Notice bibliographique
Résumé
This paper proposes a novel method for efficient realization of parity prediction functions in FPGAs. Improving FPGA efficiency can improve the cost/logic ratio, which may allow FPGAs to be used in more application areas. Using ESOP (exclusive-sum-of-products) to represent logic functions often requires fewer product terms than traditional SOP (sum-of-products) methods. Since FPGA logic functions are implemented based on the number of inputs required, rather than complexity of gates, reducing the number of product terms/literals can produce savings. Commercial EDA tools are suboptimal when it comes to synthesizing logic functions into FPGAs. Our results show that our algorithm improves both area and performance metrics. It is believed that our algorithm will also improve FPGA efficiency in implementing arithmetic circuits, error correcting/detecting circuits, and any other XOR-intensive function. Our proposed method, ExorBDS, uses a stage of ESOP minimization, followed by a stage of decomposition using binary decision diagrams (BDDs). Experiments were conducted on 14 MCNC benchmark circuits. The combination of ESOP minimization and BDD-based decomposition showed superior results to that of just using ESOP minimization or BDD-based decomposition in isolation. The results, when compared with commercial EDA tools, are encouraging. On average, our method uses 36.85% of the number of LUTs (look-up tables), has 87.11% of the maximum combinational path delay, and has 26.16% of the area-delay product.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».