論文の概要: Cell Library Characterization for Composite Current Source Models Based on Gaussian Process Regression and Active Learning

• arxiv url: http://arxiv.org/abs/2505.10799v1
• Date: Fri, 16 May 2025 02:24:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:13.886275
• Title: Cell Library Characterization for Composite Current Source Models Based on Gaussian Process Regression and Active Learning
• Title（参考訳）: ガウス過程回帰とアクティブラーニングに基づく複合電流源モデルのセルライブラリー評価
• Authors: Tao Bai, Junzhuo Zhou, Zeyuan Deng, Peng Cao,
• Abstract要約: 高精度な要求、大量のデータ、広範囲なシミュレーションコストは、CCSの特徴付けに深刻な課題をもたらす。 本稿では,アクティブラーニング(AL)を用いた新しいガウスプロセス回帰(GPR)モデルを導入し,評価フレームワークを効率的かつ正確に構築する。 提案手法は, 平均絶対誤差2.05 ps, 電流波形2.27%, 電圧, 温度 (PVT) 角, TSMC 22nm 角に対して平均絶対誤差2.05 ps, 相対誤差2.27%を達成し, 従来の商用ツール, 学習ベースアプローチよりも優れていた。
• 参考スコア（独自算出の注目度）: 5.631458123545144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The composite current source (CCS) model has been adopted as an advanced timing model that represents the current behavior of cells for improved accuracy and better capability than traditional non-linear delay models (NLDM) to model complex dynamic effects and interactions under advanced process nodes. However, the high accuracy requirement, large amount of data and extensive simulation cost pose severe challenges to CCS characterization. To address these challenges, we introduce a novel Gaussian Process Regression(GPR) model with active learning(AL) to establish the characterization framework efficiently and accurately. Our approach significantly outperforms conventional commercial tools as well as learning based approaches by achieving an average absolute error of 2.05 ps and a relative error of 2.27% for current waveform of 57 cells under 9 process, voltage, temperature (PVT) corners with TSMC 22nm process. Additionally, our model drastically reduces the runtime to 27% and the storage by up to 19.5x compared with that required by commercial tools.
• Abstract（参考訳）: 複合電流源モデル (CCS) は, 従来の非線形遅延モデル (NLDM) よりも精度の向上と性能向上のために, セルの現在の挙動を表す高度なタイミングモデルとして採用され, プロセスノード下での複雑な動的効果と相互作用をモデル化している。 しかし、高精度な要求、大量のデータ、広範囲なシミュレーションコストは、CCSの特徴付けに深刻な課題をもたらす。 これらの課題に対処するために,能動的学習(AL)を用いた新しいガウスプロセス回帰(GPR)モデルを導入し,評価フレームワークを効率的かつ正確に構築する。 提案手法は, 平均絶対誤差2.05 ps, 電流波形2.27%, 電圧, 温度 (PVT) 角, TSMC 22nm 角に対して平均絶対誤差2.05 ps, 相対誤差2.27%を達成し, 従来の商用ツール, 学習ベースアプローチよりも優れていた。 さらに、当社のモデルでは、商用ツールに必要なものに比べて、ランタイムを27%、ストレージを19.5倍に大幅に削減しています。

関連論文リスト

• Flow-GRPO: Training Flow Matching Models via Online RL [75.70017261794422]
  本稿では,オンライン強化学習(RL)をフローマッチングモデルに統合する最初の方法であるFlow-GRPOを提案する。 提案手法では, 1 つの主要な戦略を用いる:(1) 決定論的正規方程式 (ODE) を, 1 つの時点における原モデルの限界分布に一致する等価な微分方程式 (SDE) に変換するODE-to-SDE 変換と、(2) 元の推論タイムステップ数を保ちながらトレーニングの段階を減らし,
  論文  参考訳（メタデータ） (2025-05-08T17:58:45Z)
• One-Step Diffusion Distillation through Score Implicit Matching [74.91234358410281]
  本稿では,Score Implicit Matching (SIM) を用いて,事前学習した拡散モデルを単一ステップジェネレータモデルに蒸留する手法を提案する。 SIMはワンステップジェネレータに対して強い経験的性能を示す。 リードトランスに基づく拡散モデルにSIMを適用することにより,テキスト・ツー・イメージ生成のための単一ステップ生成器を蒸留する。
  論文  参考訳（メタデータ） (2024-10-22T08:17:20Z)
• Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks [0.1752969190744922]
  設計技術の共同最適化(DTCO)は、最適パワー、性能、領域を達成する上で重要な役割を果たす。 本稿では,高速かつ正確なセルライブラリ解析のためのグラフニューラルネットワーク(GNN)に基づく機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-20T06:10:27Z)
• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Environment Transformer and Policy Optimization for Model-Based Offline Reinforcement Learning [25.684201757101267]
  本研究では環境変換器と呼ばれる不確実性を考慮したシーケンスモデリングアーキテクチャを提案する。 遷移力学と報酬関数の正確なモデリングにより、環境変換器は任意の計画、動的プログラミング、オフラインRLのためのポリシー最適化アルゴリズムと組み合わせることができる。
  論文  参考訳（メタデータ） (2023-03-07T11:26:09Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)

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。