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
- 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) - Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。
GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文 参考訳(メタデータ) (2023-11-05T11:48:08Z) - Decreasing the Computing Time of Bayesian Optimization using
Generalizable Memory Pruning [56.334116591082896]
本稿では,任意のサロゲートモデルと取得関数で使用可能なメモリプルーニングとバウンダリ最適化のラッパーを示す。
BOを高次元または大規模データセット上で実行することは、この時間の複雑さのために難解になる。
すべてのモデル実装はMIT Supercloudの最先端コンピューティングハードウェア上で実行される。
論文 参考訳(メタデータ) (2023-09-08T14:05:56Z) - 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) - HEAT: Hardware-Efficient Automatic Tensor Decomposition for Transformer
Compression [69.36555801766762]
本稿では,分解可能な指数空間を効率的に探索できるハードウェア対応テンソル分解フレームワークHEATを提案する。
ハードウェア対応のBERT変異体は, エネルギー遅延を5.7倍に低減し, 精度が1.1%以下であることを示す。
論文 参考訳(メタデータ) (2022-11-30T05:31:45Z) - 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) - Rapid Flow Behavior Modeling of Thermal Interface Materials Using Deep
Neural Networks [0.20999222360659608]
熱界面材料(TIM)は電子包装に広く使われている。
本稿では,TIMの拡散挙動をモデル化する軽量長方形を提案する。
このモデルから得られたデータに基づいて,ニューラルネットワーク(ANN)をトレーニングすることにより,計算を高速化する。
論文 参考訳(メタデータ) (2022-08-08T10:44:17Z) - Joint inference and input optimization in equilibrium networks [68.63726855991052]
ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。
この2つの設定の間には自然なシナジーがあることが示されています。
この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
論文 参考訳(メタデータ) (2021-11-25T19:59:33Z) - Machine-Learning Assisted Optimization Strategies for Phase Change
Materials Embedded within Electronic Packages [0.0]
位相変化材料(PCMs)の潜熱を緩和することで、電子機器のピーク温度と過渡的な温度変化を低減できる。
本研究では、電子機器のシリコンデバイス層内にPCMを埋め込むことにより、ソースとPCMとの間の熱抵抗を最小限に抑える。
組み込みPCM領域の形状と材料特性は、パラメトリックアルゴリズムと機械学習アルゴリズムの組み合わせを使用して最適化されます。
論文 参考訳(メタデータ) (2021-04-21T19:20:04Z) - 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。