論文の概要: Non-intrusive data-driven model order reduction for circuits based on Hammerstein architectures
- arxiv url: http://arxiv.org/abs/2405.20178v1
- Date: Thu, 30 May 2024 15:47:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-31 13:39:08.967811
- Title: Non-intrusive data-driven model order reduction for circuits based on Hammerstein architectures
- Title（参考訳）: Hammersteinアーキテクチャに基づく回路の非侵入的データ駆動モデルオーダー削減
- Authors: Joshua Hanson, Biliana Paskaleva, Pavel Bochev,
- Abstract要約: 我々は非線形CMOS微分増幅器のための擬似ハマースタインモデルを開発した。
我々は直流(DC)と過渡スパイス(Xyce)回路シミュレーションデータの組み合わせでこのモデルを訓練する。
シミュレーションの結果,ハマースタインモデルがディファレンシャルアンプ回路の効果的なサロゲートであることが示唆された。
- 参考スコア（独自算出の注目度）: 0.8192907805418581
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We demonstrate that data-driven system identification techniques can provide a basis for effective, non-intrusive model order reduction (MOR) for common circuits that are key building blocks in microelectronics. Our approach is motivated by the practical operation of these circuits and utilizes a canonical Hammerstein architecture. To demonstrate the approach we develop a parsimonious Hammerstein model for a non-linear CMOS differential amplifier. We train this model on a combination of direct current (DC) and transient Spice (Xyce) circuit simulation data using a novel sequential strategy to identify the static nonlinear and linear dynamical parts of the model. Simulation results show that the Hammerstein model is an effective surrogate for the differential amplifier circuit that accurately and efficiently reproduces its behavior over a wide range of operating points and input frequencies.
- Abstract（参考訳）: 我々は、マイクロエレクトロニクスにおいて重要な構成要素である共通回路に対して、データ駆動型システム識別技術が、効果的で非侵襲的なモデルオーダー削減(MOR)の基盤となることを実証した。
我々のアプローチは、これらの回路の実用的な操作によって動機付けられ、標準的なハマースタインアーキテクチャを利用する。
このアプローチを実証するために、非線形CMOS差動増幅器のための擬似ハマースタインモデルを開発した。
我々は, 直流(DC)と過渡スパイス(Xyce)回路シミュレーションデータの組み合わせを用いて, モデルの静的非線形および線形動的部分を特定するための新しい逐次戦略を用いて, このモデルを訓練する。
シミュレーションの結果,ハマースタインモデルは,幅広い動作点と入力周波数の挙動を高精度かつ効率的に再現するディファレンシャルアンプ回路の効果的なサロゲートであることがわかった。
関連論文リスト
- On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳（メタデータ） (2024-05-18T15:59:41Z) - Predicting Ordinary Differential Equations with Transformers [65.07437364102931]
単一溶液軌道の不規則サンプリングおよび雑音観測から,スカラー常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを開発した。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たな観測解の法則を推測することができる。
論文 参考訳（メタデータ） (2023-07-24T08:46:12Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Identification of Power System Oscillation Modes using Blind Source
Separation based on Copula Statistic [1.8741805956888702]
再生可能エネルギー資源が大量に浸透する電力システムのダイナミクスは、より非線形になってきている。
適切な予防的または矯正的制御行動を開始するために障害を受けるとき、振動の動的モードを正確に識別することが重要である。
モーダル解析においてこれらの非線形力学に対処するために,コプラ統計に基づく高次ブラインドソース同定(HOBI)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-07T17:38:05Z) - Neural Abstractions [72.42530499990028]
本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。
提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
論文 参考訳（メタデータ） (2023-01-27T12:38:09Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Input-to-State Stable Neural Ordinary Differential Equations with
Applications to Transient Modeling of Circuits [11.636872461683742]
本稿では,入力から状態への安定な連続時間リカレントニューラルネットワークによってパラメータ化されたニューラル常微分方程式のクラスを提案する。
提案手法を用いて電子回路の動作モデルを安価にシミュレーションする。
論文 参考訳（メタデータ） (2022-02-14T01:51:05Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Data-driven Small-signal Modeling for Converter-based Power Systems [7.501426386641255]
本稿では,コンバータを用いた電力系統の研究に有用な,データ駆動型小型信号ベースモデルを導出するための完全な手順を詳述する。
モデルを計算するために、単一DTとアンサンブルDTとスプライン回帰の両方を用いて決定木回帰(DT)を用いた。
モデルの適用可能性について論じ、さらなる電力系統小信号関連研究において、開発モデルの可能性を強調した。
論文 参考訳（メタデータ） (2021-08-30T08:10:45Z) - 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 Unstable Dynamics with One Minute of Data: A
Differentiation-based Gaussian Process Approach [47.045588297201434]
ガウス過程の微分可能性を利用して、真の連続力学の状態依存線形化近似を作成する方法を示す。
9次元セグウェイのような不安定なシステムのシステムダイナミクスを反復的に学習することで、アプローチを検証する。
論文 参考訳（メタデータ） (2021-03-08T05:08:47Z)
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。