論文の概要: BPINN-EM-Post: Stochastic Electromigration Damage Analysis in the Post-Void Phase based on Bayesian Physics-Informed Neural Network

• arxiv url: http://arxiv.org/abs/2503.17393v1
• Date: Tue, 18 Mar 2025 00:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:34:57.538926
• Title: BPINN-EM-Post: Stochastic Electromigration Damage Analysis in the Post-Void Phase based on Bayesian Physics-Informed Neural Network
• Title（参考訳）: BPINN-EM-Post:確率的エレクトロマイグレーション損傷解析
• Authors: Subed Lamichhane, Haotian Lu, Sheldon X. -D. Tan,
• Abstract要約: 本稿では,BPINN-EM-Postと呼ばれる機械学習に基づく新しいフレームワークを提案する。 解析解を用いて損失関数の変数数を減らし,精度の低下を伴わずにトレーニング効率を大幅に改善し,変動効果を自然に組み込む。
• 参考スコア（独自算出の注目度）: 2.228763526924048
• License:
• Abstract: In contrast to the assumptions of most existing Electromigration (EM) analysis tools, the evolution of EM-induced stress is inherently non-deterministic, influenced by factors such as input current fluctuations and manufacturing non-idealities. Traditional approaches for estimating stress variations typically involve computationally expensive and inefficient Monte Carlo simulations with industrial solvers, which quantify variations using mean and variance metrics. In this work, we introduce a novel machine learning-based framework, termed BPINNEM- Post, for efficient stochastic analysis of EM-induced postvoiding aging processes. This new approach integrates closedform analytical solutions with a Bayesian Physics-Informed Neural Network (BPINN) framework to accelerate the analysis for the first time. The closed-form solutions enforce physical laws at the individual wire segment level, while the BPINN ensures that physics constraints at inter-segment junctions are satisfied and stochastic behaviors are accurately modeled. By reducing the number of variables in the loss functions through the use of analytical solutions, our method significantly improves training efficiency without accuracy loss and naturally incorporates variational effects. Additionally, the analytical solutions effectively address the challenge of incorporating initial stress distributions in interconnect structures during post-void stress calculations. Numerical results demonstrate that BPINN-EM-Post achieves over 240x speedup compared to Monte Carlo simulations using the FEM-based COMSOL solver and more than 65x speedup compared to Monte Carlo simulations using the FDM-based EMSpice method.
• Abstract（参考訳）: 多くの既存のエレクトロマイグレーション(EM)解析ツールの仮定とは対照的に、EM誘起ストレスの進化は本質的に非決定論的であり、入力電流の変動や非理想性といった要因の影響を受けている。 ストレス変動を推定する従来の手法は、平均値と分散値を用いて変動を定量化する産業用解決器を用いた計算コストが高く非効率なモンテカルロシミュレーションが一般的である。 本研究では,BPINNEM-Postと呼ばれる機械学習に基づく新しいフレームワークを導入する。 この新しいアプローチは、クローズドフォーム解析ソリューションとベイズ物理学情報ニューラルネットワーク(BPINN)フレームワークを統合して、初めて解析を高速化する。 閉形式解は、個々のワイヤセグメントレベルで物理法則を強制する一方、BPINNは、セグメント間接合における物理制約が満たされ、確率的挙動が正確にモデル化されることを保証する。 解析解を用いて損失関数の変数数を減らし,精度の低下を伴わずにトレーニング効率を大幅に改善し,変動効果を自然に組み込む。 さらに、解析解は、声道後応力計算において、相互接続構造に初期応力分布を組み込むという課題に効果的に対処する。 数値計算により, BPINN-EM-PostはFEMベースのCOMSOLソルバを用いたモンテカルロシミュレーションと比較して240倍以上の高速化を実現し, FDMベースのEMSpice法によるモンテカルロシミュレーションと比較して65倍以上の高速化を実現した。

関連論文リスト

• Chaos into Order: Neural Framework for Expected Value Estimation of Stochastic Partial Differential Equations [0.9944647907864256]
  本稿では,離散化の必要性を排除し,不確実性を明示的にモデル化するSPDE推定のための新しいニューラルネットワークフレームワークを提案する。 これは、SPDEの期待値を直接非分散的に推定できる最初のニューラルネットワークフレームワークであり、科学計算における一歩となる。 本研究は, ニューラルベースSPDEソルバの潜在可能性, 特に従来の手法が不安定な高次元問題に対する可能性を明らかにした。
  論文  参考訳（メタデータ） (2025-02-05T23:27:28Z)
• Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
  物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。 しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。 ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
  論文  参考訳（メタデータ） (2024-11-15T08:55:31Z)
• Differentiable Neural-Integrated Meshfree Method for Forward and Inverse Modeling of Finite Strain Hyperelasticity [1.290382979353427]
  本研究では,新しい物理インフォームド機械学習手法,特にニューラル積分メッシュフリー(NIM)法を拡張し,有限ひずみ問題をモデル化することを目的とする。 固有の微分可能プログラミング機能のおかげで、NIMは変分形式のニュートン・ラフソン線形化の導出を回避できる。 NIMはひずみデータから超弾性材料の不均一力学特性を同定し, 非線形材料の逆モデリングにおけるその有効性を検証する。
  論文  参考訳（メタデータ） (2024-07-15T19:15:18Z)
• Physics-Informed Machine Learning of Argon Gas-Driven Melt Pool Dynamics [0.0]
  金属添加物製造(AM)における溶融プールダイナミクスは, 印刷材料の安定性, 微細構造形成, 最終特性の処理に重要である。 本稿では,ニューラルネットワークと制御物理法則を統合した物理インフォームド機械学習(PIML)による溶融プール力学の予測を行う。 データ効率のよいPINNモデルは、制御偏微分方程式(PDE)、初期条件、PINNモデルの境界条件を組み込むことによって、ソフトペナルティに起因している。
  論文  参考訳（メタデータ） (2023-07-23T12:12:44Z)
• Multilayer Perceptron Based Stress Evolution Analysis under DC Current Stressing for Multi-segment Wires [8.115870370527324]
  エレクトロマイグレーション(EM)は、超大規模統合(VLSI)システムの信頼性解析における主要な関心事の一つである。 従来の手法はしばしば十分に正確ではないため、特に高度な技術ノードにおいて、望ましくない過設計につながる。 本稿では,多層パーセプトロン(MLP)を用いて,空核形成フェーズにおける相互接続木間の応力変化を計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-17T07:38:20Z)
• Evaluating the Adversarial Robustness for Fourier Neural Operators [78.36413169647408]
  フーリエ・ニューラル・オペレータ(FNO)は、ゼロショット超解像で乱流をシミュレートした最初の人物である。 我々はノルム有界データ入力摂動に基づくFNOの逆例を生成する。 以上の結果から,モデルの強靭性は摂動レベルの増加とともに急速に低下することが明らかとなった。
  論文  参考訳（メタデータ） (2022-04-08T19:19:42Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
  本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。 これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。 力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
  論文  参考訳（メタデータ） (2021-09-07T20:01:22Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。