論文の概要: S-Crescendo: A Nested Transformer Weaving Framework for Scalable Nonlinear System in S-Domain Representation

• arxiv url: http://arxiv.org/abs/2505.11843v1
• Date: Sat, 17 May 2025 05:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.889853
• Title: S-Crescendo: A Nested Transformer Weaving Framework for Scalable Nonlinear System in S-Domain Representation
• Title（参考訳）: S-Crescendo: S-Domain表現におけるスケーラブル非線形システムのためのNested Transformer Weaving Framework
• Authors: Junlang Huang, Hao Chen, Li Luo, Yong Cai, Lexin Zhang, Tianhao Ma, Yitian Zhang, Zhong Guan,
• Abstract要約: S-Crescendoは、スケーラブルな時間領域予測のために、ニューラルネットワークとSドメインを相乗化するネストトランスフォーマーウィービングフレームワークである。 HSPICEゴールデン波形に対して最大0.99のテストセット(R2$)精度を実現し,シミュレーションを最大18(X)高速化する。
• 参考スコア（独自算出の注目度）: 4.945568106952893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulation of high-order nonlinear system requires extensive computational resources, especially in modern VLSI backend design where bifurcation-induced instability and chaos-like transient behaviors pose challenges. We present S-Crescendo - a nested transformer weaving framework that synergizes S-domain with neural operators for scalable time-domain prediction in high-order nonlinear networks, alleviating the computational bottlenecks of conventional solvers via Newton-Raphson method. By leveraging the partial-fraction decomposition of an n-th order transfer function into first-order modal terms with repeated poles and residues, our method bypasses the conventional Jacobian matrix-based iterations and efficiently reduces computational complexity from cubic $O(n^3)$ to linear $O(n)$.The proposed architecture seamlessly integrates an S-domain encoder with an attention-based correction operator to simultaneously isolate dominant response and adaptively capture higher-order non-linearities. Validated on order-1 to order-10 networks, our method achieves up to 0.99 test-set ($R^2$) accuracy against HSPICE golden waveforms and accelerates simulation by up to 18(X), providing a scalable, physics-aware framework for high-dimensional nonlinear modeling.
• Abstract（参考訳）: 高次非線形システムのシミュレーションは、特に分岐による不安定性とカオスのような過渡的な振る舞いが課題となる現代のVLSIバックエンド設計において、広範な計算資源を必要とする。 S-Crescendo - 高次非線形ネットワークにおけるスケーラブルな時間領域予測のためにSドメインとニューラル演算子を相乗化するネスト型トランスフォーマーウィービングフレームワークで,Newton-Raphson法による従来の解法の計算ボトルネックを軽減する。 繰り返し極や残基を持つ一階のモーダル項にn階の遷移関数を分解することにより、従来のヤコビ行列に基づく反復をバイパスし、計算複雑性を立方体$O(n^3)$から線形$O(n)$に効率的に還元する。 提案アーキテクチャは、Sドメインエンコーダとアテンションベースの補正演算子をシームレスに統合し、支配的な応答を同時に分離し、高次非線形性を適応的にキャプチャする。 オーダー1からオーダー10ネットワークに検証し,HSPICEゴールデン波形に対して最大0.99のテストセット(R^2$)の精度を達成し,シミュレーションを最大18(X)高速化し,高次元非線形モデリングのためのスケーラブルな物理認識フレームワークを提供する。

関連論文リスト

• Nonconvex Linear System Identification with Minimal State Representation [34.203983563629144]
  低次線形系IDent (SysID) は、最小状態の観測値を持つ有限個の入力から線形力学系のパラメータを推定する問題に対処する。
  論文  参考訳（メタデータ） (2025-04-26T04:11:02Z)
• Least-Squares-Embedded Optimization for Accelerated Convergence of PINNs in Acoustic Wavefield Simulations [2.8948274245812327]
  PINNは偏微分方程式の解法において有望であることを示した。 ヘルムホルツ方程式に基づく散乱音場シミュレーションでは,ハイブリッド最適化の枠組みを導出する。 このフレームワークは、最小二乗(LS)ソルバをGD損失関数に直接埋め込むことで、トレーニング収束を加速する。
  論文  参考訳（メタデータ） (2025-04-23T09:32:14Z)
• OTLRM: Orthogonal Learning-based Low-Rank Metric for Multi-Dimensional Inverse Problems [14.893020063373022]
  学習可能な直交変換に基づく新しいデータ駆動型低ランクt-SVDモデルを提案する。 また、生成ネットワークの効率的な表現を利用して低ランク構造を得るSVTの一般化として低ランク解法を提案する。
  論文  参考訳（メタデータ） (2024-12-15T12:28:57Z)
• GLinSAT: The General Linear Satisfiability Neural Network Layer By Accelerated Gradient Descent [12.409030267572243]
  まず、エントロピー規則化線形計画問題として、ニューラルネットワーク出力予測問題を再構成する。 数値的性能向上を伴う高速化勾配降下アルゴリズムに基づいて,その問題を解決するため,アーキテクチャGLinSATを提案する。 これは、すべての操作が微分可能で行列分解自由な、最初の一般線形満足層である。
  論文  参考訳（メタデータ） (2024-09-26T03:12:53Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Constrained Optimization via Exact Augmented Lagrangian and Randomized Iterative Sketching [55.28394191394675]
  等式制約付き非線形非IBS最適化問題に対する適応的不正確なニュートン法を開発した。 ベンチマーク非線形問題,LVMのデータによる制約付きロジスティック回帰,PDE制約問題において,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-28T06:33:37Z)
• Training Recurrent Neural Networks by Sequential Least Squares and the Alternating Direction Method of Multipliers [0.20305676256390928]
  本稿では、最適隠れネットワークパラメータを決定するために凸と2倍の差分損失と正規化項を用いることを提案する。 逐次最小二乗と交互方向乗算器を組み合わせる。 このアルゴリズムの性能は非線形システム同定ベンチマークで検証される。
  論文  参考訳（メタデータ） (2021-12-31T08:43:04Z)

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。