LU100491B1 - Method of selecting a prover - Google Patents

Method of selecting a prover Download PDF

Info

Publication number
LU100491B1
LU100491B1 LU100491A LU100491A LU100491B1 LU 100491 B1 LU100491 B1 LU 100491B1 LU 100491 A LU100491 A LU 100491A LU 100491 A LU100491 A LU 100491A LU 100491 B1 LU100491 B1 LU 100491B1
Authority
LU
Luxembourg
Prior art keywords
demonstrator
provers
prover
module
demonstrators
Prior art date
Application number
LU100491A
Other languages
German (de)
English (en)
Inventor
Monica Rafaila
Original Assignee
Onespin Solutions Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Onespin Solutions Gmbh filed Critical Onespin Solutions Gmbh
Priority to LU100491A priority Critical patent/LU100491B1/de
Priority to EP18202161.8A priority patent/EP3474196A1/fr
Application granted granted Critical
Publication of LU100491B1 publication Critical patent/LU100491B1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/32—Circuit design at the digital level
    • G06F30/33—Design verification, e.g. functional simulation or model checking
    • G06F30/3323—Design verification, e.g. functional simulation or model checking using formal methods, e.g. equivalence checking or property checking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G06N5/013—Automatic theorem proving

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Claims (13)

1. Procédé mis en œuvre par ordinateur de sélection d’un démonstrateur parmi une pluralité de démonstrateurs (P) pour un design à vérifier (D), comprenant : - collecter, par un module de données (40), des données brutes ayant trait au design et extraire, à partir des données brutes, une pluralité de caractéristiques d’entrée (F); - transformer, par un module transformateur (50), la pluralité de caractéristiques d’entrée, dans lequel la transformation de la pluralité de caractéristiques d’entrée comprend appliquer une régression linéaire à la pluralité de caractéristiques d’entrée (F) ; - classifier, en utilisant un module de classification (60), les démonstrateurs de la pluralité de démonstrateurs, dans lequel le module de classification (60) est adapté pour prédire un meilleur démonstrateur (P), étant le démonstrateur qui résout une propriété plus vite que les démonstrateurs restants de la pluralité de démonstrateurs (P), et sélectionner un ou plusieurs démonstrateurs sur la base des résultats de la classification.
2. Procédé selon la revendication 1, dans lequel l’étape d’extraire une pluralité de caractéristiques (F) comprend l’étape d’extraire des paramètres de design (DP) en tant que caractéristiques d’entrée (F) pour le module transformateur (50).
3. Procédé selon la revendication 1, dans lequel la transformation des données collectées comprend retirer la corrélation croisée des caractéristiques d’entrée (F).
4. Procédé selon la revendication 3, dans lequel l’étape de retirer la corrélation croisée des caractéristiques d’entrée (F) comprend : - standardiser, par un module scalaire standard (52), les caractéristiques d’entrée de la pluralité de caractéristiques d’entrées (F) à une variance unitaire à des caractéristiques standardisées (F) ; et - appliquer, par un module d’analyse de composant principal (54), unleUli transformation orthogonale en tant qu’analyse de composant principal aux caractéristiques standardisées (F), et garder les composants résultant de l’analyse de composant principal ayant un ratio significatif de variance expliquée.
5. Procédé selon la revendication 1, dans lequel le module de classification (60) est pré entraîné en collectant un ensemble de données d’entrainement ou d’apprentissage ayant trait à un ensemble de designs (D), paramètres de design et durées d’exécution pour une pluralité de démonstrateurs, transformer l’ensemble de données d’entrainement ou d’apprentissage, et classifier les démonstrateurs en utilisant l’ensemble transformé de données d’entrainement ou d’apprentissage.
6. Procédé selon la revendication 1, dans lequel l’étape de classification comprend l’attribution d’une probabilité à un démonstrateur, pour une propriété, en utilisant une régression logistique multi classe basée sur des caractéristiques de design et un résultat attendu de la propriété.
7. Procédé selon la revendication 1, comprenant en outre configurer les démonstrateurs de la pluralité de démonstrateurs en utilisant une dépendance de modèle de régression linéaire d’une taille d’étape sur le design et une durée attendue pour la vérification de l’assertion par le démonstrateur.
8. Procédé selon la revendication 7, dans lequel un démonstrateur est configuré en utilisant un modèle de régression LASSO ayant des variables dépendantes et des variables indépendantes, dans lequel la variable dépendante du modèle de régression est un nombre d’étapes et la variable indépendantes du modèle de régression sont des statistiques de design et temps de vérification attendu.
9. Procédé selon la revendication 1, comprenant en outre grouper des démonstrateurs dans une pluralité de groupes de démonstrateur et grouper des propriétés dans une pluralité de propriété, sur la base des durées d’exécution pour chaque propriété et démonstrateur.
10. Procédé selon la revendication 9, comprenant attribuer un groupe de démonstrateur à un groupe de propriété, en particulier dans lequel le groupe de démonstrateur attribué de la pluralité de groupes de démonstrateur a une somme minimum de durébu d’exécution.
11. Procédé selon la revendication 10, comprenant sélectionner, pour chaque groupe de démonstrateur attribué, le démonstrateur du groupe de démonstrateur ayant les durées d’exécution minimum sur les propriétés du groupe de propriété auquel le groupe de démonstrateur attribué est attribué.
12. Procédé selon la revendication 10, comprenant en outre exécuter les démonstrateurs sélectionnés des groupes de démonstrateur attribués en parallèle.
13. Produit programme d’ordinateur comprenant un support pour ordinateur non transitoire avec un programme d’ordinateur qui y est mémorisé pour amener un ordinateur à réaliser les étapes d’un procédé selon la revendication 1.
LU100491A 2017-10-23 2017-10-23 Method of selecting a prover LU100491B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
LU100491A LU100491B1 (en) 2017-10-23 2017-10-23 Method of selecting a prover
EP18202161.8A EP3474196A1 (fr) 2017-10-23 2018-10-23 Procédé de sélection d'un dispositif d'identification

