論文の概要: Embedding-Enhanced Probabilistic Modeling of Ferroelectric Field Effect Transistors (FeFETs)

• arxiv url: http://arxiv.org/abs/2508.02737v1
• Date: Sat, 02 Aug 2025 03:20:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.593677
• Title: Embedding-Enhanced Probabilistic Modeling of Ferroelectric Field Effect Transistors (FeFETs)
• Title（参考訳）: 強誘電体効果トランジスタ(FeFET)の埋め込み強化確率モデル
• Authors: Tasnia Nobi Afee, Jack Hutchins, Md Mazharul Islam, Thomas Kampfe, Ahmedullah Aziz,
• Abstract要約: FeFETはメモリとロジック技術の進歩に強い可能性を秘めているが、その固有のランダム性は正確で信頼性の高いモデリングに重大な課題をもたらす。 既存の決定論的および機械学習ベースのコンパクトモデルは、しばしばこの変動の完全な範囲を捉えない。 本稿では,これらの制約に対処するFeFETの確率的モデリングフレームワークについて述べる。
• 参考スコア（独自算出の注目度）: 0.46603287532620735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: FeFETs hold strong potential for advancing memory and logic technologies, but their inherent randomness arising from both operational cycling and fabrication variability poses significant challenges for accurate and reliable modeling. Capturing this variability is critical, as it enables designers to predict behavior, optimize performance, and ensure reliability and robustness against variations in manufacturing and operating conditions. Existing deterministic and machine learning-based compact models often fail to capture the full extent of this variability or lack the mathematical smoothness required for stable circuit-level integration. In this work, we present an enhanced probabilistic modeling framework for FeFETs that addresses these limitations. Building upon a Mixture Density Network (MDN) foundation, our approach integrates C-infinity continuous activation functions for smooth, stable learning and a device-specific embedding layer to capture intrinsic physical variability across devices. Sampling from the learned embedding distribution enables the generation of synthetic device instances for variability-aware simulation. With an R2 of 0.92, the model demonstrates high accuracy in capturing the variability of FeFET current behavior. Altogether, this framework provides a scalable, data-driven solution for modeling the full stochastic behavior of FeFETs and offers a strong foundation for future compact model development and circuit simulation integration.
• Abstract（参考訳）: FeFETは、メモリとロジック技術の進歩に強い可能性を秘めているが、その固有のランダム性は、運用サイクルと製造変数の両方から生じるものであり、正確で信頼性の高いモデリングに重大な課題をもたらす。 設計者は振る舞いを予測し、性能を最適化し、製造条件や運転条件の変動に対して信頼性と堅牢性を確保することができる。 既存の決定論的および機械学習に基づくコンパクトモデルは、しばしばこの変数の完全な範囲を捉えたり、安定した回路レベルの積分に必要な数学的滑らかさを欠いている。 本稿では,これらの制約に対処するFeFETの確率的モデリングフレームワークについて述べる。 本手法は,Mixture Density Network (MDN) を基盤として,スムーズで安定な学習のためのC-infinity連続活性化関数と,デバイス固有の埋め込み層を統合し,デバイス間の固有の物理的変動を捉える。 学習した埋め込み分布からサンプリングすることで、可変性を考慮したシミュレーションのための合成デバイスインスタンスの生成が可能になる。 R2 は 0.92 であり、FeFET 電流の変動を捉える精度が高い。 このフレームワークは、FeFETの完全な確率的振る舞いをモデル化するためのスケーラブルでデータ駆動のソリューションを提供し、将来のコンパクトモデル開発と回路シミュレーションの統合のための強力な基盤を提供する。

関連論文リスト

• FunDiff: Diffusion Models over Function Spaces for Physics-Informed Generative Modeling [3.6766942024793496]
  本稿では関数空間における生成モデリングのための新しいフレームワークであるFunDiffを紹介する。 FunDiffは遅延拡散プロセスと関数オートエンコーダアーキテクチャを組み合わせて入力関数を処理する。 本研究では流体力学および固体力学におけるFunDiffの実効性を示す。
  論文  参考訳（メタデータ） (2025-06-09T16:19:59Z)
• Autoregressive regularized score-based diffusion models for multi-scenarios fluid flow prediction [0.0]
  マルチシナリオ流体流予測のための条件付きスコアベース拡散モデルを提案する。 我々のモデルは乱流の統計的性質に根ざしたエネルギー制約を統合する。 重要な物理特性と統計特性を保持しながら、複数のシナリオにわたる正確な結果を達成する。
  論文  参考訳（メタデータ） (2025-05-30T02:37:05Z)
• Physics-aware generative models for turbulent fluid flows through energy-consistent stochastic interpolants [0.0]
  生成モデルは、テキスト、画像、ビデオなどの領域で顕著な成功を収めている。 本研究では, 生成モデルの流体力学への応用, 特に乱流シミュレーションについて検討する。 本稿では,物理制約を取り入れつつ確率的予測を可能にする補間子に基づく新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:29:01Z)
• Training-Free Constrained Generation With Stable Diffusion Models [45.138721047543214]
  安定拡散モデルは、様々な領域にまたがるデータ合成における最先端のモデルである。 本稿では,安定拡散モデルと制約付き最適化フレームワークの新たな統合を提案する。 このアプローチの有効性は、精密な形態計測特性の付着を必要とする材料設計実験によって実証される。
  論文  参考訳（メタデータ） (2025-02-08T16:11:17Z)
• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Machine Learning-powered Compact Modeling of Stochastic Electronic Devices using Mixture Density Networks [0.0]
  従来の決定論的モデルは、多くの電子部品によって示される微妙だが批判的な変動を捉えようとすると、不足する。 本稿では,機械学習の力を生かして,従来のモデリング手法の限界を超越する革新的な手法を提案する。 本論文は,電子回路の領域における革新を推し進める,正確で汎用的なコンパクトモデルの探求において,重要な一歩を踏み出したものである。
  論文  参考訳（メタデータ） (2023-11-10T01:34:18Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• FiMReSt: Finite Mixture of Multivariate Regulated Skew-t Kernels -- A Flexible Probabilistic Model for Multi-Clustered Data with Asymmetrically-Scattered Non-Gaussian Kernels [0.0]
  本研究では,混合モデルを学習し,スキューをモデル化するための一般化可能性とパワーを高めるために,正規化された反復最適化プロセスを提案する。 得られた混合モデルは、マルチレギュレーションスキュート(FiMStss)の有限混合と呼ばれる。 この性能を検証するため,複数の実世界のデータセットと合成データセットに関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-05-15T23:53:59Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。