View
216
Download
0
Category
Preview:
Citation preview
IIC 2632 – Computación Evolutiva
Presentación del Presentación del CursoCurso
11erer sem 2012 sem 2012IIC 2632 – Computación IIC 2632 – Computación
EvolutivaEvolutiva
© Rodrigo Sandoval© Rodrigo Sandoval
ContenidosContenidos
Aspectos GeneralesAspectos Generales ObjetivosObjetivos ContenidosContenidos Evaluaciones y consideracionesEvaluaciones y consideraciones BibliografíaBibliografía
Aspectos GeneralesAspectos Generales
SiglaSigla IIC2632 – IIC2632 – Computación Computación EvolutivaEvolutiva
Pre-Pre-RequisitosRequisitos
IIC1222 - IIC1222 - Programación Programación AvanzadaAvanzada
CréditosCréditos 1010
ProfesorProfesor Rodrigo SandovalRodrigo Sandovalrsandova@ing.puc.cl / 570 8864rsandova@ing.puc.cl / 570 8864
WebWeb Iic2632.rodrigosandoval.netIic2632.rodrigosandoval.net
HorarioHorario L-W 1 - Sala Javier Pinto L-W 1 - Sala Javier Pinto (DCC)(DCC)
Carácter Carácter OptativoOptativo
ObjetivosObjetivos GeneralesGenerales
Entender y ser capaz de aplicar Entender y ser capaz de aplicar evoluciónevolución en la en la resolución de problemas complejos de resolución de problemas complejos de optimización.optimización.
EspecíficosEspecíficos Adquirir reglas básicas para la modelación de Adquirir reglas básicas para la modelación de
datos en sistemas evolutivos.datos en sistemas evolutivos. Seleccionar esquemas de búsqueda adecuados Seleccionar esquemas de búsqueda adecuados
para un problema en particular.para un problema en particular. Conocer técnicas/herramientas para poder Conocer técnicas/herramientas para poder
adaptar la solución encontrada al problema real.adaptar la solución encontrada al problema real. Conocer aplicaciones de este tipo de algoritmos Conocer aplicaciones de este tipo de algoritmos
en situaciones reales de la industria moderna.en situaciones reales de la industria moderna.
ContenidosContenidos Introducción a la Introducción a la
computación evolutivacomputación evolutiva Operadores de búsquedaOperadores de búsqueda Esquemas de selecciónEsquemas de selección Operadores de búsqueda Operadores de búsqueda
en representaciones en representaciones arbitrariasarbitrarias
Optimización Optimización combinatorial adaptativacombinatorial adaptativa
Niching y especiaciónNiching y especiación
Manejo de Manejo de restriccionesrestricciones
Programación genéticaProgramación genética Optimización evolutiva Optimización evolutiva
multi-objetivomulti-objetivo Clasificadores por Clasificadores por
aprendizajeaprendizaje Algoritmos de Algoritmos de
estimación de estimación de distribucióndistribución
¿Para qué sirve todo ¿Para qué sirve todo esto?esto?
Existe muchas herramientas matemáticas Existe muchas herramientas matemáticas para resolver problemas complejos.para resolver problemas complejos.
¿Pero qué sucede cuando no es posible ¿Pero qué sucede cuando no es posible aplicar algoritmos matemáticos definidos, aplicar algoritmos matemáticos definidos, ya sea por la complejidad del problema o ya sea por la complejidad del problema o el tamaño del espacio de búsqueda?el tamaño del espacio de búsqueda?
Se requieren soluciones diferentes, Se requieren soluciones diferentes, llamadas heurísticas, que enfrentan estos llamadas heurísticas, que enfrentan estos problemas sin una dependencia en problemas sin una dependencia en fórmulas matemáticas directamente.fórmulas matemáticas directamente.
¿Para qué sirve todo ¿Para qué sirve todo esto?esto?
La La heurística de optimizaciónheurística de optimización sirve sirve para contestar preguntas como:para contestar preguntas como: ¿cuál es el mejor …?,¿cuál es el mejor …?, ¿cómo se comporta …?,¿cómo se comporta …?, ¿qué tipo de … sirve?, etc.¿qué tipo de … sirve?, etc.
Heurísticas hay varias. Los enfoques Heurísticas hay varias. Los enfoques basados en la Teoría de la Evolución, o basados en la Teoría de la Evolución, o Programas EvolutivosProgramas Evolutivos, han demostrado , han demostrado éxito en una gran variedad de contextos y éxito en una gran variedad de contextos y situaciones.situaciones.
Evaluaciones 2012-1Evaluaciones 2012-1 3 Interrogaciones:3 Interrogaciones:
En horario de clases.En horario de clases. Se puede llevar Se puede llevar
material impreso de material impreso de apoyo.apoyo.
