محققان دانشگاه واشنگتن به تازگی تکنیک جدیدی را برای خودکار سازی سنتز مدارهای محاسباتی تصادفی (SC) طراحی کرده اند. روش آنها ، که در مقاله ای که از قبل در مورد arXiv منتشر شده است ، ارائه شده است بر اساس سنتز تصادفی ، که به طور سنتی یک روش سنتز برنامه است.
محاسبه تصادفی (SC) یک روش محاسبه نوظهور و غیر متعارف است که داده ها را به عنوان جریانهای بیت احتمالی کدگذاری می کند ، و طراحی مدارهای جدید را ناخوشایند می کند. SC می تواند به تراکم محاسباتی بالاتر و مصرف انرژی پایین تر از روش های محاسبه رمزگذاری شده باینری سنتی (BE) دست یابد.
وینسنت لی ، یکی از محققانی که این تحقیق را انجام داده است ، گفت: یکی از مهمترین چالش های تحقیق محاسبات تصادفی ، شناسایی روش های جدید برای طراحی مدارهای تصادفی جدید است. "میزان تلاش و بینش مهندسی که برای طراحی طبقه جدیدی از مدارهای تصادفی می رود ، بسیار زیاد است ، بنابراین یافتن راه های جدید و خودکار برای کاهش بار طراحی ، از اهداف تحقیق مداوم من بوده است."
روشهای موجود برای سنتز مدارهای SC به طور معمول به انواع خاص یا کلاس توابع محدود می شوند ، مانند ارزیابی چند جمله ای یا مقیاس بندی مداوم. لی و همکارانش تصمیم گرفتند یک روش مؤثرتر برای سنتز مدارهای SC را شناسایی کنند ، که می تواند کاربردهای گسترده تری داشته باشد.
لی گفت: "من در گروه خواندن سنتز برنامه ، با خواندن مقاله ای توسط اریک شوكزا و همكاران ، به سنتز تصادفی برخوردم. " وی گفت: "من در حوزه سنتز برنامه جدید بودم و فکر می کردم خیلی جالب است که چگونه می تواند وظایف بهینه سازی را در جایی که راه حل ها نسبتاً غیرعمولانه بود یا برای گرفتن درست از نظر طراحان یا برنامه نویسان دشوار بود ، حل کنم. با وجود برخی محدودیت های مقیاس پذیری ، مشکلی که من داشتم ، طراحی مدارهای تصادفی جدید ، تمایل به راه حل های کوچک دارند ، بنابراین من فکر کردم سنتز تصادفی می تواند یک بازی خوب باشد. "
روش ابداع شده توسط Lee و همکارانش که اقتباسی از یک الگوریتم سنتز تصادفی هسته ای است که پشتیبانی از مدارهای جای از برنامه های. ایده کلی که در پشت آن قرار دارد این است که تمام مدارها را به عنوان فضایی با ابعاد بالا که در آن به هر مدار یک هزینه خاص داده می شود ، درمان کنیم.
این هزینه با استفاده از یک تابع هزینه تعریف می شود و چقدر یک مدار در ارتباط با سایر مدارهای موجود در فضا موثر است. محققان در مطالعه خود ، تابع هزینه را برای اندازه گیری خطا ، با توجه به مشخصاتی که مشخص می کند مدار چه کاری می خواهند انجام دهند ، تعیین کردند.
لی توضیح داد: "این تکنیک ، فضای مدارها را به سمت مدارهایی با هزینه بهتر ، شبیه به نحوه حرکت شیب به سمت مجموعه های پارامتر ، که عملکرد بهینه را بهتر انجام می دهند ، عبور می کند." "این یک جستجوی هوشمندانه تر در مورد فضای مدارها را فراهم می کند ، و مدارهای نوید دهنده را سریعتر سنتز می کند تا از مواردی که شما سعی در شمارش نیرو از brute یا راه حل های تصادفی شمارش شده دارید."
محققان تکنیک آنها را ارزیابی کرده و آن را با سایر روشهای موجود برای سنتز مدارهای SC مقایسه کردند. آنها دریافتند که سنتز تصادفی عمومی تر از روش های فعلی است و به طور موثری سنتز کننده مدارهای طراحی شده و جدید SC است.
لی گفت: "من فکر می کنم که معنی دار ترین نتایج مطالعه ما این است که این تکنیک قادر به تولید مدارهای جدید است که برای طراحی با دست غیر ضروری بود." "قادر به تولید خودکار یک مدار تصادفی صرفاً بر اساس مشخصات توصیف عملکرد آن ، یک پیشرفت بسیار هیجان انگیز در محاسبات تصادفی است."
