文献

J-GLOBAL ID：202202291861248247   整理番号：22A1103931

深層強化学習を用いたPBQPベースレジスタ割当の解法【JST・京大機械翻訳】

Solving PBQP-Based Register Allocation using Deep Reinforcement Learning

著者 (3件)： Kim Minsu (Seoul National University,Department of Electrical and Computer Engineering,South Korea) ,  Park Jeong-Keun (Seoul National University,Department of Electrical and Computer Engineering,South Korea) ,  Moon Soo-Mook (Seoul National University,Department of Electrical and Computer Engineering,South Korea)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： CGO  ページ： 1-12  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 不規則に構造化されたレジスタは抽象化や割り当てが難しい。分割Boole2次計画法(PBQP)は,DRAMメモリチップの自動テスト装置(ATE)の高度に不規則なプロセッサにおいてさえ,複雑なレジスタ制約を表現するための有用な抽象化である。PBQP問題は,発見的解法を必要とするNP困難である。しかし,漏洩がATEのように許されないならば,流出が総編集故障を意味するので,近似するよりも解を見つけるのに,より多くのものを列挙する必要がある。深層強化学習(Deep-RL)によるPBQP問題を解くこと,特に,モンテカルロツリー探索とディープニューラルネットワークを用いたモデルベースアプローチを,証明深RL技術,アルファゼロで用いることを提案した。ランダムPBQPグラフによる精巧な訓練を通して,著者らの深いRLソルバは,探索空間を鋭く切断することができ,計数ベースの解をより手頃にすることができた。さらに,適切な彩色順序でバックトラッキングを採用することによって,深いRLは,より少ない探索空間でさえ,中程度に訓練されたニューラルネットワークで解を見つけることができる。著者らの実験は,Deep-RLが10製品レベルATEプログラムの解を首尾よく発見できるが,以前のPBQP計数ソルバよりも遥かに少ない(例えば1/3,500)状態を探索することを示した。また,通常のCPUのためのllvm-test-suiteにおけるCプログラムに適用したとき,LLVMにおける既存のPBQPレジスタアロケータに対する競合性能を達成した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モンテカルロ法 ,  故障 ,  ニューラルネットワーク ,  *レジスタ ,  自動試験 ,  発見的方法 ,  木探索 ,  発色 ,  演算プロセッサ ,  DRAM ,  NP困難 ,  バックトラッキング
準シソーラス用語： 探索空間 ,  ソルバ ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 深層強化学習 ,  レジスタ割当 ,  解法