論文の概要: FuNToM: Functional Modeling of RF Circuits Using a Neural Network
Assisted Two-Port Analysis Method
- arxiv url: http://arxiv.org/abs/2308.02050v1
- Date: Thu, 3 Aug 2023 21:08:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-07 14:32:06.127148
- Title: FuNToM: Functional Modeling of RF Circuits Using a Neural Network
Assisted Two-Port Analysis Method
- Title（参考訳）: FuNToM:ニューラルネットワークを用いた2ポート解析法によるRF回路の機能モデリング
- Authors: Morteza Fayazi, Morteza Tavakoli Taba, Amirata Tabatabavakili, Ehsan
Afshari, Ronald Dreslinski
- Abstract要約: 本稿では,RF回路の機能モデリング手法であるFuNToMを提案する。
FuNToMは、単一のメインデータセットと複数の小さなデータセットを使用して、複数のトポロジをモデル化するための2ポート解析手法を利用している。
その結果、複数のRF回路において、最先端技術と比較すると、必要なトレーニングデータを2.8倍から10.9倍削減できることがわかった。
- 参考スコア（独自算出の注目度）: 0.40598496563941905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic synthesis of analog and Radio Frequency (RF) circuits is a trending
approach that requires an efficient circuit modeling method. This is due to the
expensive cost of running a large number of simulations at each synthesis
cycle. Artificial intelligence methods are promising approaches for circuit
modeling due to their speed and relative accuracy. However, existing approaches
require a large amount of training data, which is still collected using
simulation runs. In addition, such approaches collect a whole separate dataset
for each circuit topology even if a single element is added or removed. These
matters are only exacerbated by the need for post-layout modeling simulations,
which take even longer. To alleviate these drawbacks, in this paper, we present
FuNToM, a functional modeling method for RF circuits. FuNToM leverages the
two-port analysis method for modeling multiple topologies using a single main
dataset and multiple small datasets. It also leverages neural networks which
have shown promising results in predicting the behavior of circuits. Our
results show that for multiple RF circuits, in comparison to the
state-of-the-art works, while maintaining the same accuracy, the required
training data is reduced by 2.8x - 10.9x. In addition, FuNToM needs 176.8x -
188.6x less time for collecting the training set in post-layout modeling.
- Abstract（参考訳）: アナログ・無線周波数(RF)回路の自動合成は、効率的な回路モデリング法を必要とするトレンドのアプローチである。
これは、合成サイクル毎に多数のシミュレーションを実行するコストがかかるためである。
人工知能手法はその速度と相対的精度のために回路モデリングに有望なアプローチである。
しかし、既存のアプローチでは大量のトレーニングデータが必要であり、シミュレーション実行によって収集される。
さらに、そのような手法は、一つの要素を追加あるいは削除しても、各回路トポロジに対して全く別のデータセットを収集する。
これらの問題は、より長い時間を要するポスト・レイアウト・モデリング・シミュレーションの必要性によってのみ悪化する。
本稿では,これらの欠点を軽減するために,RF回路の機能的モデリング手法であるFuNToMを提案する。
funtomは、単一のメインデータセットと複数の小さなデータセットを使用して複数のトポロジをモデリングするために、2ポート分析メソッドを利用する。
また、回路の挙動予測に有望な結果を示すニューラルネットワークも活用している。
その結果、複数のRF回路において、同じ精度を維持しながら、必要なトレーニングデータを2.8倍から10.9倍削減できることがわかった。
さらに、FuNToMはトレーニングセットをレイアウト後のモデリングで収集するのに176.8x188.6倍の時間を要する。
関連論文リスト
- One Step Diffusion via Shortcut Models [109.72495454280627]
単一ネットワークとトレーニングフェーズを用いて高品質なサンプルを生成する,生成モデルのファミリであるショートカットモデルを導入する。
ショートカットモデルは、現在のノイズレベルと所望のステップサイズにネットワークを条件付け、生成プロセスでモデルをスキップすることができる。
蒸留と比較して、ショートカットモデルは複雑性を1つのネットワークとトレーニングフェーズに減らし、推論時に様々なステップ予算を許容する。
論文 参考訳（メタデータ） (2024-10-16T13:34:40Z) - Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。
シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。
本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
論文 参考訳（メタデータ） (2022-11-24T07:30:27Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳（メタデータ） (2022-03-29T21:18:47Z) - Oscillatory Fourier Neural Network: A Compact and Efficient Architecture
for Sequential Processing [16.69710555668727]
本稿では,コサイン活性化と時系列処理のための時間変化成分を有する新しいニューロンモデルを提案する。
提案したニューロンは、スペクトル領域に逐次入力を投影するための効率的なビルディングブロックを提供する。
IMDBデータセットの感情分析に提案されたモデルを適用すると、5時間以内のテスト精度は89.4%に達する。
論文 参考訳（メタデータ） (2021-09-14T19:08:07Z) - Machine Learning Regression based Single Event Transient Modeling Method
for Circuit-Level Simulation [3.0084500900270004]
機械学習レグレッションに基づくSETモデリング手法を提案する。
提案手法は, 複雑な物理機構を考慮せずに, 合理的かつ正確なモデルを得ることができる。
論文 参考訳（メタデータ） (2021-05-22T13:24:13Z) - Learning Compact Physics-Aware Delayed Photocurrent Models Using Dynamic
Mode Decomposition [1.933681537640272]
半導体デバイスにおける放射誘起光電流は、複雑な物理モデルを用いてシミュレートすることができる。
複数の個別回路要素の詳細なモデルを評価することは、計算上不可能である。
本稿では,大規模回路シミュレーションで実装可能な小型遅延光電流モデルの学習手順を示す。
論文 参考訳（メタデータ） (2020-08-27T18:21:46Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。