یافته های جمع آوری شده توسط لی و همکارانش حاکی از آن است که سنتز تصادفی می تواند به خودکارسازی کار سنتز مدارهای SC کمک کند. این در نهایت طراحان SC را از یک بار طراحی قابل توجه رهایی می بخشد و به آنها امکان می دهد تا روی سایر کارها متمرکز شوند.
لی گفت: "حتی اگر این تکنیک راه حل با کیفیت خوب را برگرداند ، ممکن است یک مدار را که یک تقریب معقول را پیاده سازی می کند ، و یا بینش انواع مدارهایی که ممکن است ارزش ارزیابی های بعدی را داشته باشند ، برگرداند." "در این کار ، ما در واقع تعدادی از مدارهای جالب را پیدا کردیم که از یک ریزگردهایی که قبلاً حتی در نظر نگرفته بودیم استفاده کردند. این نیز بسیار هیجان انگیز بود."
یکی از مهمترین چالش هایی که محققان در مطالعه خود با آن روبرو شده اند مقیاس پذیری است. در حقیقت ، کارآیی جستجوی تکنیک آنها (یعنی کیفیت راه حل با توجه به بودجه زمان جستجو ثابت و زمان لازم برای شناسایی راه حل های صحیح) به عملکرد هزینه حساس است ، زیرا این همان چیزی است که شیب را تعریف می کند و چگونه جستجو از فضای مدار عبور می کند.
لی گفت: "خوشبختانه ، بیشتر مدارهای تصادفی مطلوب نسبتاً اندک هستند ، بنابراین مقیاس پذیری برای عملی بودن تکنیک بسیار مهم است." "با این وجود ، این محدودیت مشاهده شده فرصت زیادی را برای بهبود کارآیی این تکنیک با اکتشاف پذیری فراهم می کند ، و اجازه می دهد آن را به مدارهای بزرگتر بسپاریم. فکر می کنم این یک منطقه جالب برای کشف در کارهای آینده ما باشد."
http://bookmarkport.com/story5694422/پمپ-وکیوم-آبی
محققان دانشگاه واشنگتن به تازگی تکنیک جدیدی را برای خودکار سازی سنتز مدارهای محاسباتی تصادفی (SC) طراحی کرده اند. روش آنها ، که در مقاله ای که از قبل در مورد arXiv منتشر شده است ، ارائه شده است بر اساس سنتز تصادفی ، که به طور سنتی یک روش سنتز برنامه است.
محاسبه تصادفی (SC) یک روش محاسبه نوظهور و غیر متعارف است که داده ها را به عنوان جریانهای بیت احتمالی کدگذاری می کند ، و طراحی مدارهای جدید را ناخوشایند می کند. SC می تواند به تراکم محاسباتی بالاتر و مصرف انرژی پایین تر از روش های محاسبه رمزگذاری شده باینری سنتی (BE) دست یابد.
وینسنت لی ، یکی از محققانی که این تحقیق را انجام داده است ، گفت: یکی از مهمترین چالش های تحقیق محاسبات تصادفی ، شناسایی روش های جدید برای طراحی مدارهای تصادفی جدید است. "میزان تلاش و بینش مهندسی که برای طراحی طبقه جدیدی از مدارهای تصادفی می رود ، بسیار زیاد است ، بنابراین یافتن راه های جدید و خودکار برای کاهش بار طراحی ، از اهداف تحقیق مداوم من بوده است."
روشهای موجود برای سنتز مدارهای SC به طور معمول به انواع خاص یا کلاس توابع محدود می شوند ، مانند ارزیابی چند جمله ای یا مقیاس بندی مداوم. لی و همکارانش تصمیم گرفتند یک روش مؤثرتر برای سنتز مدارهای SC را شناسایی کنند ، که می تواند کاربردهای گسترده تری داشته باشد.
