論文の概要: PRIME: Physics-Related Intelligent Mixture of Experts for Transistor Characteristics Prediction

• arxiv url: http://arxiv.org/abs/2505.11523v1
• Date: Sat, 10 May 2025 15:53:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.675222
• Title: PRIME: Physics-Related Intelligent Mixture of Experts for Transistor Characteristics Prediction
• Title（参考訳）: PRIME:トランジスタ特性予測の専門家の物理関連知能混合
• Authors: Zhenxing Dou, Yijiao Wang, Tao Zou, Zhiwei Chen, Fei Liu, Peng Wang, Weisheng Zhao,
• Abstract要約: PRIME (Physics-Related Intelligent Mixture of Experts) は複雑な地域特性を捉え統合するために提案されている。 本質的に、我々のフレームワークは物理に基づく知識とデータ駆動インテリジェンスを取り入れている。 各種ゲート・オール・アラウンド (GAA) 構造について, PRIME の有効性を検討するため, 広範囲な評価を行った。
• 参考スコア（独自算出の注目度）: 11.03749258060248
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In recent years, machine learning has been extensively applied to data prediction during process ramp-up, with a particular focus on transistor characteristics for circuit design and manufacture. However, capturing the nonlinear current response across multiple operating regions remains a challenge for neural networks. To address such challenge, a novel machine learning framework, PRIME (Physics-Related Intelligent Mixture of Experts), is proposed to capture and integrate complex regional characteristics. In essence, our framework incorporates physics-based knowledge with data-driven intelligence. By leveraging a dynamic weighting mechanism in its gating network, PRIME adaptively activates the suitable expert model based on distinct input data features. Extensive evaluations are conducted on various gate-all-around (GAA) structures to examine the effectiveness of PRIME and considerable improvements (60\%-84\%) in prediction accuracy are shown over state-of-the-art models.
• Abstract（参考訳）: 近年、機械学習はプロセスアップ時のデータ予測に広く応用され、特に回路設計と製造のためのトランジスタ特性に焦点が当てられている。 しかし、複数の動作領域にまたがる非線形電流応答を捉えることは、ニューラルネットワークの課題である。 このような課題に対処するために,PRIME(Physics-Related Intelligent Mixture of Experts)と呼ばれる新しい機械学習フレームワークが提案され,複雑な地域特性を捉え,統合する。 本質的に、我々のフレームワークは物理に基づく知識とデータ駆動インテリジェンスを取り入れている。 ゲーティングネットワークにおける動的重み付け機構を活用することにより、PRIMEは異なる入力データ特徴に基づいて適切な専門家モデルを適応的に活性化する。 各種ゲート・オール・アラウンド (GAA) 構造を用いて, PRIME の有効性を検証し, 予測精度の大幅な向上 (60\%-84\%) を示す。

関連論文リスト

• SA-GAT-SR: Self-Adaptable Graph Attention Networks with Symbolic Regression for high-fidelity material property prediction [0.0]
  我々はシンボリック回帰(SA-GAT-SR)と統合された新しい計算パラダイムである自己適応型グラフ注意ネットワークを導入する。 本フレームワークでは,注目重みを自動的に識別・調整する自己適応型符号化アルゴリズムを用いて,拡張可能な180次元特徴空間から重要な特徴をスクリーニングする。 その後、統合SRモジュールはこれらの特徴をコンパクトな解析式に蒸留し、量子力学的に意味のある関係を明確に示す。
  論文  参考訳（メタデータ） (2025-05-01T16:05:10Z)
• Spatio-temporal Attention-based Hidden Physics-informed Neural Network for Remaining Useful Life Prediction [1.8554335256160261]
  STA-HPINN(spatatio-temporal Attention-based Hidden Physics-informed Neural Network)を導入する。 隠れた物理インフォームドニューラルネットワークを用いて、RULの進化を管理する次元物理機構を捉える。 このアプローチはベンチマークデータセットで検証され、最先端のメソッドと比較して、例外的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-05-20T21:10:18Z)
• AI-driven emergence of frequency information non-uniform distribution via THz metasurface spectrum prediction [36.84046475101662]
  我々は,AI予測に基づく準曲面のテラヘルツスペクトル変調効果の予測に関する研究中に,異なる周波数に関連する未報告の情報特性を明らかにした。 このアプローチは、既存のデータセットの利用を効果的に最適化し、人工知能、化学、複合材料設計、バイオメディシンなどの分野における学際的な研究と応用の道を開く。
  論文  参考訳（メタデータ） (2023-12-05T01:48:58Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Privacy-preserving machine learning with tensor networks [37.01494003138908]
  テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。 まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。 このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
  論文  参考訳（メタデータ） (2022-02-24T19:04:35Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Machine learning based digital twin for dynamical systems with multiple time-scales [0.0]
  デジタルツイン技術は、インフラ、航空宇宙、自動車といった様々な産業分野で広く応用される可能性がある。 ここでは、2つの異なる運用時間スケールで進化する線形単一自由度構造力学系のためのデジタルツインフレームワークに焦点を当てる。
  論文  参考訳（メタデータ） (2020-05-12T15:33:25Z)

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。