講演抄録/キーワード |
講演名 |
2019-09-19 14:00
PlacementにおけるCNNを用いたネット配線長予測モデル作成手法の検討 ○勝田祐基・渡邉凌太・趙 謙・吉田隆一(九工大) RECONF2019-21 |
抄録 |
(和) |
FPGAのPlacementアルゴリズムではネットの予測配線長に基づき評価用コスト関数が作成されている.しかし,配線の共有などはRouting段階で決められるため,Placement段階で正確に計算することは容易でない.VPRでは,ネットのBounding Boxのサイズとシンクの数に応じて用意された補正係数を用いて配線長を予測している.しかし,この手法では規則的な2次元アレイしか対応できず,3D-FPGAや階層的な配線構造への拡張は困難である.そこで,本研究では畳み込みニューラルネットワークを用いて容易に高精度な配線長予測モデルを作成する手法を検討する. |
(英) |
The placement of an FPGA design is performed using the simulated annealing algorithm with a cost function predicting wire lengths of all nets of the final circuit implementation. However, the detail routing features are difficult to be calculated at the placement stage. The VPR employs a wire length prediction model based on the bounding box size and the number of sinks of a net, which works well for FPGAs of an irregular 2D array structure, however, new FPGA architectures like 3D-FPGA and hierarchical routing cannot use such a simple model. In this work, we propose a method to build a net wire length prediction model using a convolutional neural network, which can learn routing features from routed nets without manual tunings. |
キーワード |
(和) |
FPGA / 配置 / 深層学習 / CNN / / / / |
(英) |
FPGA / Placement / Deep Learning / CNN / / / / |
文献情報 |
信学技報, vol. 119, no. 208, RECONF2019-21, pp. 3-8, 2019年9月. |
資料番号 |
RECONF2019-21 |
発行日 |
2019-09-12 (RECONF) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
RECONF2019-21 |
研究会情報 |
研究会 |
RECONF |
開催期間 |
2019-09-19 - 2019-09-20 |
開催地(和) |
北九州国際会議場 |
開催地(英) |
KITAKYUSHU Convention Center |
テーマ(和) |
リコンフィギャラブルシステム,一般 |
テーマ(英) |
Reconfigurable Systems, etc. |
講演論文情報の詳細 |
申込み研究会 |
RECONF |
会議コード |
2019-09-RECONF |
本文の言語 |
日本語 |
タイトル(和) |
PlacementにおけるCNNを用いたネット配線長予測モデル作成手法の検討 |
サブタイトル(和) |
|
タイトル(英) |
A CNN-based Net Wire Length Prediction Method for FPGA Placement Cost Function |
サブタイトル(英) |
|
キーワード(1)(和/英) |
FPGA / FPGA |
キーワード(2)(和/英) |
配置 / Placement |
キーワード(3)(和/英) |
深層学習 / Deep Learning |
キーワード(4)(和/英) |
CNN / CNN |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
勝田 祐基 / Yuki Katsuda / カツダ ユウキ |
第1著者 所属(和/英) |
九州工業大学 (略称: 九工大)
Kyushu Institute of Technology (略称: Kyutech) |
第2著者 氏名(和/英/ヨミ) |
渡邉 凌太 / Ryota Watanabe / ワタナベ リョウタ |
第2著者 所属(和/英) |
九州工業大学 (略称: 九工大)
Kyushu Institute of Technology (略称: Kyutech) |
第3著者 氏名(和/英/ヨミ) |
趙 謙 / Qian Zhao / チョウ ケン |
第3著者 所属(和/英) |
九州工業大学 (略称: 九工大)
Kyushu Institute of Technology (略称: Kyutech) |
第4著者 氏名(和/英/ヨミ) |
吉田 隆一 / Takaichi Yoshida / ヨシダ タカイチ |
第4著者 所属(和/英) |
九州工業大学 (略称: 九工大)
Kyushu Institute of Technology (略称: Kyutech) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2019-09-19 14:00:00 |
発表時間 |
20分 |
申込先研究会 |
RECONF |
資料番号 |
RECONF2019-21 |
巻番号(vol) |
vol.119 |
号番号(no) |
no.208 |
ページ範囲 |
pp.3-8 |
ページ数 |
6 |
発行日 |
2019-09-12 (RECONF) |