Fugu-MT 論文翻訳(概要): Improving Machine Learning-Based Modeling of Semiconductor Devices by Data Self-Augmentation

論文の概要: Improving Machine Learning-Based Modeling of Semiconductor Devices by Data Self-Augmentation

arxiv url: http://arxiv.org/abs/2105.11453v1
Date: Tue, 25 May 2021 00:52:44 GMT
ステータス: 処理完了
システム内更新日: 2021-05-26 14:29:32.438209
Title: Improving Machine Learning-Based Modeling of Semiconductor Devices by Data Self-Augmentation
Title（参考訳）: データ自己提示による半導体デバイスの機械学習ベースモデリングの改善
Authors: Zeheng Wang, Liang Li, Ross C. C. Leon and Arne Laucht
Abstract要約: 半導体産業では、半導体デバイスの製造プロセスが複雑で高価であることを考えると、十分なサイズと高品質のデータセットを得るのは非常に困難である。本稿では,変分オートエンコーダを用いたデータ自己拡張によるMLに基づくデバイスモデリングの改善手法を提案する。例えば、ガリウム窒化物デバイスにおけるオーミック抵抗値の深いニューラルネットワークに基づく予測タスクを例に、提案手法を適用して、データポイントを増大させ、実験結果を最大70%まで予測する平均絶対誤差を低減させる。
参考スコア（独自算出の注目度）: 4.57818387705234
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In the electronics industry, introducing Machine Learning (ML)-based techniques can enhance Technology Computer-Aided Design (TCAD) methods. However, the performance of ML models is highly dependent on their training datasets. Particularly in the semiconductor industry, given the fact that the fabrication process of semiconductor devices is complicated and expensive, it is of great difficulty to obtain datasets with sufficient size and good quality. In this paper, we propose a strategy for improving ML-based device modeling by data self-augmentation using variational autoencoder-based techniques, where initially only a few experimental data points are required and TCAD tools are not essential. Taking a deep neural network-based prediction task of the Ohmic resistance value in Gallium Nitride devices as an example, we apply our proposed strategy to augment data points and achieve a reduction in the mean absolute error of predicting the experimental results by up to 70%. The proposed method could be easily modified for different tasks, rendering it of high interest to the semiconductor industry in general.
Abstract（参考訳）: エレクトロニクス業界では、機械学習(ML)ベースの技術を導入することで、TCAD(Technology Computer-Aided Design)の手法を強化することができる。しかし、MLモデルの性能はトレーニングデータセットに大きく依存している。特に半導体産業では、半導体デバイスの製造プロセスが複雑で高価であることを考えると、十分なサイズと高品質のデータセットを得ることは非常に困難である。本稿では,まずは少数の実験データポイントが必要であり,tcaツールが必須ではない変分オートエンコーダに基づく手法を用いて,データ自己提示によるmlベースデバイスモデリングを改善するための戦略を提案する。例えば、ガリウム窒化物デバイスにおけるオーミック抵抗値の深いニューラルネットワークに基づく予測タスクを例に、提案手法を適用して、データポイントを増大させ、実験結果を最大70%まで予測する平均絶対誤差を低減させる。提案手法は様々なタスクに対して容易に変更可能であり,半導体産業全般に高い関心を寄せている。

関連論文リスト

Machine Unlearning of Pre-trained Large Language Models [17.40601262379265]
本研究では,大規模言語モデル(LLM)の文脈における「忘れられる権利」の概念について検討する。我々は、事前学習されたモデルに焦点をあてて、機械学習を重要なソリューションとして探求する。
論文参考訳（メタデータ） (2024-02-23T07:43:26Z)
Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文参考訳（メタデータ） (2024-01-11T15:02:15Z)
End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文参考訳（メタデータ） (2023-05-25T10:58:46Z)
Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文参考訳（メタデータ） (2023-04-28T10:27:38Z)
Qualitative Data Augmentation for Performance Prediction in VLSI circuits [2.1227526213206542]
本研究では,回路データにGANを用いた人工データの生成と評価を行う。トレーニングデータは、TSMC 180nmおよび22nmCMOS技術ノードを用いたCadence Virtuoso、HSPICE、Microcap設計環境における様々なシミュレーションによって得られる。実験結果から,提案した人工データ生成はMLモデルを大幅に改善し,元のパーセンテージ誤差の50%以上削減できることがわかった。
論文参考訳（メタデータ） (2023-02-15T10:14:12Z)
Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
論文参考訳（メタデータ） (2023-01-22T17:12:58Z)
An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-27T20:53:39Z)
Tiny Machine Learning for Concept Drift [8.452237741722726]
本稿では,ディープラーニング特徴抽出器とk-アネレスト近傍に基づくTML-CD(Tiny Machine Learning for Concept Drift)ソリューションを提案する。適応モジュールは、TML-CDの知識ベースを継続的に更新し、データ生成プロセスに影響を与える概念ドリフトに対処する。 3つの市販マイクロコントローラユニットへのTML-CDの移植は、現実世界の広範システムで提案されていることの実現可能性を示している。
論文参考訳（メタデータ） (2021-07-30T17:02:04Z)
Theory-Guided Machine Learning for Process Simulation of Advanced Composites [0.0]
Theory-Guided Machine Learning (TGML)は、物理法則をMLアルゴリズムに統合することを目指している。本稿では, 複合材料の加工過程における熱管理に関する3つのケーススタディについて述べる。
論文参考訳（メタデータ） (2021-03-30T00:49:40Z)
Fast IR Drop Estimation with Machine Learning [36.488460476900975]
機械学習(ML)技術は、多くの分野でその可能性と成功のために、高速IRドロップ推定のために活発に研究されている。本稿では,ML を用いた IR ドロップ推定手法の最近の進歩を概観する。また、電子設計自動化(EDA)におけるMLアプリケーションで直面するいくつかの一般的な課題を議論するための手段としても機能する。
論文参考訳（メタデータ） (2020-11-26T23:12:37Z)
Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。