迈向协作智能：基于去中心化私有数据的可布线性估计
机器学习
2022-10-04 v2
摘要
在电子设计自动化（EDA）中应用机器学习（ML）是一种流行趋势，其应用涵盖从设计质量预测到优化等多个方面。尽管其在学术研究与工业工具中均已展现出前景，其有效性很大程度上取决于大量高质量训练数据的可用性。现实中，EDA 开发者极少能获取最新的设计数据，这些数据由设计公司拥有且大多保密。虽然可将 ML 模型训练委托给设计公司，但单一公司的数据可能仍然不足或存在偏差，对于小公司尤为如此。这种数据可用性问题正成为 ML 用于芯片设计未来发展的限制因素。本工作中，我们针对 EDA 中成熟的 ML 应用提出一种基于联邦学习（Federated Learning）的方法。我们的方法允许 ML 模型利用来自多个客户端的数据进行协作训练，而无需显式访问数据以尊重其数据隐私。为进一步加强结果，我们协同设计了一种定制化的 ML 模型 FLNet 及其在去中心化训练场景下的个性化。在综合数据集上的实验表明，协作训练相较独立本地模型将准确率提升了 11%，且我们定制的模型 FLNet 在该协作训练流程中显著优于以往最佳的可布线性估计器。
引用
@article{arxiv.2203.16009,
title = {Towards Collaborative Intelligence: Routability Estimation based on Decentralized Private Data},
author = {Jingyu Pan and Chen-Chia Chang and Zhiyao Xie and Ang Li and Minxue Tang and Tunhou Zhang and Jiang Hu and Yiran Chen},
journal= {arXiv preprint arXiv:2203.16009},
year = {2022}
}
备注
6 pages, 2 figures, 5 tables, accepted by DAC'22