論文の概要: Machine learning thermal circuit network model for thermal design
optimization of electronic circuit board layout with transient heating chips
- arxiv url: http://arxiv.org/abs/2008.13571v2
- Date: Sat, 16 Jan 2021 10:29:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 02:39:46.582212
- Title: Machine learning thermal circuit network model for thermal design
optimization of electronic circuit board layout with transient heating chips
- Title(参考訳): 過渡加熱チップを用いた電子回路基板レイアウトの熱設計最適化のための機械学習熱回路ネットワークモデル
- Authors: Daiki Otaki (1), Hirofumi Nonaka (1) and Noboru Yamada (1) ((1)
Nagaoka University of Technology, Niigata, Japan)
- Abstract要約: 本稿では,ベイズ最適化(BO)とランプ型サーマルサーマルサーマルサーマル回路モデルを組み合わせた手法について述べる。
BOは、理想的な回路基板レイアウトとパーティクルスウォーム最適化(PSO)と遺伝的アルゴリズム(GA)の発見に成功した。
これは全てのレイアウトパターンを分析するのに必要なCPU時間の1/1000と見積もられた。
- 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: This paper describes a method combining Bayesian optimization (BO) and a
lamped-capacitance thermal circuit network model that is effective for speeding
up the thermal design optimization of an electronic circuit board layout with
transient heating chips. As electronic devices have become smaller and more
complex, the importance of thermal design optimization to ensure heat
dissipation performance has increased. However, such thermal design
optimization is difficult because it is necessary to consider various
trade-offs associated with packaging and transient temperature changes of
heat-generating components. This study aims to improve the performance of
thermal design optimization by artificial intelligence. BO using a Gaussian
process was combined with the lamped-capacitance thermal circuit network model,
and its performance was verified by case studies. As a result, BO successfully
found the ideal circuit board layout as well as particle swarm optimization
(PSO) and genetic algorithm (GA) could. The CPU time for BO was 1/5 and 1/4 of
that for PSO and GA, respectively. In addition, BO found a non-intuitive
optimal solution in approximately 7 minutes from 10 million layout patterns. It
was estimated that this was 1/1000 of the CPU time required for analyzing all
layout patterns.
- Abstract(参考訳): 本稿では,電子回路基板レイアウトの熱設計最適化と過渡加熱チップの高速化に有効な,ベイズ最適化(BO)とランプ型熱回路網モデルを組み合わせる手法について述べる。
電子機器の小型化と複雑化に伴い、放熱性能を高めるための熱設計最適化の重要性が高まっている。
しかし, 熱設計の最適化は, 包装や熱発生成分の過渡温度変化に伴う様々なトレードオフを考慮する必要があるため困難である。
本研究は,人工知能による熱設計最適化の性能向上を目的としている。
ガウス過程を用いたboとランプ容量サーマル回路ネットワークモデルが組み合わされ,その性能がケーススタディによって検証された。
その結果、BOは、パーティクルスウォーム最適化(PSO)や遺伝的アルゴリズム(GA)と同様に、理想的な回路基板レイアウトを見出した。
BO の CPU 時間は PSO と GA の CPU の 1/5 と 1/4 であった。
さらにboは、1000万のレイアウトパターンから約7分間で、直観的でない最適なソリューションを見つけた。
これは全てのレイアウトパターンを分析するのに必要なCPU時間の1/1000と見積もられた。
関連論文リスト
- PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。
ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。
最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
論文 参考訳(メタデータ) (2024-12-26T17:02:19Z) - Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。
BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。
我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
論文 参考訳(メタデータ) (2024-12-03T19:20:08Z) - Benchmarking End-To-End Performance of AI-Based Chip Placement Algorithms [77.71341200638416]
ChiPBenchはAIベースのチップ配置アルゴリズムの有効性を評価するために設計されたベンチマークである。
評価のために、さまざまなドメイン(CPU、GPU、マイクロコントローラなど)から20の回路を集めました。
その結果, 単点アルゴリズムの中間距離が支配的であったとしても, 最終的なPPA結果は満足できないことがわかった。
論文 参考訳(メタデータ) (2024-07-03T03:29:23Z) - vHeat: Building Vision Models upon Heat Conduction [63.00030330898876]
vHeatは、高い計算効率とグローバルな受容場の両方を同時に達成する、新しいビジョンバックボーンモデルである。
基本的な考え方は、画像パッチを熱源として概念化し、それらの相関の計算を熱エネルギーの拡散としてモデル化することである。
論文 参考訳(メタデータ) (2024-05-26T12:58:04Z) - Machine Learning-Assisted Thermoelectric Cooling for On-Demand Multi-Hotspot Thermal Management [12.515874333424929]
熱電冷却器 (TEC) は、高度電子システムにおける局所ホットスポットの直接冷却とアクティブな熱管理のための有望なソリューションを提供する。
TECは空間冷却、暖房、電力消費に大きなトレードオフをもたらす。
本研究では,大域的最適温度を達成できる熱電冷却器の機械学習支援最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-04-20T18:35:45Z) - Automated Design and Optimization of Distributed Filtering Circuits via Reinforcement Learning [20.500468654567033]
そこで本研究では,DFC設計のための新しいエンドツーエンド自動手法を提案する。
提案手法は強化学習(RL)アルゴリズムを利用して,技術者の設計経験への依存を解消する。
本手法は, 複雑もしくは急速に発展するDFCの設計において, 優れた性能を実現する。
論文 参考訳(メタデータ) (2024-02-22T02:36:14Z) - RLPlanner: Reinforcement Learning based Floorplanning for Chiplets with
Fast Thermal Analysis [1.0071303316424576]
近年、チップレットベースのシステムは、低コストで競争力のある性能のため、大きな注目を集めている。
本稿では,新しい高速熱評価法により,チップレット系システムのための効率的な初期フロアプランニングツール RLPlanner を紹介する。
論文 参考訳(メタデータ) (2023-12-28T08:36:19Z) - DeepOHeat: Operator Learning-based Ultra-fast Thermal Simulation in
3D-IC Design [7.112313433801361]
DeepOHeatは、熱方程式系の温度場を予測する物理を意識した演算子学習フレームワークである。
未確認のテストケースでは、よく訓練されたDeepOHeatが正確な結果が得られる。
論文 参考訳(メタデータ) (2023-02-25T01:18:48Z) - Machine learning based surrogate models for microchannel heat sink
optimization [0.0]
本稿では,二次チャネルとリブを用いたマイクロチャネルの設計を計算流体力学を用いて検討する。
ラテンハイパーキューブサンプリング、機械学習に基づく代理モデリング、多目的最適化を組み合わせたワークフローを提案する。
論文 参考訳(メタデータ) (2022-08-20T13:49:11Z) - Maximal power for heat engines: role of asymmetric interaction times [110.83289076967895]
本稿では、エンジン性能を最適化するために、相互作用時間非対称性を調整するという考え方を紹介する。
個別最適化プロトコルは熱力学の枠組みで解析される。
論文 参考訳(メタデータ) (2020-12-16T22:26:14Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳(メタデータ) (2020-10-01T18:14:11Z)
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。