論文の概要: Multilayer Perceptron Based Stress Evolution Analysis under DC Current
Stressing for Multi-segment Wires
- arxiv url: http://arxiv.org/abs/2205.09065v1
- Date: Tue, 17 May 2022 07:38:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-19 14:01:53.794477
- Title: Multilayer Perceptron Based Stress Evolution Analysis under DC Current
Stressing for Multi-segment Wires
- Title(参考訳): マルチセグメントワイヤの直流電流応力下での多層パーセプトロンによる応力進化解析
- Authors: Tianshu Hou and Peining Zhen and Ngai Wong and Quan Chen and Guoyong
Shi and Shuqi Wang and Hai-Bao Chen
- Abstract要約: エレクトロマイグレーション(EM)は、超大規模統合(VLSI)システムの信頼性解析における主要な関心事の一つである。
従来の手法はしばしば十分に正確ではないため、特に高度な技術ノードにおいて、望ましくない過設計につながる。
本稿では,多層パーセプトロン(MLP)を用いて,空核形成フェーズにおける相互接続木間の応力変化を計算する手法を提案する。
- 参考スコア(独自算出の注目度): 8.115870370527324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electromigration (EM) is one of the major concerns in the reliability
analysis of very large scale integration (VLSI) systems due to the continuous
technology scaling. Accurately predicting the time-to-failure of integrated
circuits (IC) becomes increasingly important for modern IC design. However,
traditional methods are often not sufficiently accurate, leading to undesirable
over-design especially in advanced technology nodes. In this paper, we propose
an approach using multilayer perceptrons (MLP) to compute stress evolution in
the interconnect trees during the void nucleation phase. The availability of a
customized trial function for neural network training holds the promise of
finding dynamic mesh-free stress evolution on complex interconnect trees under
time-varying temperatures. Specifically, we formulate a new objective function
considering the EM-induced coupled partial differential equations (PDEs),
boundary conditions (BCs), and initial conditions to enforce the physics-based
constraints in the spatial-temporal domain. The proposed model avoids meshing
and reduces temporal iterations compared with conventional numerical approaches
like FEM. Numerical results confirm its advantages on accuracy and
computational performance.
- Abstract(参考訳): エレクトロマイグレーション(EM)は、連続的な技術のスケーリングによる超大規模統合(VLSI)システムの信頼性解析における主要な関心事の一つである。
集積回路(IC)の時間と障害の正確な予測は、現代のIC設計においてますます重要になっている。
しかし、従来の手法は十分に正確ではないことが多く、特に高度な技術ノードでは望ましくない過設計につながる。
本稿では,多層パーセプトロン (MLP) を用いた空核形成過程における相互接続木間の応力変化の計算手法を提案する。
ニューラルネットワークトレーニングのためのカスタマイズされた試行関数の可用性は、時間的変動温度下で複雑な相互接続木上で動的メッシュフリーなストレス進化を見つけることを約束している。
具体的には,em-induced coupled partial differential equation (pdes) と境界条件 (bcs) と初期条件を考慮し,空間-時空間領域における物理に基づく制約を強制する新しい目的関数を定式化する。
提案モデルは,FEMなどの従来の数値手法と比較して,メッシュ化を回避し,時間的反復を低減する。
数値的な結果は精度と計算性能の利点を裏付けるものである。
関連論文リスト
- Exact Enforcement of Temporal Continuity in Sequential Physics-Informed
Neural Networks [0.0]
解アンザッツを用いて連続時間セグメント間の連続性を強制する手法を提案する。
この手法は、線形PDEと非線形PDEの両方を含む多くのベンチマーク問題に対して試験される。
提案手法を用いて行った数値実験により,従来のPINNとソフトコントラストの双方に対して,コンバージェンスと精度が優れていた。
論文 参考訳(メタデータ) (2024-02-15T17:41:02Z) - Neuro-DynaStress: Predicting Dynamic Stress Distributions in Structural
Components [10.588266927411434]
高度に破壊的な事象をリアルタイムに予測することは、動的応力分布を予測することが重要である。
有限要素シミュレーションに基づいて, 応力分布の全列を予測するために, ディープラーニングモデルNeuro-DynaStressを提案する。
論文 参考訳(メタデータ) (2022-12-19T03:02:26Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳(メタデータ) (2022-12-18T02:03:00Z) - Deep Convolutional Architectures for Extrapolative Forecast in
Time-dependent Flow Problems [0.0]
深層学習技術は、対流に支配された問題に対するシステムの力学をモデル化するために用いられる。
これらのモデルは、PDEから得られた連続した時間ステップに対する高忠実度ベクトル解のシーケンスとして入力される。
ディープオートエンコーダネットワークのような非侵襲的な低次モデリング技術を用いて高忠実度スナップショットを圧縮する。
論文 参考訳(メタデータ) (2022-09-18T03:45:56Z) - On Fast Simulation of Dynamical System with Neural Vector Enhanced
Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。
NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。
様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文 参考訳(メタデータ) (2022-08-07T09:02:18Z) - Semi-supervised Learning of Partial Differential Operators and Dynamical
Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。
本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。
その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文 参考訳(メタデータ) (2022-07-28T19:59:14Z) - Interfacing Finite Elements with Deep Neural Operators for Fast
Multiscale Modeling of Mechanics Problems [4.280301926296439]
本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。
DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。
精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-25T20:46:08Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳(メタデータ) (2020-07-08T21:23:19Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z)
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。