論文の概要: AI-Guided Codesign Framework for Novel Material and Device Design applied to MTJ-based True Random Number Generators

• arxiv url: http://arxiv.org/abs/2411.01008v1
• Date: Fri, 01 Nov 2024 20:16:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:50:38.226988
• Title: AI-Guided Codesign Framework for Novel Material and Device Design applied to MTJ-based True Random Number Generators
• Title（参考訳）: MTJに基づくTrue Random Number Generatorに応用した新しい材料・デバイス設計のためのAI誘導符号フレームワーク
• Authors: Karan P. Patel, Andrew Maicke, Jared Arzate, Jaesuk Kwon, J. Darby Smith, James B. Aimone, Jean Anne C. Incorvia, Suma G. Cardwell, Catherine D. Schuman,
• Abstract要約: 我々は、強化学習と進化最適化を活用して、様々なデバイスモデルのキーデバイスと材料特性を変化させる。 所望の確率分布のサンプルを生成できる候補装置を,AIガイドによるコード署名法で生成した。
• 参考スコア（独自算出の注目度）: 0.8281068183088186
• License:
• Abstract: Novel devices and novel computing paradigms are key for energy efficient, performant future computing systems. However, designing devices for new applications is often time consuming and tedious. Here, we investigate the design and optimization of spin orbit torque and spin transfer torque magnetic tunnel junction models as the probabilistic devices for true random number generation. We leverage reinforcement learning and evolutionary optimization to vary key device and material properties of the various device models for stochastic operation. Our AI guided codesign methods generated different candidate devices capable of generating stochastic samples for a desired probability distribution, while also minimizing energy usage for the devices.
• Abstract（参考訳）: 新たなデバイスと新しいコンピューティングパラダイムは、エネルギー効率が高く、高性能な未来のコンピューティングシステムにとって鍵となる。 しかし、新しいアプリケーションのためのデバイスを設計するのは、しばしば時間と手間がかかります。 本稿では、真の乱数生成のための確率的デバイスとして、スピン軌道トルクとスピン伝達トルク磁気トンネル接合モデルの設計と最適化について検討する。 我々は、強化学習と進化最適化を利用して、確率演算のための様々なデバイスモデルのキーデバイスと材料特性を変化させる。 提案手法は,確率分布を所望する確率分布の確率サンプルを生成するとともに,機器のエネルギー使用量を最小限に抑えながら,様々な候補デバイスを生成する。

関連論文リスト

• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Machine Learning-powered Compact Modeling of Stochastic Electronic Devices using Mixture Density Networks [0.0]
  従来の決定論的モデルは、多くの電子部品によって示される微妙だが批判的な変動を捉えようとすると、不足する。 本稿では,機械学習の力を生かして,従来のモデリング手法の限界を超越する革新的な手法を提案する。 本論文は,電子回路の領域における革新を推し進める,正確で汎用的なコンパクトモデルの探求において,重要な一歩を踏み出したものである。
  論文  参考訳（メタデータ） (2023-11-10T01:34:18Z)
• De Novo Drug Design with Joint Transformers [9.339914898177186]
  ド・ノボの薬物設計では、トレーニングデータ以外の新しい分子を同時に生成し、その標的特性を予測する必要がある。 本稿では,共有重み付き共同生成モデルにおいて,トランスフォーマーデコーダ,トランスフォーマーエンコーダ,および予測器を組み合わせたジョイントトランスフォーマを提案する。 我々は、目標特性を改善した新しい分子を生成するために、Joint Transformerを用いた確率的ブラックボックス最適化アルゴリズムを定式化する。
  論文  参考訳（メタデータ） (2023-10-03T14:09:15Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Deep learning based Meta-modeling for Multi-objective Technology Optimization of Electrical Machines [0.0]
  本稿では,2つの異なるマシン技術を同時に最適化するための変分自動エンコーダの応用について述べる。 トレーニング後、私たちは、グローバルなキーパフォーマンス指標を予測するために、ディープニューラルネットワークとデコーダをメタモデルとして使用します。
  論文  参考訳（メタデータ） (2023-06-15T12:33:39Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• Tackling Multimodal Device Distributions in Inverse Photonic Design using Invertible Neural Networks [0.0]
  逆設計は、デバイスまたはプロセスパラメータをマッチングして望ましい性能を示すプロセスである。 ほとんどの従来の最適化ルーチンは、設計パラメータと目標のパフォーマンスの間の可逆的な1対1マッピングを前提としています。 逆設計問題に対して、可逆ニューラルネットワークに基づく生成的モデリングアプローチが、可能解の完全な分布を提供する方法を示す。
  論文  参考訳（メタデータ） (2022-08-29T08:46:17Z)
• Variational Autoencoder based Metamodeling for Multi-Objective Topology Optimization of Electrical Machines [0.0]
  本稿では,異なるパラメータの電気機械トポロジのキーパフォーマンス指標(KPI)を同時に予測する新しい手法を提案する。 トレーニング後、潜在空間を介して、デコーダと多層ニューラルネットワークは、それぞれ新しいデザインをサンプリングし、関連するトポロジを予測するメタモデルとして機能する。
  論文  参考訳（メタデータ） (2022-01-21T19:49:54Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)

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。