Core Concepts
Neuronale Netzwerke sind anfällig für imperzeptible Störungen, was die Robustheit von ML-basierten EDA-Tools in Frage stellt.
Abstract
In dieser Arbeit wird die Anfälligkeit von ML-basierten Stauvorhersagen für imperzeptible Störungen untersucht. Es wird gezeigt, dass kleine, sorgfältig gewählte Störungen die Vorhersagen von Staus beeinflussen können. Die Autoren schlagen eine Methode vor, um Layout-Störungen zu generieren, die die globale Routenführung nicht verändern. Durch adversiales Training können die Vorhersagen robuster gemacht werden. Die Ergebnisse legen nahe, dass bei der Integration von ML-basierten CAD-Systemen in EDA-Pipelines Vorsicht geboten ist.
ABSTRACT
Interesse an ML-basierten Techniken im CAD-Bereich
Neuronale Netzwerke anfällig für kleine Störungen
Untersuchung der Robustheit von ML-basierten EDA-Tools
EINLEITUNG
EDA-Flows beinhalten Optimierungs- und Verifizierungsherausforderungen
Einsatz von ML-Techniken in CAD-Problemlösungen
Anfälligkeit von neuronalen Netzwerken für Störungen
BEITRÄGE
ML-basierte EDA-Tools sind anfällig für gültige Störungen
Vorstellung von Methoden zur Erzeugung von Störungen
Adversiales Training zur Verbesserung der Robustheit
EXPERIMENTE
Umfassende Experimente mit CircuitNet-Datensatz
Evaluierung der Auswirkungen von Störungen auf Vorhersagen
Training von Modellen mit PGD zur Verbesserung der Robustheit
SCHLUSSFOLGERUNG UND ZUKÜNFTIGE ARBEIT
Neuronale Netzwerke sind anfällig für Störungen
Vorschlag zur Verbesserung der Robustheit durch adversiales Training
Notwendigkeit sorgfältiger Evaluierung von ML-basierten EDA-Tools
Stats
In diesem Werk wird gezeigt, dass Vorhersagen von Staus durch kleine, sorgfältig gewählte Störungen beeinflusst werden können.
Die Autoren schlagen eine Methode vor, um Layout-Störungen zu generieren, die die globale Routenführung nicht verändern.
Durch adversiales Training können die Vorhersagen robuster gemacht werden.
Quotes
"Neuronale Netzwerke sind anfällig für kleine, sorgfältig gewählte Störungen."