I1: Miércoles 4 AbrilI1: Miércoles 4 Abril I2: Miércoles 9 MayoI2: Miércoles 9 Mayo I3: Miércoles 6 JunioI3: Miércoles 6 Junio
TareasTareas T1: Lunes 16 AbrilT1: Lunes 16 Abril T2: Viernes 1 JunioT2: Viernes 1 Junio
Examen: Martes 3 Examen: Martes 3 JulioJulio
Nota FinalNota Final PromedioInt*0.4 + PromedioInt*0.4 +
PromedioTar*0.35 +PromedioTar*0.35 +Ex*0.25Ex*0.25
Consideraciones:Consideraciones: No hay eximición.No hay eximición. La entrega de tareas es obligatoria.La entrega de tareas es obligatoria. Se reemplazará automáticamente la Se reemplazará automáticamente la
peor nota (única) en prueba escrita peor nota (única) en prueba escrita (incluso por inasistencia) con la (incluso por inasistencia) con la nota del examen si esta última es nota del examen si esta última es mejor. Cualquier otra mejor. Cualquier otra inasistencia/no-entrega será inasistencia/no-entrega será calificada con 1.0calificada con 1.0
Toda acción que vicie alguna de las Toda acción que vicie alguna de las evaluaciones del curso tendrá como evaluaciones del curso tendrá como sanción un 1.1 de nota final en el sanción un 1.1 de nota final en el curso, sin posibilidad de botarlo.curso, sin posibilidad de botarlo.
BibliografíaBibliografía Genetic Algorithms + Data Structures = Evolution Genetic Algorithms + Data Structures = Evolution
ProgramsPrograms Zbigniew MichalewiczZbigniew Michalewicz Tercera edición, 1999Tercera edición, 1999 Editorial SpringerEditorial Springer
Multi-objective optimization using evolutionary Multi-objective optimization using evolutionary algorithmsalgorithms Kalyanmoy DebKalyanmoy Deb
Foundations of Genetic ProgrammingFoundations of Genetic Programming William B. Langdon, Ricardo PoliWilliam B. Langdon, Ricardo Poli Primera edición, 2002Primera edición, 2002 Editorial SpringerEditorial Springer
Towards an New Evolutionary Computation, Advances Towards an New Evolutionary Computation, Advances on Estimation of Distribution Algorithmson Estimation of Distribution Algorithms José A. Lozano, Pedro Larrañaga, Iñaki Inza, Endika BengoetxeaJosé A. Lozano, Pedro Larrañaga, Iñaki Inza, Endika Bengoetxea Primera edición, 2006Primera edición, 2006 Editorial SpringerEditorial Springer
Materia Disponible Materia Disponible OnlineOnline
El ProfesorEl Profesor
Rodrigo Sandoval U.Rodrigo Sandoval U.
Ingeniero Civil de Industrias, mención Ingeniero Civil de Industrias, mención computación, PUC. 1996computación, PUC. 1996
Magíster Ciencias Ingeniería. 1996Magíster Ciencias Ingeniería. 1996 Investigación área inteligencia artificial.Investigación área inteligencia artificial. Trabajo en Laboratorio IA y Trabajo en Laboratorio IA y
Optimización.Optimización. Desde Marzo 1996, profesor del DCC.Desde Marzo 1996, profesor del DCC.
Actualmente Profesor Adjunto Asociado.Actualmente Profesor Adjunto Asociado. Premio excelencia docente 2002.Premio excelencia docente 2002.
ProfesorProfesor
Experiencia Laboral:Experiencia Laboral: Proyectos software desde 1996. Empresas: Proyectos software desde 1996. Empresas:
ORDEN (Sonda), Tata (TCS), DICTUC, y ORDEN (Sonda), Tata (TCS), DICTUC, y Synopsys (USA).Synopsys (USA).
2006 a 2011:2006 a 2011: Technical Lead de grupo TCADTechnical Lead de grupo TCAD en Synopsys Inc. en Synopsys Inc. Empresa EDA, basada en Mountain View, California.Empresa EDA, basada en Mountain View, California. Especialización en Especialización en OptimizaciónOptimización aplicada a la aplicada a la
fabricación de semiconductores.fabricación de semiconductores. Desde 2011, fundador de R:Solver, empresa de Desde 2011, fundador de R:Solver, empresa de
software focalizada en sistemas expertos.software focalizada en sistemas expertos.
Optimización aplicada a Optimización aplicada a EDAEDA
Calibración de procesosCalibración de procesos Encontrar configuración de Encontrar configuración de
parámetros del proceso de parámetros del proceso de fabricación que satisfaga fabricación que satisfaga condiciones.condiciones.
Cada cambio de tecnología Cada cambio de tecnología plantea diferentes plantea diferentes obstáculos, que requieren obstáculos, que requieren ajustes en la ajustes en la “optimización”.“optimización”.
Sentaurus TCAD Integrated FlowSentaurus TCAD Integrated Flow
ApplicationsApplications Design, analyze and optimize semiconductor Design, analyze and optimize semiconductor
technologies and devicestechnologies and devices
• Semiconductor physics modeling
Gate oxide3 nm
Poly gate depositionGate formation
100 nm gate lengthHalo implant
BF2, 40 keV, 8e12, 35 deg, quad
S/D extensionAs, 5 keV, 5e14, 0 deg
S/D extension anneal1050 degC, 3 s
…..…..…..Vth, Ion, Ioff……..
Process
Process
Device
SlowParts
GoodParts
HighLeakage
Parts
Power
Fre
qu
en
cy
Application: Controlling Process Application: Controlling Process VariabilityVariability
Gate oxide
Gate CD Halo implant
S/D XT implant
RTA tempIoff Ion
NominalNominal
SpecSpeclimitlimit
SpecSpeclimitlimit
MeasureMeasure
SlowParts
GoodParts
HighLeakage
Parts
Power
Fre
qu
en
cy
Controlled
Uncontrolled
slow good leaking
Nu
mb
er
of
Pa
rts
Uncontrolled Controlled
ControlControl
Recommended