With the complexity of Integrated Circuits increasing, design verification has become the most time consuming part of the ASIC design flow. Nearly 70% of the SoC design cycle is consumed by verification. The most commonly used approach to test all corner cases is through the use of Constrained Random Verification. Random stimulus is given in order to hit all possible combinations and test the design thoroughly. However, this approach often requires significant human expertise to reach all corner cases. This paper presents an alternative using Machine Learning to generate the input stimulus. This will allow for faster thorough verification of the design with less human intervention. Furthermore, it is proposed to use the open source verification environment 'Cocotb'. Based on Python, it is simple, intuitive and has a vast library of functions for machine learning applications. This makes it more convenient to use than the bulkier approach using traditional Hardware Verification Languages such as System Verilog or Specman E.
Maximising the Set-Piece Return: Optimising Football Corner Tactics with Graph Reinforcement Learning
School of Computer Science, University of Birmingham, Birmingham, UK（伯明翰大学计算机科学学院）；Nottingham Forest Football Club, Nottingham, UK（诺丁汉森林足球俱乐部）；Oxford Robotics Institute, University of Oxford, Oxford, UK（牛津大学机器人研究所）；School of Sport, Exercise and Rehabilitation Sciences, University of Birmingham, Birmingham, UK（伯明翰大学运动、体能与康复科学学院）
Optimising Random Forest Machine Learning Algorithms for User VR Experience Prediction Based on Iterative Local Search-Sparrow Search Algorithm
Northeastern University（东北大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The University of Tokyo（东京大学）；Georgia Institute of Technology（佐治亚理工学院）；Northern Arizona University（北亚利桑那大学）
Verification and Validation for Trustworthy Scientific Machine Learning
Sandia National Laboratories（桑迪亚国家实验室）；The George Washington University（乔治·华盛顿大学）；University of Michigan（密歇根大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
Towards Probabilistic Verification of Machine Unlearning
ETH Zürich（苏黎世联邦理工学院）；Princeton University（普林斯顿大学）
被遗忘权（Right to be forgotten），也被称为删除权（Right to erasure），是指个人有权将其数据从存储数据的实体中删除。这一长期持有的概念的地位最近在欧盟的《通用数据保护条例》（GDPR）中得到了法律上的巩固。因此，有必要建立一种机制，使用户能够核实服务提供商是否遵守其删除请求。在这项工作中，我们采取的第一步，提出了一个正式的框架，研究设计的验证机制，数据删除请求-也被称为机器遗忘-的背景下，提供机器学习作为一种服务（MLaaS）的系统。我们的框架允许严格量化的任何验证机制的基础上，标准的假设检验。此外，我们提出了一种新的基于后门的验证机制，并证明其有效性，在证明数据删除具有高置信度，从而提供了一个基础，定量推断机器遗忘。我们在一系列网络架构上评估了我们的方法，例如多层感知器（MLP），卷积神经网络（CNN），残差网络（ResNet）和长短期记忆（LSTM），以及超过5个不同的数据集。我们证明了我们的方法对ML服务的准确性影响最小，但提供了高置信度的遗忘验证。即使只有少数用户使用我们的系统来确定是否符合删除数据的要求，我们建议的机制也可以工作。特别是，只有5%的用户参与，用后门修改了一半的数据，只有30个测试查询，我们的验证机制的误报率和漏报率都低于$10^{-3}$。我们还显示了我们的方法的有效性，通过测试它对一个自适应的对手，使用一个国家的最先进…
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；University of Technology Sydney（悉尼科技大学）；Tsinghua University（清华大学）
TruVRF: Towards Triple-Granularity Verification on Machine Unlearning
School of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）
Sensitivity analysis of biological washout and depth selection for a machine learning based dose verification framework in proton therapy
Wuhan University（武汉大学）；University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；Shenzhen Bay Laboratory（深圳湾实验室）
A Machine Learning Driven Website Platform and Browser Extension for Real-time Scoring and Fraud Detection for Website Legitimacy Verification and Consumer Protection
University of Central Arkansas（中阿肯色大学）；University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
Using Game Engines and Machine Learning to Create Synthetic Satellite Imagery for a Tabletop Verification Exercise
Berliner Hochschule für Technik（柏林技术应用科学大学）；Program on Science and Global Security, Princeton University（普林斯顿大学科学与全球安全项目）；Einstein Center Digital Future, Berlin（柏林爱因斯坦数字未来中心）
A New Approach to Overcoming Zero Trade in Gravity Models to Avoid Indefinite Values in Linear Logarithmic Equations and Parameter Verification Using Machine Learning
Iterative Encoding-Decoding VAEs Anomaly Detection in NOAA's DART Time Series: A Machine Learning Approach for Enhancing Data Integrity for NASA's GRACE-FO Verification and Validation
University of California at Los Angeles（加利福尼亚大学洛杉矶分校）；NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）
