translation

为读论文更方便而建

• GA Genetic Algorithm
• NN eural network-based framework
• SVM support vector analysis
• CDG Coverage-Directed test Generation
• DUT design under test
• rule learning
• constrain model
• Probabilistic model

目标

1. 找到针对high-level features/patterns的ML算法以找到解决同一类verification问题（避免复杂分析）
   1. 通常分为Test Set Redundancy Reduction
   2. 与Test Complexity Reduction
2. 应用ML方法来解决EDA design中的”coverage”问题

Test Set Redundancy Reduction具体方法列举

digital design

1. Statistical model
2. Search Methods
3. Rule learning
4. CNN, SVM
5. GCN

analog/RF design

1. KNN, ONN
2. Regression

semiconductor

1. CNN

Test Complexity Reduction具体方法列举

digital design

1. SVM, MLP, CNN

analog/RF design

1. ONN
2. active learning

论文创新点

1. GRIP (GRaph Inference Processor)用于使GNN更low-latency
2. ReAAP,可重构且面向算法的阵列处理器，用于加速各种深度学习工作负载
3. GHOST,第一个基于硅光子的 GNN 加速器，可以加速各种 GNN 模型和图的推理(对于semicondector)
4. 解决以下问题：有效处理大图/动态图表是很有挑战性的。
   1. 明确动态和流式图处理中不同概念的含义，分析了与图数据库领域以及流和动态图算法理论的联系。
   2. 提供图流框架的第一个分类法，识别和分析其设计中的关键维度，包括数据模型和组织、并发执行、数据分布、目标架构等