基于机器学习的版图热点检测并行算法

李仲; 吴玉平; 陈岚; 张学连

Chinese

您当前的位置：

首页 >

文章列表页 >

基于机器学习的版图热点检测并行算法

更新时间：2026-09-04

- 基于机器学习的版图热点检测并行算法
- Parallel Algorithm in Hotspot Detection Based on Machine Learning
- 微电子学与计算机 2019年36卷第1期页码：27-31
- 作者机构：
  
  1. 中国科学院机构微电子研究所,北京,100029
  2. 三维及纳米集成电路设计自动化技术北京市重点实验室,北京,100029
  3. 中国科学院大学机构,北京,101408
- 作者简介：
- 基金信息：
  
  北京市科技专项:科技新星与领军人才 Z171100001117147
- DOI：
  中图分类号：
- 纸质出版：2019
- 稿件说明：
移动端阅览
李仲, 吴玉平, 陈岚, 张学连. 基于机器学习的版图热点检测并行算法[J]. 微电子学与计算机, 2019, 36(1): 27-31.

LI Zhong, WU Yu-ping, CHEN Lan, et al. Parallel Algorithm in Hotspot Detection Based on Machine Learning[J]. 2019, 36(1): 27-31.
李仲, 吴玉平, 陈岚, 张学连. 基于机器学习的版图热点检测并行算法[J]. 微电子学与计算机, 2019, 36(1): 27-31. DOI：

LI Zhong, WU Yu-ping, CHEN Lan, et al. Parallel Algorithm in Hotspot Detection Based on Machine Learning[J]. 2019, 36(1): 27-31. DOI：

摘要

针对基于机器学习的版图热点训练过程中降维算法耗时长和大多数训练算法没有利用多核资源的问题

分别提出了基于MPI的PCA并行降维算法和基于OpenMP的AdaBoost并行训练算法.首先采用QR分解优化奇异值求解特征矩阵

再结合MPI实现PCA的并行降维计算

最后将降维后的数据利用多核CPU进行训练

达到减小训练时间的目的.实验结果表明

PCA并行降维算法加速比达4.7倍

AdaBoost并行训练算法加速比达4.9倍

验证了并行化的可行性.

Abstract

The training phase of hotspot detection based on Machine Learning is time-consuming. In this paper

a parallel PCA algorithm based on MPI and a parallel AdaBoost algorithm based on OpenMP are proposed to reduce the training time. Firstly

the QR decomposition is used to optimize SVD

and then the MPI is used to implement the PCA parallel algorithm. Finally

the reduced dimension data is trained using multi-core CPU parallel algorithm. The experimental results show that the PCA parallel algorithm could achieve a 4.7 times speed-up ratio

and the AdaBoost parallel algorithm could achieve a 4.9 times speed-up ratio

which verifies the feasibility of parallelization.

关键词

Keywords

references

Quinn M J. MPI与OpenMP并行程序设计:C语言版[M].陈文光, 武永卫, 译.北京:清华大学出版社, 2004.

Drmac Z. A posteriori computation of the singular vectors in a preconditioned Jacobi SVD algorithm[J]. Ima Journal of Numerical Analysis, 1999, 19(2):191-213. DOI: 191

Matsunawa T, Gao J R, Yu B, et al. A new lithography hotspot detection framework based on AdaBoost classifier and simplified feature extraction[J]. Spie Advanced Lithography, 2015 :94270S-94270S-11. DOI: 94270S

Yu Y T. Machine-learning-based hotspot detection usingtopological classification and critical feature extraction[J]. IEEE/ACM Design Automation Conference(DAC), 2013, 34 (3) :1-6. DOI: 1

Wuu J, Pikus Y. Detecting context sensitive hotspots in standard cell libraries[J]. Proc. of SPIE, 2009, (7275):265-271. DOI: 265

Yoav F Schapire, Robert E. A decision-theoretic generalization of on-line learning and an application to boosting[J]. Journal of Computer and System Sciences, 1997, 55(1): 119-139. DOI: 119

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

静态图像中基于多分类器的人体检测技术研究

基于错分样本的AdaBoost支持向量预选取算法

基于AdaBoost算法和光流匹配的实时手势识别

基于KPCA的非线性ASM定位方法研究

大模型发展综述：从BERT到Deepseek的技术演进