論文の概要: A Novel Frequency-Spatial Domain Aware Network for Fast Thermal Prediction in 2.5D ICs

• arxiv url: http://arxiv.org/abs/2504.14237v1
• Date: Sat, 19 Apr 2025 09:16:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 03:56:45.747754
• Title: A Novel Frequency-Spatial Domain Aware Network for Fast Thermal Prediction in 2.5D ICs
• Title（参考訳）: 2.5次元ICにおける高速熱予測のための新しい周波数空間領域認識ネットワーク
• Authors: Dekang Zhang, Dan Niu, Zhou Jin, Yichao Dong, Jingweijia Tan, Changyin Sun,
• Abstract要約: 2.5次元ICにおける高速かつ高精度な熱予測のための周波数空間二重領域認識ネットワーク(FSA-Heat)を提案する。 周波数-低周波および空間領域エンコーダ(FSTE)モジュールと周波数領域クロススケール相互作用モジュール(FCIFormer)を統合し,高周波数・大域的熱散逸特性抽出を実現する。
• 参考スコア（独自算出の注目度）: 11.360423662589545
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the post-Moore era, 2.5D chiplet-based ICs present significant challenges in thermal management due to increased power density and thermal hotspots. Neural network-based thermal prediction models can perform real-time predictions for many unseen new designs. However, existing CNN-based and GCN-based methods cannot effectively capture the global thermal features, especially for high-frequency components, hindering prediction accuracy enhancement. In this paper, we propose a novel frequency-spatial dual domain aware prediction network (FSA-Heat) for fast and high-accuracy thermal prediction in 2.5D ICs. It integrates high-to-low frequency and spatial domain encoder (FSTE) module with frequency domain cross-scale interaction module (FCIFormer) to achieve high-to-low frequency and global-to-local thermal dissipation feature extraction. Additionally, a frequency-spatial hybrid loss (FSL) is designed to effectively attenuate high-frequency thermal gradient noise and spatial misalignments. The experimental results show that the performance enhancements offered by our proposed method are substantial, outperforming the newly-proposed 2.5D method, GCN+PNA, by considerable margins (over 99% RMSE reduction, 4.23X inference time speedup). Moreover, extensive experiments demonstrate that FSA-Heat also exhibits robust generalization capabilities.
• Abstract（参考訳）: ムーア時代以降、2.5DチップレットベースのICは、電力密度の増加と熱ホットスポットによる熱管理において重大な課題を呈している。 ニューラルネットワークに基づく熱予測モデルは、目に見えない多くの新しい設計に対してリアルタイムな予測を行うことができる。 しかし、既存のCNNベースのGCNベースの手法では、特に高周波コンポーネントのグローバルな熱特性を効果的に捉えることができず、予測精度の向上を妨げている。 本稿では,2.5次元ICにおける高速かつ高精度な熱予測のための周波数空間二重領域認識ネットワーク(FSA-Heat)を提案する。 周波数-低周波および空間領域エンコーダ(FSTE)モジュールと周波数領域クロススケール相互作用モジュール(FCIFormer)を統合し,高周波数・大域的熱散逸特性抽出を実現する。 さらに、周波数-空間ハイブリッド損失(FSL)は、高周波熱勾配ノイズと空間的ずれを効果的に緩和するように設計されている。 実験の結果,提案手法が提案する性能向上は,新たに提案した2.5D法であるGCN+PNAをかなりのマージン(RMSE削減率99%以上,推論時間4.23倍以上)で上回った。 さらに、広範な実験により、FSA-Heatは堅牢な一般化能力も示している。

関連論文リスト

• Frequency-Compensated Network for Daily Arctic Sea Ice Concentration Prediction [36.20486793776406]
  北極圏SIC予測のための周波数補償ネットワーク(FCNet)を毎日提案する。 特に、周波数特徴抽出と畳み込み特徴抽出のための分岐を含む二重分岐ネットワークを設計する。 高周波の特徴はチャネルワイド・アテンションによって強化され、時間的アテンション・ユニットは低周波の特徴抽出に使われ、長距離海氷の変化を捉えている。
  論文  参考訳（メタデータ） (2025-04-23T14:15:48Z)
• Deep Fourier-embedded Network for RGB and Thermal Salient Object Detection [8.607385112274882]
  深層学習は、RGB画像と熱画像(RGB-T画像)を併用したサルエント物体検出(SOD)を大幅に改善した。 既存のディープラーニングベースのRGB-T SODモデルには2つの大きな制限がある。 本稿では,DFENet(Deep Fourier-Embedded Network)という,純粋なフーリエ変換モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-27T14:55:16Z)
• Advancing Heatwave Forecasting via Distribution Informed-Graph Neural Networks (DI-GNNs): Integrating Extreme Value Theory with GNNs [3.1648929705158357]
  極端な熱の長い期間である熱波は、気候変動による頻度と重大さを増している。 気象スケール(1～15日)での正確な熱波予測は、大気中のドライバ間の非線形相互作用と、これらの極端な事象の希少性により、依然として困難である。 本研究では、極値理論(EVT)の原理をグラフニューラルネットワークアーキテクチャに統合する新しいフレームワークであるDis Distribution-Informed Graph Neural Network (DI-GNN)を紹介する。
  論文  参考訳（メタデータ） (2024-11-20T17:45:03Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• OFDM-Standard Compatible SC-NOFS Waveforms for Low-Latency and Jitter-Tolerance Industrial IoT Communications [53.398544571833135]
  この研究は、スペクトル的に効率的な不規則なSinc (irSinc) 整形法を提案し、1924年に従来のSincを再考した。 irSincは、誤差性能を犠牲にすることなくスペクトル効率が向上した信号を生成する。 我々の信号は、5G標準信号構成により、同じスペクトル帯域内で高速なデータ伝送を実現する。
  論文  参考訳（メタデータ） (2024-06-07T09:20:30Z)
• A Noise-robust Multi-head Attention Mechanism for Formation Resistivity Prediction: Frequency Aware LSTM [7.466740264582114]
  生成比抵抗の予測は, 石油・ガス貯留層の評価において重要な役割を担っている。 従来の坑井検層技術では、ボアホールの正確な比抵抗を測定することができない。 周波数認識LSTMを構築するために,周波数認識フレームワークと時間的アンチノイズブロックを提案する。
  論文  参考訳（メタデータ） (2024-06-06T08:31:52Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Deep Learning for Low-Latency, Quantum-Ready RF Sensing [2.5393702482222813]
  近年の研究では、無線周波数(RF)信号のソフトウェア処理を強化するためにディープラーニングを適用することが期待されている。 本稿では,RF信号分類のための量子可読機械学習手法の実装について述べる。
  論文  参考訳（メタデータ） (2024-04-27T17:22:12Z)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• HDNet: High-resolution Dual-domain Learning for Spectral Compressive Imaging [138.04956118993934]
  HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。 一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。 一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
  論文  参考訳（メタデータ） (2022-03-04T06:37:45Z)

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。