-
公开(公告)号：CN116562218B
公开(公告)日：2024-02-20
申请号：CN202310493297.9
申请日：2023-05-05
Applicant: 之江实验室
IPC: G06F30/392 , G06F17/16 , G06N3/0464 , G06N3/092
Abstract: 一种基于强化学习实现矩形宏单元的布图规划方法，包含：根据公开数据集ispd2005整理宏单元和标准单元信息；用GCN对宏单元编码；将宏单元按照面积从大到小排序，将排好顺序的宏单元信息和宏单元编码作为双线性模型的输入，提取环境特征；根据宏单元大小计算掩模矩阵确定当前宏单元可摆放的范围；将环境特征作为强化学习策略网络的输入，策略网络输出宏单元摆放位置的概率；根据策略网络的输出和掩模矩阵确定宏单元的位置；奖励函数设为总线长、拥塞程度和布局密度的加权和。还包括一种基于强化学习实现矩形宏单元的布图规划系统。本发明在满足宏单元互相不相交的约束条件下，为用强化学习求解不同大小的矩形宏单元的布图规划问题提供了一种解决方案。
-
公开(公告)号：CN117370536A
公开(公告)日：2024-01-09
申请号：CN202311673949.3
申请日：2023-12-07
Applicant: 之江实验室
IPC: G06F16/332 , G06F16/33 , G06N3/0464 , G06N3/08
Abstract: 本说明书公开了一种任务执行方法、装置、存储介质及电子设备。可以将用户输入的指定文本输入到预先训练的语言模型中，以通过语言模型确定指定文本对应的文本特征表示，并可以确定每个候选问题文本特征表示与文本特征表示之间的相关度，以根据相关度，从各候选问题文本特征表示中确定出与文本特征表示相匹配的候选问题文本特征表示，作为目标问题文本特征表示，并根据目标问题文本特征表示与所述文本特征表示之间的相关度是否低于预设的相关度阈值，确定是否向用户请求补充文本信息，以及是否将预先确定的目标问题文本特征表示对应的回复文本，作为指定文本对应的目标回复文本回复给用户。
-
公开(公告)号：CN117034721B
公开(公告)日：2024-01-02
申请号：CN202311289898.4
申请日：2023-10-08
Applicant: 之江实验室
IPC: G06F30/23 , G06F30/27 , G06N3/042 , G06N3/084 , G06F119/08
Abstract: 本发明公开了一种面向芯粒集成设计的图神经网络温度场预测方法和装置，包含：根据有限元网格划分，将网格单元视为图数据的节点，相邻的两个网格单元用边连接，获得由节点和边组成的封装结构的图数据；根据网格单元顶点位置信息、材料属性、仿真问题的初值条件和边值条件，获得节点的初始编码；设计深度图神经网络模型，首先获得节点和边在高维空间的投射，然后让节点聚合边的信息，边聚合节点的信息，最后将节点信息解码为温度数值；根据物理方程设计损失函数并训练模型；用训练好的模型进行温度分布预测；最后将网格单元的温度用插值方法计算每个顶点的温度。
-
公开(公告)号：CN119883295A
公开(公告)日：2025-04-25
申请号：CN202510386144.3
申请日：2025-03-31
Applicant: 之江实验室
Abstract: 本说明书公开了一种模型部署方法、装置、存储介质及电子设备。所述方法包括：获取针对业务模型的初始部署策略组，初始部署策略组包括两种部署策略；将初始部署策略组中各部署策略的特征编码输入预先训练的代理模型，确定各部署策略在处理设备上的性能分布信息；利用预设的标签分布调整输入其中的至少一项输入，在输出的性能分布信息与标签分布之间的差异满足设定要求的情况下，得到调整后的部署策略组；在调整后的部署策略组中确定目标部署策略，并基于目标部署策略对业务模型进行部署。本方案降低了对模型部署策略进行探索的时间损耗，提高了模型部署效率。
-
公开(公告)号：CN117952182A
公开(公告)日：2024-04-30
申请号：CN202410345301.1
申请日：2024-03-25
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于数据质量的混合精度模型训练方法及装置。所述任务执行方法包括：服务器首先接收训练指令，并执行训练指令，以获取目标模型，将预设的样本数据输入到预设的精度调整模型中，得到针对目标模型中包含的每个网络层对应关联数据的调整后精度。并根据调整后精度，对目标模型进行精度调整，得到调整后目标模型，并将样本数据输入调整后目标模型中，得到针对样本数据的预测结果，以最小化预测结果与样本数据对应的实际结果之间的偏差，以及最小化调整后目标模型处理样本数据所消耗的时间为优化目标，对目标模型以及精度调整模型进行训练。
-
Patent Agency Ranking
公开(公告)号：CN117666971A