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
LU100491A LU100491B1 (en) 2017-10-23 2017-10-23 Method of selecting a prover

Publications (1)

Publication Number Publication Date
LU100491B1 true LU100491B1 (en) 2019-05-22

Family

ID=60935916

Family Applications (1)

Application Number Title Priority Date Filing Date
LU100491A LU100491B1 (en) 2017-10-23 2017-10-23 Method of selecting a prover

Country Status (1)

Country Link
LU (1) LU100491B1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140330758A1 (en) * 2013-05-03 2014-11-06 Synopsys, Inc. Formal verification result prediction

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140330758A1 (en) * 2013-05-03 2014-11-06 Synopsys, Inc. Formal verification result prediction

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BISCHL BERND ET AL: "ASlib: A benchmark library for algorithm selection", ARTIFICIAL INTELLIGENCE, ELSEVIER SCIENCE PUBLISHER B.V., AMSTERDAM, NL, vol. 237, 8 April 2016 (2016-04-08), pages 41 - 58, XP029545370, ISSN: 0004-3702, DOI: 10.1016/J.ARTINT.2016.04.003 *
MARIUS LINDAUER ET AL: "AutoFolio: An Automatically Configured Algorithm Selector", JOURNAL OF ARTIFICIAL INTELLIGENCE RESEARCH, 1 August 2015 (2015-08-01), pages 745 - 778, XP055416536, Retrieved from the Internet <URL:https://jair.org/media/4726/live-4726-8840-jair.pdf> [retrieved on 20180702] *
PRASAD MUKUL R ET AL: "A survey of recent advances in SAT-based formal verification", INTERNATIONAL JOURNAL ON SOFTWARE TOOLS FOR TECHNOLOGY TRANSFER, SPRINGER, BERLIN, DE, vol. 7, no. 2, 25 January 2005 (2005-01-25), pages 156 - 173, XP035890945, ISSN: 1433-2779, [retrieved on 20050125], DOI: 10.1007/S10009-004-0183-4 *

Similar Documents

Publication Publication Date Title
US10733344B2 (en) Method of selecting a prover
US11308418B2 (en) Automatic selection of variables for a machine-learning model
US20170330078A1 (en) Method and system for automated model building
Liquet et al. Bayesian variable selection regression of multivariate responses for group data
Xie et al. FIST: A feature-importance sampling and tree-based method for automatic design flow parameter tuning
US11556785B2 (en) Generation of expanded training data contributing to machine learning for relationship data
Vasicek et al. Evolutionary design of complex approximate combinational circuits
Bergmann et al. Approximation of dispatching rules for manufacturing simulation using data mining methods
WO2017039684A1 (fr) Classificateur
Stoyanov et al. Predictive analytics methodology for smart qualification testing of electronic components
Shi et al. Deepgate2: Functionality-aware circuit representation learning
Kumara et al. FOCloud: feature model guided performance prediction and explanation for deployment configurable cloud applications
JP6658507B2 (ja) 負荷推定システム、情報処理装置、負荷推定方法、及び、コンピュータ・プログラム
EP3474196A1 (fr) Procédé de sélection d&#39;un dispositif d&#39;identification
US10803218B1 (en) Processor-implemented systems using neural networks for simulating high quantile behaviors in physical systems
Doddaiah et al. Class-specific explainability for deep time series classifiers
KR20200092989A (ko) 아웃라이어 감지를 위한 비지도 파라미터 러닝을 이용한 생산용 유기체 식별
LU100491B1 (en) Method of selecting a prover
US11790139B1 (en) Predicting a performance metric based on features of a circuit design and explaining marginal contributions of the features to the prediction
Ganesan et al. A case for generalizable DNN cost models for mobile devices
Wilson Methods for clustering data with missing values
Koljonen Comparison of nearest point algorithms by genetic algorithms
Premalatha et al. Software Fault Prediction and Classification using Cost based Random Forest in Spiral Life Cycle Model.
Bogaerts et al. A fast inverse approach for the quantification of set-theoretical uncertainty
Fresse et al. Methodological framework for noc resources dimensioning on fpgas

Legal Events

Date Code Title Description
FG Patent granted

Effective date: 20190522