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