Reinforcement learning guided input generation for faster assertion-based verification
Daha hızlı bildirim tabanlı doğrulama için destekli öğrenme güdümlü girdi üretme
- Tez No: 730938
- Danışmanlar: PROF. DR. MEHMET ALPER ŞEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 46
Özet
İşlevsel doğrulama, dijital tasarımların işlevsel doğruluğunu sağlamak için çok önemli bir süreçtir. Modern dijital tasarımların artan karmaşıklığı ile doğrulama sırasında tasarım spesifikasyonlarının hatalarının ayıklanması ve doğrulanması son derece zaman alıcı hale gelmiştir. Bildirime dayalı doğrulama, tasarım özelliklerinin hatalarının ayıklanması ve doğrulanması için harcanan zamanı azaltmanın etkili bir yoludur. Bu tezde, destekli öğrenme güdümlü girdi oluşturma algoritması ile bildirime dayalı doğrulama için bir çerçeve sunuyoruz. Girdi oluşturma algoritmamız, bildirimlerden öğrenmek ve verilen bildirimleri daha hızlı karşılayan girdiler oluşturmak için Q-Learning'i kullanır. Çerçevemizi 5 aşamalı 64-bit RISC-V çekirdeğiyle test ettik ve rastgele girdi üretimine göre önemli performans artışı sağladık.
Özet (Çeviri)
Functional verification is necessary to ensure the functional correctness of digital designs. Debugging and validating design specifications during verification becomes extremely time-consuming with the increased complexity of modern register-transfer-level designs. Assertion-based verification is an effective way to reduce time spent on debugging and validation of design specifications. In this thesis, we present a framework for assertion-based verification with a reinforcement learning-guided input generation algorithm. Our input generation algorithm uses Q-Learning to learn from the assertions and generate inputs that satisfy the given assertions faster. We have tested our framework with a 5-stage 64-bit RISC-V core and achieved significant performance improvement over random input generation.
Benzer Tezler
- Multi-agent planning with automated curriculum learning
Otomatik müfredat öğrenmesi ile çoklu ajan planlaması
ONUR AKGÜN
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- High-speed trajectory replanning and trajectory tracking for collision avoidance
Çarpışma önlemek için yüksek hızlı rota planlama ve rota takibi
MEHMET HASANZADE
Doktora
İngilizce
2021
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE KOYUNCU
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Gemi yapılarında gerilme yığılması öngörülerinin kaba ağ yapısı ve makine öğrenmesi ile gerçekleştirilmesi
The forecasting of stress concentration in ship buildings by using rough mesh structure and machine learning method
BURÇİN ATEŞ
Yüksek Lisans
Türkçe
2020
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR AYTEKİN KÖROĞLU
- Yanıltıcı gözlem saldırılarına karşı çok etmenli rehberli derin pekiştirmeli öğrenme yaklaşımı
Multi agent guided deep reinforcement learning approach against state perturbed adversarial attack
ÇAĞRI ÇERÇİ
Doktora
Türkçe
2025
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN TEMELTAŞ