論文の概要: DeepOHeat: Operator Learning-based Ultra-fast Thermal Simulation in 3D-IC Design

• arxiv url: http://arxiv.org/abs/2302.12949v1
• Date: Sat, 25 Feb 2023 01:18:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-28 19:55:16.041199
• Title: DeepOHeat: Operator Learning-based Ultra-fast Thermal Simulation in 3D-IC Design
• Title（参考訳）: deepoheat:3d-ic設計における超高速熱シミュレーション
• Authors: Ziyue Liu, Yixing Li, Jing Hu, Xinling Yu, Shinyu Shiau, Xin Ai, Zhiyu Zeng and Zheng Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.112313433801361
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Thermal issue is a major concern in 3D integrated circuit (IC) design. Thermal optimization of 3D IC often requires massive expensive PDE simulations. Neural network-based thermal prediction models can perform real-time prediction for many unseen new designs. However, existing works either solve 2D temperature fields only or do not generalize well to new designs with unseen design configurations (e.g., heat sources and boundary conditions). In this paper, for the first time, we propose DeepOHeat, a physics-aware operator learning framework to predict the temperature field of a family of heat equations with multiple parametric or non-parametric design configurations. This framework learns a functional map from the function space of multiple key PDE configurations (e.g., boundary conditions, power maps, heat transfer coefficients) to the function space of the corresponding solution (i.e., temperature fields), enabling fast thermal analysis and optimization by changing key design configurations (rather than just some parameters). We test DeepOHeat on some industrial design cases and compare it against Celsius 3D from Cadence Design Systems. Our results show that, for the unseen testing cases, a well-trained DeepOHeat can produce accurate results with $1000\times$ to $300000\times$ speedup.
• Abstract（参考訳）: 熱問題は3D集積回路(IC)設計において大きな関心事である。 3次元ICの熱最適化は、しばしば高価なPDEシミュレーションを必要とする。 ニューラルネットワークに基づく熱予測モデルは、目に見えない多くの新しい設計でリアルタイムな予測を行うことができる。 しかし、既存の研究は2次元温度場のみを解いたり、目に見えない設計(熱源や境界条件など)で新しい設計を一般化しなかったりしている。 本稿では,複数のパラメトリックあるいは非パラメトリックな設計構成を持つ熱方程式系の温度場を予測する物理知識を持つ演算子学習フレームワークであるDeepOHeatを初めて提案する。 このフレームワークは、複数の鍵 pde 構成の関数空間(例えば境界条件、電力マップ、熱伝達係数)から対応する解の関数空間(すなわち温度場)まで関数マップを学習し、鍵設計構成を変更することによって(一部のパラメータではなく)高速な熱解析と最適化を可能にする。 我々はDeepOHeatをいくつかの工業デザインケースでテストし、Cadence Design SystemsのCelsius 3Dと比較した。 その結果、未確認のテストケースでは、よく訓練されたDeepOHeatは、1000ドルから30000ドルまでの正確な結果が得られることがわかった。

関連論文リスト

• 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)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• Real-Time 2D Temperature Field Prediction in Metal Additive Manufacturing Using Physics-Informed Neural Networks [1.9116784879310036]
  金属添加物製造プロセスの温度場を正確に予測することは、過熱の防止、プロセスパラメータの調整、プロセス安定性の確保に重要である。 本稿では,金属AMの温度場予測に特化して設計された物理インフォームドニューラルネットワークフレームワークを提案する。 提案手法を2つのシナリオで検証し, 薄肉のフルフィールド温度予測と円筒部と立方体部の2次元温度予測を行い, それぞれ3%, 1%未満の誤差を示した。
  論文  参考訳（メタデータ） (2024-01-04T18:42:28Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
  我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。 数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。 LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
  論文  参考訳（メタデータ） (2023-01-30T04:58:40Z)
• Optimal Thermometers with Spin Networks [0.0]
  与えられたプローブの熱容量は、その他の特性の中で、温度推定における最大精度を決定する基本的な量である。 我々は$mathcalC$の理論的最大値を近似し、短距離および長距離の相互作用に対する最適スケーリングを維持するために解析的に示す。 我々のモデルは、現在利用可能な量子アニールにエンコードでき、ハミルトン工学を必要とする他のタスクにも応用できる。
  論文  参考訳（メタデータ） (2022-11-03T16:19:27Z)
• MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
  気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。 現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-10-11T14:52:20Z)
• Towards Real Time Thermal Simulations for Design Optimization using Graph Neural Networks [0.0]
  本稿では,グラフニューラルネットワークを用いて3次元システムの熱的挙動をシミュレートする手法を提案する。 一段階予測のネットワーク結果の精度は顕著である。
  論文  参考訳（メタデータ） (2022-09-21T13:48:41Z)
• Deep convolutional surrogates and degrees of freedom in thermal design [0.0]
  畳み込みニューラルネットワーク(CNN)は、画像として保存されたトポロジから直接計算流体力学(CFD)の結果を予測するために用いられる。 本稿では,複合ベジエ曲線を用いた複素フィン測地における熱伝達と圧力降下予測のための代理モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-16T00:45:39Z)
• 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)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)

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。