論文の概要: DeepOHeat-v1: Efficient Operator Learning for Fast and Trustworthy Thermal Simulation and Optimization in 3D-IC Design
- arxiv url: http://arxiv.org/abs/2504.03955v1
- Date: Fri, 04 Apr 2025 21:39:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-16 07:09:12.633436
- Title: DeepOHeat-v1: Efficient Operator Learning for Fast and Trustworthy Thermal Simulation and Optimization in 3D-IC Design
- Title(参考訳): DeepOHeat-v1: 3次元IC設計における高速かつ信頼性の高い熱シミュレーションと最適化のための効率的な演算子学習
- Authors: Xinling Yu, Ziyue Liu, Hai Li, Yixing Li, Xin Ai, Zhiyu Zeng, Ian Young, Zheng Zhang,
- Abstract要約: 本稿では,熱解析のための物理インフォームド演算子学習フレームワークDeepOHeat-v1を提案する。
本稿では,座標軸に沿って基底関数を分解し,トレーニングスピードアップを62時間,GPUメモリリダクションを31時間とする分離可能なトレーニング手法を提案する。
実験結果から,DeepOHeat-v1は高忠実度有限差分解器を用いた最適化に匹敵する精度が得られた。
- 参考スコア(独自算出の注目度): 8.297470475930755
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Thermal analysis is crucial in three-dimensional integrated circuit (3D-IC) design due to increased power density and complex heat dissipation paths. Although operator learning frameworks such as DeepOHeat have demonstrated promising preliminary results in accelerating thermal simulation, they face critical limitations in prediction capability for multi-scale thermal patterns, training efficiency, and trustworthiness of results during design optimization. This paper presents DeepOHeat-v1, an enhanced physics-informed operator learning framework that addresses these challenges through three key innovations. First, we integrate Kolmogorov-Arnold Networks with learnable activation functions as trunk networks, enabling an adaptive representation of multi-scale thermal patterns. This approach achieves a $1.25\times$ and $6.29\times$ reduction in error in two representative test cases. Second, we introduce a separable training method that decomposes the basis function along the coordinate axes, achieving $62\times$ training speedup and $31\times$ GPU memory reduction in our baseline case, and enabling thermal analysis at resolutions previously infeasible due to GPU memory constraints. Third, we propose a confidence score to evaluate the trustworthiness of the predicted results, and further develop a hybrid optimization workflow that combines operator learning with finite difference (FD) using Generalized Minimal Residual (GMRES) method for incremental solution refinement, enabling efficient and trustworthy thermal optimization. Experimental results demonstrate that DeepOHeat-v1 achieves accuracy comparable to optimization using high-fidelity finite difference solvers, while speeding up the entire optimization process by $70.6\times$ in our test cases, effectively minimizing the peak temperature through optimal placement of heat-generating components.
- Abstract(参考訳): 熱解析は3次元集積回路(3D-IC)の設計において重要である。
DeepOHeatのような演算子学習フレームワークは、熱シミュレーションを加速する上で有望な予備的な結果を示しているが、多スケールの熱パターンの予測能力、トレーニング効率、設計最適化時の結果の信頼性に限界がある。
本稿では3つの重要な革新を通じてこれらの課題に対処する物理インフォームド演算子学習フレームワークであるDeepOHeat-v1を提案する。
まず,Kolmogorov-Arnold Networksをトランクネットワークとして学習可能なアクティベーション機能と統合し,マルチスケール熱パターンの適応表現を可能にする。
このアプローチは、2つの代表的なテストケースで1.25\times$と6.29\times$エラーの削減を達成する。
第2に、座標軸に沿って基底関数を分解し、トレーニングスピードアップで62ドル、ベースラインケースで31ドル、GPUメモリの削減で31ドルを実現し、GPUメモリの制約によりそれまで不可能だった解像度で熱分析を可能にする分離可能なトレーニング手法を提案する。
第3に、予測結果の信頼性を評価するための信頼度スコアを提案し、さらに、演算子学習と有限差分(FD)を組み合わせたハイブリッド最適化ワークフローを、インクリメンタルなソリューション改善のための一般化最小残差法(GMRES)法を用いて開発し、効率的かつ信頼性の高い熱最適化を実現する。