公开(公告)日：2024-03-08
申请号：CN202410136688.X
申请日：2024-01-31
Applicant: 之江实验室
IPC: G06F3/06 , G06F18/214
Abstract: 在本说明书提供的一种工业领域的数据存储方法、装置及设备中，通过响应于训练目标模型的原始数据的存储请求，确定目标模型的模型类型、训练完成的回归模型以及若干待选存储地址。针对每个待选存储地址，将原始数据、第一公式以及该待选存储地址输入回归模型，得到该待选存储地址的训练效果；根据各待选存储地址的训练效果，从各待选存储地址中，确定目标存储地址，并将原始数据存储至目标存储地址。通过计算存储请求中原始数据的不同待存储地址的训练效果，确定原始数据的目标存储地址，并将原始存储至目标存储地址，达到了根据数据训练的效果的对数据进行存储的目标。
-
公开(公告)号：CN117199026A
公开(公告)日：2023-12-08
申请号：CN202311472707.8
申请日：2023-11-07
Applicant: 之江实验室
IPC: H01L23/38 , H01L23/467 , H01L23/473 , H01L23/427
Abstract: 本公开是关于一种散热装置、散热控制方法及装置、电子设备。散热装置用于对晶圆级芯片进行散热，所述散热装置包括；第一基板；第二基板；半导体制冷器，所述半导体制冷器连接于所述第一基板和所述第二基板之间，所述半导体制冷器包括相互独立的多个散热单元；电源模块，所述电源模块与每一散热单元电连接，以用于为每一所述散热单元分别进行供电，并使得每一散热单元形成朝向所述第一基板的冷端和朝向所述第二基板的热端。
-
公开(公告)号：CN116562218A
公开(公告)日：2023-08-08
申请号：CN202310493297.9
申请日：2023-05-05
Applicant: 之江实验室
IPC: G06F30/392 , G06F17/16 , G06N3/0464 , G06N3/092
Abstract: 一种基于强化学习实现矩形宏单元的布图规划方法，包含：根据公开数据集ispd2005整理宏单元和标准单元信息；用GCN对宏单元编码；将宏单元按照面积从大到小排序，将排好顺序的宏单元信息和宏单元编码作为双线性模型的输入，提取环境特征；根据宏单元大小计算掩模矩阵确定当前宏单元可摆放的范围；将环境特征作为强化学习策略网络的输入，策略网络输出宏单元摆放位置的概率；根据策略网络的输出和掩模矩阵确定宏单元的位置；奖励函数设为总线长、拥塞程度和布局密度的加权和。还包括一种基于强化学习实现矩形宏单元的布图规划系统。本发明在满足宏单元互相不相交的约束条件下，为用强化学习求解不同大小的矩形宏单元的布图规划问题提供了一种解决方案。
-
公开(公告)号：CN116204387A
公开(公告)日：2023-06-02
申请号：CN202310461391.6
申请日：2023-04-26
Applicant: 之江实验室
Abstract: 本说明书公开了一种芯片电流的预测方法、装置、介质及电子设备，采用可解释人工智能技术，获取芯片中的任务负载状态以及指令集，该任务负载状态包括运算单元任务负载状态和缓存单元任务负载状态。将该芯片的任务负载状态输入到第一回归模型，以使第一回归模型确定该芯片维持该任务负载状态的所需电流。并将该指令集输入第二回归模型，以使第二回归模型确定该芯片执行该指令集中的指令后的电流变化值。根据该芯片维持该任务负载状态的所需电流以及该芯片执行该指令集中包含的指令后的电流变化值，以确定该芯片的增量电流。实现了对芯片维持作业的电流的预测，且因为第一回归模型与第二回归模型具备可解释性，提高了预测电流作业的可靠性及可控性。
-
公开(公告)号：CN119294274A
公开(公告)日：2025-01-10
申请号：CN202411832029.6
申请日：2024-12-12
Applicant: 之江实验室
IPC: G06F30/27 , G06N20/00 , G06F111/04
Abstract: 本说明书公开了一种深度学习加速器软硬件协同方法及装置，在此方法中，通过软件优化器基于初始硬件参数配置样本，确定候选模型运行信息后，通过硬件优化器，基于候选模型运行信息对应的任务效率表征值，确定下轮迭代的初始硬件参数配置样本，若监测到到达预设轮次后前后两轮所对应的初始硬件参数配置样本对应的任务效率表征值之间的偏差小于预设偏差，则将满足预设迭代条件时得到的初始硬件参数配置样本，作为目标硬件参数配置，以及将软件优化器基于目标硬件参数配置所确定的候选模型运行信息对应的候选模型运行方式，作为目标模型运行方式。通过多轮迭代对软件和硬件不断进行协同配置，以实现针对给定模型集合的最优加速器规格参数。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.024 seconds)
