論文の概要: Reinforcement learning framework for the mechanical design of microelectronic components under multiphysics constraints

• arxiv url: http://arxiv.org/abs/2504.17142v1
• Date: Wed, 23 Apr 2025 23:20:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.201047
• Title: Reinforcement learning framework for the mechanical design of microelectronic components under multiphysics constraints
• Title（参考訳）: 多物理制約下におけるマイクロエレクトロニクス部品の機械設計のための強化学習フレームワーク
• Authors: Siddharth Nair, Timothy F. Walsh, Greg Pickrell, Fabio Semperlotti,
• Abstract要約: 本研究では,多物理制約下でのマイクロエレクトロニクス部品設計のための強化学習技術の開発に焦点をあてる。 アプリケーション固有の集積回路(ASIC)と異種統合型(HI)インターポーザを原型として、強化学習(RL)に基づく最適化フレームワークを開発し、数値的にテストする。 より具体的には、ASICチップの結合配線形状の最適化とHIインターポーザ上の部品配置を熱弾性および設計制約を満たしながら検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study focuses on the development of reinforcement learning based techniques for the design of microelectronic components under multiphysics constraints. While traditional design approaches based on global optimization approaches are effective when dealing with a small number of design parameters, as the complexity of the solution space and of the constraints increases different techniques are needed. This is an important reason that makes the design and optimization of microelectronic components (characterized by large solution space and multiphysics constraints) very challenging for traditional methods. By taking as prototypical elements an application-specific integrated circuit (ASIC) and a heterogeneously integrated (HI) interposer, we develop and numerically test an optimization framework based on reinforcement learning (RL). More specifically, we consider the optimization of the bonded interconnect geometry for an ASIC chip as well as the placement of components on a HI interposer while satisfying thermoelastic and design constraints. This placement problem is particularly interesting because it features a high-dimensional solution space.
• Abstract（参考訳）: 本研究では,多物理制約下でのマイクロエレクトロニクス部品設計のための強化学習技術の開発に焦点をあてる。 大域最適化に基づく従来の設計アプローチは、少数の設計パラメータを扱う際に有効であるが、解空間の複雑さと制約の複雑さが増大するにつれて、異なる手法が必要である。 これは、マイクロエレクトロニクスコンポーネントの設計と最適化(大規模な溶液空間と多物理制約によって特徴づけられる)を従来の手法で非常に難しいものにする重要な理由である。 アプリケーション固有の集積回路(ASIC)と異種統合型(HI)インターポーザを原型として、強化学習(RL)に基づく最適化フレームワークを開発し、数値的にテストする。 より具体的には、ASICチップの結合配線形状の最適化とHIインターポーザ上の部品配置を熱弾性および設計制約を満たしながら検討する。 この配置問題は特に興味深いのは、高次元の解空間を特徴とするからである。

関連論文リスト

• Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization [50.24983453990065]
  そこで本研究では,大きな角状脳卒中を許容できる適合型クロスヒンジ機構の合成について述べる。 キネトスタティックな性能測定に基づいて,多目的最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-04-23T06:29:10Z)
• LLM-USO: Large Language Model-based Universal Sizing Optimizer [4.223946773134886]
  本稿では,構造化テキスト形式で回路設計知識を符号化する知識表現手法を提案する。 この表現は、類似のサブ構造を持つ回路の最適化インサイトを体系的に再利用することを可能にする。 i)ドメイン固有の知識をBOプロセスに注入し、(ii)回路間の知識伝達を促進し、専門家デザイナーの認知戦略を反映する。
  論文  参考訳（メタデータ） (2025-02-04T23:08:03Z)
• Automated and Holistic Co-design of Neural Networks and ASICs for Enabling In-Pixel Intelligence [4.063480188363124]
  放射能検出のための可読ASICなどの極端エッジAIシステムは、厳密なハードウェア制約の下で動作しなければならない。 理想的なソリューションを見つけることは、爆発的に拡張されたデザイン空間から最適なAIとASIC設計の選択を特定することを意味する。
  論文  参考訳（メタデータ） (2024-07-18T17:58:05Z)
• A Survey on Design-space Dimensionality Reduction Methods for Shape Optimization [0.0]
  形状最適化に適した設計空間次元低減技術は、従来の手法と最先端技術をブリッジする。 研究は、それらが次元の呪い、合理な計算過程を著しく緩和し、複雑な機能曲面の設計探索と最適化を洗練させる方法を示している。
  論文  参考訳（メタデータ） (2024-05-22T19:19:09Z)
• 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)
• AI-Empowered Hybrid MIMO Beamforming [85.48860461696417]
  ハイブリッドマルチインプット・マルチアウトプット(MIMO)システムは、アナログおよびデジタルのビームフォーミングの一部を実装している。 近年、ハイブリッドビームフォーミング設計にデータ支援人工知能(AI)ツールを使うことへの関心が高まっている。 本稿では、リアルタイムハイブリッドビームフォーミング設計を改善するために、データを活用するための候補戦略についてレビューする。
  論文  参考訳（メタデータ） (2023-03-03T06:04:20Z)
• Automated Circuit Sizing with Multi-objective Optimization based on Differential Evolution and Bayesian Inference [1.1579778934294358]
  一般化微分進化3(GDE3)とガウス過程(GP)に基づく設計最適化手法を提案する。 提案手法は,多数の設計変数を持つ複雑な回路の小型化を実現し,多くの競合対象を最適化する。 本研究では,2つの電圧レギュレータにおいて,異なるレベルの複雑さを示す手法について検討した。
  論文  参考訳（メタデータ） (2022-06-06T06:48:45Z)
• Inverse design of photonic devices with strict foundry fabrication constraints [55.41644538483948]
  本稿では,ナノフォトニクス素子の逆設計法を提案し,設計が厳密な長さの制約を満たすことを保証した。 本手法の性能と信頼性を,いくつかの共通集積フォトニック部品を設計することによって実証する。
  論文  参考訳（メタデータ） (2022-01-31T02:27:25Z)
• 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)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。