Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

ParaGate: Parasitic-Driven Domain Adaptation Transfer Learning for Netlist Performance Prediction

Created by
  • Haebom
Category
Empty

저자

Bin Sun, Jingyi Zhou, Jianan Mu, Zhiteng Chao, Tianmeng Yang, Ziyue Xu, Jing Ye, Huawei Li

개요

ParaGate는 netlist로부터 레이아웃 수준의 타이밍 및 전력을 추론하는 3단계 cross-stage 예측 프레임워크입니다. 기생 파라미터 예측을 위한 두 단계 전이 학습, 타이밍 분석을 위한 EDA 도구 활용, 그리고 subgraph 특징을 사용한 전역 보정 단계를 포함합니다. ParaGate는 openE906 데이터셋에서 도착 시간 R2 점수를 0.119에서 0.897로 향상시키는 등, 최소한의 미세 조정 데이터로 강력한 일반화 성능을 달성했습니다.

시사점, 한계점

•
시사점:
◦
netlist로부터 레이아웃 수준의 성능 지표 예측 가능.
◦
합성 및 배치 단계에서 전역 최적화를 위한 지침 제공.
◦
상업용 배치 및 라우팅 도구의 블랙박스 문제를 해결.
◦
최소한의 미세 조정 데이터로 강력한 일반화 성능 달성.
•
한계점:
◦
논문에 구체적인 한계점 언급 없음.
👍
Made with Slashpage