tt1717
0
61
[論文サーベイ] Survey on Pokemon AI 2
tt1717
0
46
[論文サーベイ] Survey on Pokemon AI
tt1717
0
79
[論文サーベイ] Survey on Minecraft AI in NeurIPS 2024
tt1717
0
85
[論文サーベイ] Survey on GPT for Games
tt1717
0
64
[論文サーベイ] Survey on World Models for Games
tt1717
0
160
[論文サーベイ] Survey on Linguistic Explanations in Deep Reinforcement Learning of Atari Tasks
tt1717
0
65
[論文サーベイ] Survey on Visualization in Deep Reinforcement Learning of Game Tasks 2
tt1717
0
69
Other Decks in Research
See All in Research
Generative Models 2025
takahashihiroshi
25
14k
Language Models Are Implicitly Continuous
eumesy
PRO
0
310
Unsupervised Domain Adaptation Architecture Search with Self-Training for Land Cover Mapping
satai
3
230
EcoWikiRS: Learning Ecological Representation of Satellite Images from Weak Supervision with Species Observation and Wikipedia
satai
3
280
HoliTracer:Holistic Vectorization of Geographic Objects from Large-Size Remote Sensing Imagery
satai
3
140
多言語カスタマーインタビューの“壁”を越える~PMと生成AIの共創~ 株式会社ジグザグ 松野 亘
watarumatsuno
0
130
AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data
satai
3
370
cvpaper.challenge 10年の軌跡 / cvpaper.challenge a decade-long journey
gatheluck
3
360
GPUを利用したStein Particle Filterによる点群6自由度モンテカルロSLAM
takuminakao
0
420
Pythonでジオを使い倒そう! 〜それとFOSS4G Hiroshima 2026のご紹介を少し〜
wata909
0
1k
言語モデルの地図:確率分布と情報幾何による類似性の可視化
shimosan
8
1.9k
Galileo: Learning Global & Local Features of Many Remote Sensing Modalities
satai
3
380
Featured
See All Featured
Measuring & Analyzing Core Web Vitals
bluesmoon
9
640
Being A Developer After 40
akosma
91
590k
Product Roadmaps are Hard
iamctodd
PRO
55
11k
ReactJS: Keep Simple. Everything can be a component!
pedronauck
667
130k
Designing for humans not robots
tammielis
254
26k
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
46
7.7k
Optimizing for Happiness
mojombo
379
70k
No one is an island. Learnings from fostering a developers community.
thoeni
21
3.5k
Chrome DevTools: State of the Union 2024 - Debugging React & Beyond
addyosmani
9
930
Bash Introduction
62gerente
615
210k
GraphQLとの向き合い方2022年版
quramy
49
14k
Design and Strategy: How to Deal with People Who Don’t "Get" Design
morganepeng
132
19k
Transcript
・チップの各コンポーネントを構成要素のグラフとして表現し,こ のグラフを効率的にチップのキャンバス上に配置する方策ネット ワークを訓練する. ・従来のチップ配置では多くが人間の専門家の介入を必要としてい た. ・提案した学習ベース手法では経験を積むことで性能が向上し,新 しいチップ配置を高速に生成できる. ・チップ配置を強化学習問題として扱う新たなアプローチを提案. ・提案手法では過去のチップ配置経験から学習し,未知のチップブ ロックに対して最適化された配置を高速に生成する能力があること
を示した. どんなもの? 先行研究と比べて何がすごい? 技術の手法や肝は? どうやって有効だと検証した? ・実際のAIアクセラレータチップ(Google TPUなど)に対して提案 手法を用いてチップ配置を行い,既存のベースライン(人間の専門 家の配置や他の自動配置ツール)と比較することで検証した. ・配置後のPPA(パワー,パフォーマンス,面積)の最適化を評価し た. Chip Placement with Deep Reinforcement Learning (arXiv 2020) Azalia Mirhoseini et al., Google Research. https://arxiv.org/abs/2004.10746 2024/04/28 論文を表す画像 被引用数:224 1/7
❖ 強化学習エージェントがマクロを一つずつ配置する様子を示す ❖ すべてのマクロ配置後,部品は力学的方法(力指向メソッド)を用い て配置される ➢ 力指向メソッド:互いに関連する部品は近くに配置され,関係のない部品 は離れた場所に配置されるようにすること ❖ 報酬はワイヤ長と輻輳の組み合わせで計算され,エージェントが次の
イテレーションでそのパラメータを最適化するために使用する ➢ ワイヤ長:チップの上で部品をつなぐワイヤの長さを推測する方法 ➢ 輻輳:あるエリア内に多くのワイヤが集中してしまう状態 提案手法 2/7
❖ 電子回路の構成要素 (ネットリスト) をGNNで処理 ❖ エッジ埋め込みの処理 ➢ ネットリスト内の異なるコンポーネント間の接続の強さや特性を表現 ❖ マクロ埋め込みの処理
➢ マクロ(大きな回路要素)の特性をベクトル形式で表現 ❖ 方策ネットワークによる処理 ➢ ネットリストの情報を基に,各マクロの配置における「行動」を選択する 提案手法 3/7
❖ CPUのチップ配置結果を視覚化したもの ➢ 左:事前学習済みの方策ネットワークによるゼロショット配置 ➢ 右:ファインチューニング後の方策ネットワークによる配置 ❖ ファインチューニング後の結果は配置が綺麗に揃っている 実験結果 4/7
❖ 強化学習とSA (焼きなまし法) によるサンプル効率の比較 ❖ ワイヤ長 (Wirelength) と輻輳 (Congestion)は低い方が良い ❖
強化学習を使用した提案手法がSAと比較して最適な配置をしていると 解釈できる 実験結果 5/7
❖ 強化学習を使用したチップ配置の最適化手法を提案した ❖ SA (焼きなまし法) と比較して最適配置を達成した まとめ 6/7
❖ チップにおける最適配置問題を強化学習で解こうとするアイデアが面 白かった ❖ 報酬設計の部分や実装コードがどのようになっているのか理解したい 感想 7/7