論文の概要: Development, Demonstration, and Validation of Data-driven Compact Diode Models for Circuit Simulation and Analysis

• arxiv url: http://arxiv.org/abs/2001.01699v1
• Date: Mon, 6 Jan 2020 18:25:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-14 02:20:06.287030
• Title: Development, Demonstration, and Validation of Data-driven Compact Diode Models for Circuit Simulation and Analysis
• Title（参考訳）: 回路シミュレーション・解析のためのデータ駆動型小型ダイオードモデルの開発と実証・検証
• Authors: K. Aadithya, P. Kuberry, B. Paskaleva, P. Bochev, K. Leeson, A. Mar, T. Mei, E. Keiter
• Abstract要約: 機械学習技術は、コンパクトモデルの開発を自動化し、大幅に高速化する可能性がある。 MLは、特定の回路ステージに合わせて調整されたコンパクトモデルの階層を開発するために使用できる様々なモデリングオプションを提供する。 これらの「データ駆動型」コンパクトモデルの性能を,(1)実験室データと電圧電流特性を比較し,(2)これらの装置を用いたブリッジ回路の構築により評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compact semiconductor device models are essential for efficiently designing and analyzing large circuits. However, traditional compact model development requires a large amount of manual effort and can span many years. Moreover, inclusion of new physics (eg, radiation effects) into an existing compact model is not trivial and may require redevelopment from scratch. Machine Learning (ML) techniques have the potential to automate and significantly speed up the development of compact models. In addition, ML provides a range of modeling options that can be used to develop hierarchies of compact models tailored to specific circuit design stages. In this paper, we explore three such options: (1) table-based interpolation, (2)Generalized Moving Least-Squares, and (3) feed-forward Deep Neural Networks, to develop compact models for a p-n junction diode. We evaluate the performance of these "data-driven" compact models by (1) comparing their voltage-current characteristics against laboratory data, and (2) building a bridge rectifier circuit using these devices, predicting the circuit's behavior using SPICE-like circuit simulations, and then comparing these predictions against laboratory measurements of the same circuit.
• Abstract（参考訳）: 小型半導体デバイスモデルは大規模回路の効率的な設計と解析に不可欠である。 しかし、従来のコンパクトモデル開発には大量の手作業が必要であり、何年もかかる可能性がある。 さらに、既存のコンパクトモデルに新しい物理学(例えば放射効果)を組み込むことは簡単ではなく、ゼロから再開発する必要がある。 機械学習(ML)技術は、コンパクトモデルの開発を自動化し、大幅に高速化する可能性がある。 さらにMLは、特定の回路設計段階に適したコンパクトモデルの階層を開発するために使用できる様々なモデリングオプションを提供する。 本稿では,(1)テーブルベース補間,(2)一般化移動最小二乗,(3)フィードフォワードディープニューラルネットワークの3つの選択肢について検討し,p-n接合ダイオードのコンパクトモデルを開発する。 これらの「データ駆動型」コンパクトモデルの性能を,(1)実験室データに対する電圧電流特性の比較,(2)これらの装置を用いたブリッジ整流回路の構築,(2)スパイス様回路シミュレーションによる回路挙動の予測,および同一回路の実験室測定との比較により評価した。

関連論文リスト

• Synaptogen: A cross-domain generative device model for large-scale neuromorphic circuit design [1.704443882665726]
  実世界のデバイスの複雑な統計特性を再現する抵抗記憶のための高速な生成モデリング手法を提案する。 統合された1T1Rアレイの広範な測定データをトレーニングすることにより、自己回帰プロセスはパラメータ間の相互相関を正確に考慮する。 ベンチマークでは、この統計的に包括的なモデルがスループットを、さらに単純化され決定論的にコンパクトなモデルよりも上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-04-09T14:33:03Z)
• Machine Learning-powered Compact Modeling of Stochastic Electronic Devices using Mixture Density Networks [0.0]
  従来の決定論的モデルは、多くの電子部品によって示される微妙だが批判的な変動を捉えようとすると、不足する。 本稿では,機械学習の力を生かして,従来のモデリング手法の限界を超越する革新的な手法を提案する。 本論文は,電子回路の領域における革新を推し進める,正確で汎用的なコンパクトモデルの探求において,重要な一歩を踏み出したものである。
  論文  参考訳（メタデータ） (2023-11-10T01:34:18Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Systematic compactification of the (multi) two-channel Kondo model. II. Comparative study of scaling and universality [68.8204255655161]
  アンダーソンの単純な貧乏者の手順を用いてスケーリングについて研究する。 スケーリングに伴うフローの仕方に関して,3つのモデル間で共通的な合意を公開しています。
  論文  参考訳（メタデータ） (2023-08-07T13:46:45Z)
• Forecasting through deep learning and modal decomposition in two-phase concentric jets [2.362412515574206]
  本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。 燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
  論文  参考訳（メタデータ） (2022-12-24T12:59:41Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Learning Compact Physics-Aware Delayed Photocurrent Models Using Dynamic Mode Decomposition [1.933681537640272]
  半導体デバイスにおける放射誘起光電流は、複雑な物理モデルを用いてシミュレートすることができる。 複数の個別回路要素の詳細なモデルを評価することは、計算上不可能である。 本稿では,大規模回路シミュレーションで実装可能な小型遅延光電流モデルの学習手順を示す。
  論文  参考訳（メタデータ） (2020-08-27T18:21:46Z)
• A Generalized Strong-Inversion CMOS Circuitry for Neuromorphic Applications [0.0]
  生物学的モデルをアナログ電子回路に体系的に翻訳することは、ニューロモルフィック分野において常に課題であった。 本稿では、CMOS回路を用いて生体モデルを便利に実装できる一般化回路設計プラットフォームを提案する。 提案手法の有効性は, 市販のAMS 0.35Um技術を用いて, 現実的なプロセスパラメータを用いて, 名目シミュレーションにより検証した。
  論文  参考訳（メタデータ） (2020-07-28T01:47:39Z)
• A Compact Gated-Synapse Model for Neuromorphic Circuits [77.50840163374757]
  このモデルは、ニューロモルフィック回路のコンピュータ支援設計への統合を容易にするためにVerilog-Aで開発された。 モデルの振る舞い理論は、デフォルトパラメータ設定の完全なリストとともに詳細に記述されている。
  論文  参考訳（メタデータ） (2020-06-29T18:22:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。