論文の概要: A Thermal Machine Learning Solver For Chip Simulation
- arxiv url: http://arxiv.org/abs/2209.04741v1
- Date: Sat, 10 Sep 2022 20:32:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 14:00:19.655570
- Title: A Thermal Machine Learning Solver For Chip Simulation
- Title(参考訳): チップシミュレーションのための熱機械学習ソルバ
- Authors: Rishikesh Ranade, Haiyang He, Jay Pathak, Norman Chang, Akhilesh
Kumar, Jimin Wen
- Abstract要約: 本稿では,チップの熱シミュレーションを高速化するための機械学習(ML)ソルバを提案する。
提案手法は、Ansys MAPDLや最新のMLベースラインであるUNetなど、商用の問題解決者に対して検証されている。
- 参考スコア(独自算出の注目度): 0.5592394503914488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Thermal analysis provides deeper insights into electronic chips behavior
under different temperature scenarios and enables faster design exploration.
However, obtaining detailed and accurate thermal profile on chip is very
time-consuming using FEM or CFD. Therefore, there is an urgent need for
speeding up the on-chip thermal solution to address various system scenarios.
In this paper, we propose a thermal machine-learning (ML) solver to speed-up
thermal simulations of chips. The thermal ML-Solver is an extension of the
recent novel approach, CoAEMLSim (Composable Autoencoder Machine Learning
Simulator) with modifications to the solution algorithm to handle constant and
distributed HTC. The proposed method is validated against commercial solvers,
such as Ansys MAPDL, as well as a latest ML baseline, UNet, under different
scenarios to demonstrate its enhanced accuracy, scalability, and
generalizability.
- Abstract(参考訳): 熱分析は、異なる温度シナリオ下での電子チップの挙動に関する深い洞察を与え、より高速な設計探索を可能にする。
しかし,FEMやCFDを用いてチップの温度分布を正確に把握するには非常に時間がかかる。
そのため、さまざまなシステムシナリオに対処するために、オンチップのサーマルソリューションをスピードアップする必要がある。
本稿では,チップの熱シミュレーションを高速化するための機械学習(ML)ソルバを提案する。
サーマルmlソルバ(thermal ml-solver)は、最新の新しいアプローチであるcoaemlsim(composable autoencoder machine learning simulator)の拡張である。
提案手法は ansys mapdl や最新の ml ベースライン unet といった商用ソルバに対して,異なるシナリオで検証することで,精度,スケーラビリティ,一般化性の向上を実証する。
関連論文リスト
- Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - Machine Learning methods for simulating particle response in the Zero
Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。
大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。
機械学習を利用した問題に対する代替手法を提案する。
論文 参考訳(メタデータ) (2023-06-23T16:45:46Z) - In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳(メタデータ) (2023-06-22T14:07:54Z) - Towards a Machine-Learned Poisson Solver for Low-Temperature Plasma
Simulations in Complex Geometries [0.0]
静電自己整合性低温プラズマシミュレーションでは、各シミュレーション時間ステップでポアソン方程式が解かれる。
複雑な2次元原子炉におけるポアソンシミュレーションの要求に特化して設計された汎用機械学習型解法を開発した。
我々は,高度にランダム化された合成データを用いてネットワークをトレーニングし,学習したソルバの非表示測地への一般化性を確保する。
論文 参考訳(メタデータ) (2023-06-13T08:00:59Z) - 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) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳(メタデータ) (2022-03-26T20:37:14Z) - Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。
これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。
本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
論文 参考訳(メタデータ) (2022-02-17T18:59:20Z) - Accelerating Part-Scale Simulation in Liquid Metal Jet Additive
Manufacturing via Operator Learning [0.0]
部分スケールの予測は多くの小規模シミュレーションを必要とする。
LMJにおける液滴の合体性を記述するモデルとして, 混合圧縮性流体流, 熱伝達, 相変化方程式がある。
我々は,液滴の合体過程の初期状態と最終状態のマッピングを演算子学習アプローチで学習する。
論文 参考訳(メタデータ) (2022-02-02T17:24:16Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z) - Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。
回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文 参考訳(メタデータ) (2020-12-16T21:43:38Z) - An unsupervised learning approach to solving heat equations on chip
based on Auto Encoder and Image Gradient [0.43512163406551996]
チップ上での熱伝達方程式を解くことは、今後の5GおよびAIチップパッケージシステムにおいて非常に重要になる。
データ駆動方式はデータ飢餓に対処するため,物理情報ニューラルネットワーク(PINN)が提案されている。
本稿では,データを用いずにチップ上での熱伝達方程式を解くための教師なし学習手法について検討する。
論文 参考訳(メタデータ) (2020-07-19T15:01:01Z)
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。