Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2019143661 - OPTIMISATION DE CIRCUIT D'APPRENTISSAGE MACHINE À L'AIDE DE FONCTIONS DE PRÉDICTION QUANTIFIÉES

Numéro de publication WO/2019/143661
Date de publication 25.07.2019
N° de la demande internationale PCT/US2019/013753
Date du dépôt international 16.01.2019
CIB
G06F 17/50 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
FTRAITEMENT ÉLECTRIQUE DE DONNÉES NUMÉRIQUES
17Équipement ou méthodes de traitement de données ou de calcul numérique, spécialement adaptés à des fonctions spécifiques
50Conception assistée par ordinateur
CPC
G06F 2119/06
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
2119Details relating to the type or aim of the analysis or the optimisation
06Power analysis or power optimisation
G06F 2119/12
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
2119Details relating to the type or aim of the analysis or the optimisation
12Timing analysis or timing optimisation
G06F 30/327
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
30Computer-aided design [CAD]
30Circuit design
32Circuit design at the digital level
327Logic synthesis; Behaviour synthesis, e.g. mapping logic, HDL to netlist, high-level language to RTL or netlist
G06F 30/3312
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
30Computer-aided design [CAD]
30Circuit design
32Circuit design at the digital level
33Design verification, e.g. functional simulation or model checking
3308using simulation
3312Timing analysis
G06F 30/39
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
30Computer-aided design [CAD]
30Circuit design
39Circuit design at the physical level
G06F 30/398
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
30Computer-aided design [CAD]
30Circuit design
39Circuit design at the physical level
398Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
Déposants
  • SYNOPSYS, INC. [US]/[US]
Inventeurs
  • OH, Nahmsuk
Mandataires
  • BEVER, Patrick, T.
Données relatives à la priorité
16/248,02915.01.2019US
62/619,14319.01.2018US
Langue de publication anglais (EN)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) MACHINE-LEARNING CIRCUIT OPTIMIZATION USING QUANTIZED PREDICTION FUNCTIONS
(FR) OPTIMISATION DE CIRCUIT D'APPRENTISSAGE MACHINE À L'AIDE DE FONCTIONS DE PRÉDICTION QUANTIFIÉES
Abrégé
(EN)
EDA tool trains a machine-learning optimization tool using quantized optimization solution (training) data generated by conventional optimization tools. Each training data entry includes an input vector and associated output vector that have quantized component values respectively determined by associated operating characteristics of initial (non-optimal) and corresponding replacement (optimized) circuit portions, where each initial circuit portion is identified and replaced by corresponding replacement circuit portion during optimization of associated target IC design. Stored training data entries are used by the machine-learning optimization tool to generate efficient (e.g., piecewise-linear) prediction function. During optimization of later IC designs, an input vector is generated for each selected initial circuit portion, a predicted output vector is generated for the input vector using the prediction function, and then the predicted output vector is used to identify a replacement circuit portion for the corresponding selected initial circuit portion using best-fit methodologies.
(FR)
Selon la présente invention, l'outil EDA entraîne un outil d'optimisation d'apprentissage machine à l'aide de données de solution d'optimisation quantifiées (apprentissage) générées par des outils d'optimisation classiques. Chaque entrée de données d'apprentissage comprend un vecteur d'entrée et un vecteur de sortie associé dont des valeurs de composante quantifiées sont respectivement déterminées par des caractéristiques de fonctionnement associées à des portions de circuit initiales (non optimales) et de remplacement (optimisées) correspondantes, chaque portion de circuit initiale étant identifiée et remplacée par une portion de circuit de remplacement correspondante durant l'optimisation du modèle de CI cible associé. Des entrées de données d'apprentissage stockées sont utilisées par l'outil d'optimisation d'apprentissage machine afin de générer une fonction de prédiction efficace (par exemple, linéaire par morceaux). Durant l'optimisation de modèles de CI ultérieurs, un vecteur d'entrée est généré pour chaque portion de circuit initiale sélectionnée, un vecteur de sortie prédit est généré pour le vecteur d'entrée à l'aide de la fonction de prédiction, puis le vecteur de sortie prédit est utilisé pour identifier une portion de circuit de remplacement pour la portion de circuit initiale sélectionnée correspondante à l'aide de méthodologies d'ajustement optimal.
Également publié en tant que
Dernières données bibliographiques dont dispose le Bureau international