Fugu-MT 論文翻訳(概要): Physics-Informed Neural Network for Predicting Out-of-Training-Range TCAD Solution with Minimized Domain Expertise

論文の概要: Physics-Informed Neural Network for Predicting Out-of-Training-Range TCAD Solution with Minimized Domain Expertise

arxiv url: http://arxiv.org/abs/2408.07921v1
Date: Thu, 15 Aug 2024 04:16:45 GMT
ステータス: 処理完了
システム内更新日: 2024-08-16 15:09:23.200863
Title: Physics-Informed Neural Network for Predicting Out-of-Training-Range TCAD Solution with Minimized Domain Expertise
Title（参考訳）: 最小限のドメインエキスパートによるトレーニング外TCADソリューション予測のための物理インフォームニューラルネットワーク
Authors: Albert Lu, Yu Foon Chau, Hiu Yung Wong,
Abstract要約: 物理インフォームドニューラルネットワークを用いて、内部ソルバにアクセスすることなく、最小限のドメイン知識でトレーニング外のTCADソリューションを予測することができることを示す。マシンはトレーニングの2.5倍の範囲を予測できるだけでなく、サブスレッショルド領域のデータでのみトレーニングすることで、反転領域を予測できる。
参考スコア（独自算出の注目度）: 0.22372940545566136
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning (ML) is promising in assisting technology computer-aided design (TCAD) simulations to alleviate difficulty in convergence and prolonged simulation time. While ML is widely used in TCAD, they either require access to the internal solver, require extensive domain expertise, are only trained by terminal quantities such as currents and voltages, and/or lack out-of-training-range prediction capability. In this paper, using Si nanowire as an example, we demonstrate that it is possible to use a physics-informed neural network (PINN) to predict out-of-training-range TCAD solutions without accessing the internal solver and with minimal domain expertise. The machine not only can predict a 2.5 times larger range than the training but also can predict the inversion region by only being trained with subthreshold region data. The physics-informed module is also trained with data without the need for human-coded equations making this easier to be extended to more sophisticated systems.
Abstract（参考訳）: 機械学習(ML)は、コンピュータ支援設計(TCAD)シミュレーションを支援することで、収束の困難さと長期化シミュレーション時間を軽減することを約束している。 MLはTCADで広く使われているが、内部ソルバへのアクセスを必要とし、広範囲のドメイン知識を必要とし、電流や電圧などの終端量によってのみ訓練される。本稿では、Siナノワイヤを例として、物理インフォームドニューラルネットワーク(PINN)を用いて、内部ソルバにアクセスすることなく、最小限のドメイン知識でトレーニング外TCADソリューションを予測できることを実証する。マシンはトレーニングの2.5倍の範囲を予測できるだけでなく、サブスレッショルド領域のデータでのみトレーニングすることで、反転領域を予測できる。物理インフォームドモジュールは、より高度なシステムに拡張しやすいように、人間のコード化された方程式を必要とせずに、データで訓練される。

関連論文リスト

Multi-fidelity physics constrained neural networks for dynamical systems [16.6396704642848]
マルチスケール物理制約ニューラルネットワーク(MSPCNN)を提案する。 MSPCNNは、異なるレベルの忠実度を持つデータを統一された潜在空間に組み込む新しい手法を提供する。従来の手法とは異なり、MSPCNNは予測モデルをトレーニングするために複数の忠実度データを使用する。
論文参考訳（メタデータ） (2024-02-03T05:05:26Z)
An FPGA Architecture for Online Learning using the Tsetlin Machine [5.140342614848069]
本稿では,オンライン学習のための新しいフィールドプログラミング可能なゲートアレイ基盤を提案する。 Tsetlin Machineと呼ばれる低複雑さの機械学習アルゴリズムを実装している。本稿では,提案するインフラを用いたオンライン学習の事例と,エネルギー/性能/精度のトレードオフを実証する。
論文参考訳（メタデータ） (2023-06-01T13:33:26Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
Hardware-aware training for large-scale and diverse deep learning inference workloads using in-memory computing-based accelerators [7.152059921639833]
大規模なディープニューラルネットワークの多くは、AIMC上での等精度を示すために、再訓練が成功できることが示されている。以上の結果から,重みではなく入力や出力にノイズを加えるAIMCの非理想性が,DNNの精度に最も影響を与えることが示唆された。
論文参考訳（メタデータ） (2023-02-16T18:25:06Z)
Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文参考訳（メタデータ） (2022-11-19T15:44:08Z)
Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
論文参考訳（メタデータ） (2022-09-27T15:04:01Z)
NeuralUQ: A comprehensive library for uncertainty quantification in neural differential equations and operators [0.0]
機械学習における不確実性定量化(UQ)は、現在、研究の関心が高まっている。我々は,SciMLのUQメソッドを便利かつ構造化した方法で使用するために,NeuralUQと呼ばれるオープンソースのPythonライブラリを提案する。
論文参考訳（メタデータ） (2022-08-25T04:28:18Z)
Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文参考訳（メタデータ） (2021-09-02T16:06:45Z)
A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
論文参考訳（メタデータ） (2020-12-21T17:39:51Z)
A Dual-Dimer Method for Training Physics-Constrained Neural Networks with Minimax Architecture [6.245537312562826]
ミニマックス探索アルゴリズム(PCNN-MM)による物理制約ニューラルネットワーク(PCNN)の訓練 DualDimerと呼ばれる新しいサドルポイントアルゴリズムは、ニューラルネットワークデータの高次サドルポイントを探索するために使用される。 PCNN-MMの収束重みは従来のPCNNよりも高速である。
論文参考訳（メタデータ） (2020-05-01T21:26:04Z)
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。