لی گفت: "من در گروه خواندن سنتز برنامه ، با خواندن مقاله ای توسط اریک شوكزا و همكاران ، به سنتز تصادفی برخوردم. " وی گفت: "من در حوزه سنتز برنامه جدید بودم و فکر می کردم خیلی جالب است که چگونه می تواند وظایف بهینه سازی را در جایی که راه حل ها نسبتاً غیرعمولانه بود یا برای گرفتن درست از نظر طراحان یا برنامه نویسان دشوار بود ، حل کنم. با وجود برخی محدودیت های مقیاس پذیری ، مشکلی که من داشتم ، طراحی مدارهای تصادفی جدید ، تمایل به راه حل های کوچک دارند ، بنابراین من فکر کردم سنتز تصادفی می تواند یک بازی خوب باشد. "
روش ابداع شده توسط Lee و همکارانش که اقتباسی از یک الگوریتم سنتز تصادفی هسته ای است که پشتیبانی از مدارهای جای از برنامه های. ایده کلی که در پشت آن قرار دارد این است که تمام مدارها را به عنوان فضایی با ابعاد بالا که در آن به هر مدار یک هزینه خاص داده می شود ، درمان کنیم.
این هزینه با استفاده از یک تابع هزینه تعریف می شود و چقدر یک مدار در ارتباط با سایر مدارهای موجود در فضا موثر است. محققان در مطالعه خود ، تابع هزینه را برای اندازه گیری خطا ، با توجه به مشخصاتی که مشخص می کند مدار چه کاری می خواهند انجام دهند ، تعیین کردند.
لی توضیح داد: "این تکنیک ، فضای مدارها را به سمت مدارهایی با هزینه بهتر ، شبیه به نحوه حرکت شیب به سمت مجموعه های پارامتر ، که عملکرد بهینه را بهتر انجام می دهند ، عبور می کند." "این یک جستجوی هوشمندانه تر در مورد فضای مدارها را فراهم می کند ، و مدارهای نوید دهنده را سریعتر سنتز می کند تا از مواردی که شما سعی در شمارش نیرو از brute یا راه حل های تصادفی شمارش شده دارید."
محققان تکنیک آنها را ارزیابی کرده و آن را با سایر روشهای موجود برای سنتز مدارهای SC مقایسه کردند. آنها دریافتند که سنتز تصادفی عمومی تر از روش های فعلی است و به طور موثری سنتز کننده مدارهای طراحی شده و جدید SC است.
لی گفت: "من فکر می کنم که معنی دار ترین نتایج مطالعه ما این است که این تکنیک قادر به تولید مدارهای جدید است که برای طراحی با دست غیر ضروری بود." "قادر به تولید خودکار یک مدار تصادفی صرفاً بر اساس مشخصات توصیف عملکرد آن ، یک پیشرفت بسیار هیجان انگیز در محاسبات تصادفی است."
یافته های جمع آوری شده توسط لی و همکارانش حاکی از آن است که سنتز تصادفی می تواند به خودکارسازی کار سنتز مدارهای SC کمک کند. این در نهایت طراحان SC را از یک بار طراحی قابل توجه رهایی می بخشد و به آنها امکان می دهد تا روی سایر کارها متمرکز شوند.
لی گفت: "حتی اگر این تکنیک راه حل با کیفیت خوب را برگرداند ، ممکن است یک مدار را که یک تقریب معقول را پیاده سازی می کند ، و یا بینش انواع مدارهایی که ممکن است ارزش ارزیابی های بعدی را داشته باشند ، برگرداند." "در این کار ، ما در واقع تعدادی از مدارهای جالب را پیدا کردیم که از یک ریزگردهایی که قبلاً حتی در نظر نگرفته بودیم استفاده کردند. این نیز بسیار هیجان انگیز بود."
یکی از مهمترین چالش هایی که محققان در مطالعه خود با آن روبرو شده اند مقیاس پذیری است. در حقیقت ، کارآیی جستجوی تکنیک آنها (یعنی کیفیت راه حل با توجه به بودجه زمان جستجو ثابت و زمان لازم برای شناسایی راه حل های صحیح) به عملکرد هزینه حساس است ، زیرا این همان چیزی است که شیب را تعریف می کند و چگونه جستجو از فضای مدار عبور می کند.
لی گفت: "خوشبختانه ، بیشتر مدارهای تصادفی مطلوب نسبتاً اندک هستند ، بنابراین مقیاس پذیری برای عملی بودن تکنیک بسیار مهم است." "با این وجود ، این محدودیت مشاهده شده فرصت زیادی را برای بهبود کارآیی این تکنیک با اکتشاف پذیری فراهم می کند ، و اجازه می دهد آن را به مدارهای بزرگتر بسپاریم. فکر می کنم این یک منطقه جالب برای کشف در کارهای آینده ما باشد."
ربات های کوچک پرواز بارهای سنگین را در اختیار دارند