実験結果から,DeepOHeat-v1は高忠実度有限差分解器を用いた最適化に匹敵する精度を達成し,全最適化プロセスを70.6\times$で高速化し,熱発生成分の最適配置によるピーク温度を効果的に最小化することを示した。
関連論文リスト
- PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。
ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。
最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
論文 参考訳(メタデータ) (2024-12-26T17:02:19Z) - Introducing a microstructure-embedded autoencoder approach for reconstructing high-resolution solution field data from a reduced parametric space [0.0]
我々は,パラメトリック空間情報を標準オートエンコーダアーキテクチャに組み込むことで,低忠実度解写像を高忠実度に変換する新しい多忠実深層学習手法を開発した。
パラメトリック空間情報の統合により、低忠実度から高忠実度解を効果的に予測するためのトレーニングデータの必要性が大幅に低減される。
論文 参考訳(メタデータ) (2024-05-03T10:00:36Z) - DeepOHeat: Operator Learning-based Ultra-fast Thermal Simulation in
3D-IC Design [7.112313433801361]
DeepOHeatは、熱方程式系の温度場を予測する物理を意識した演算子学習フレームワークである。
未確認のテストケースでは、よく訓練されたDeepOHeatが正確な結果が得られる。
論文 参考訳(メタデータ) (2023-02-25T01:18:48Z) - Machine learning based surrogate models for microchannel heat sink
optimization [0.0]
本稿では,二次チャネルとリブを用いたマイクロチャネルの設計を計算流体力学を用いて検討する。
ラテンハイパーキューブサンプリング、機械学習に基づく代理モデリング、多目的最適化を組み合わせたワークフローを提案する。
論文 参考訳(メタデータ) (2022-08-20T13:49:11Z) - Deep convolutional surrogates and degrees of freedom in thermal design [0.0]
畳み込みニューラルネットワーク(CNN)は、画像として保存されたトポロジから直接計算流体力学(CFD)の結果を予測するために用いられる。
本稿では,複合ベジエ曲線を用いた複素フィン測地における熱伝達と圧力降下予測のための代理モデルを提案する。
論文 参考訳(メタデータ) (2022-08-16T00:45:39Z) - Heat Conduction Plate Layout Optimization using Physics-driven
Convolutional Neural Networks [14.198900757461555]
熱伝導のレイアウト最適化は、特に感受性のある熱製品の設計において不可欠である。
データ駆動型アプローチは、所定の外部負荷と様々な幾何学の間のマッピングとして代理モデルを訓練するために使用される。
本稿では,物理駆動型畳み込みニューラルネットワーク(PD-CNN)手法を提案する。
論文 参考訳(メタデータ) (2022-01-21T10:43:57Z) - Joint inference and input optimization in equilibrium networks [68.63726855991052]
ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。
この2つの設定の間には自然なシナジーがあることが示されています。
この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
論文 参考訳(メタデータ) (2021-11-25T19:59:33Z) - Physics-enhanced deep surrogates for partial differential equations [30.731686639510517]
本稿では, 複雑な物理系のための高速サロゲートモデル開発に向けて, 物理強化ディープサロゲート(PEDS)アプローチを提案する。
具体的には,低忠実で説明可能な物理シミュレータとニューラルネットワークジェネレータの組み合わせを提案する。
論文 参考訳(メタデータ) (2021-11-10T18:43:18Z) - FasterPose: A Faster Simple Baseline for Human Pose Estimation [65.8413964785972]
本稿では,高速ポーズ推定のためのLR表現を用いた費用対効果ネットワークの設計パラダイムであるFasterPoseを提案する。
我々は,FasterPoseのトレーニング挙動について検討し,収束を加速する新しい回帰クロスエントロピー(RCE)損失関数を定式化する。
従来のポーズ推定ネットワークと比較すると,FLOPの58%が減少し,精度が1.3%向上した。
論文 参考訳(メタデータ) (2021-07-07T13:39:08Z) - Towards Practical Lipreading with Distilled and Efficient Models [57.41253104365274]
ニューラルネットワークの復活により、リリーディングは多くの進歩を目の当たりにした。
最近の研究は、最適なアーキテクチャを見つけるか、一般化を改善することで、パフォーマンスを改善するといった側面に重点を置いている。
現在の方法論と、実践的なシナリオにおける効果的なリップリーディングのデプロイ要件との間には、依然として大きなギャップがあります。
まず, LRW と LRW-1000 をそれぞれ 88.5% と 46.6% に比例して, 最先端の性能を高めることを提案する。
論文 参考訳(メタデータ) (2020-07-13T16:56:27Z) - FBNetV3: Joint Architecture-Recipe Search using Predictor Pretraining [65.39532971991778]
サンプル選択とランキングの両方を導くことで、アーキテクチャとトレーニングのレシピを共同でスコアする精度予測器を提案する。
高速な進化的検索をCPU分で実行し、さまざまなリソース制約に対するアーキテクチャと準備のペアを生成します。
FBNetV3は最先端のコンパクトニューラルネットワークのファミリーを構成しており、自動と手動で設計された競合より優れている。
論文 参考訳(メタデータ) (2020-06-03T05:20:21Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳(メタデータ) (2020-05-05T18:08:23Z)
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。