論文の概要: Transfer Learning for Minimum Operating Voltage Prediction in Advanced Technology Nodes: Leveraging Legacy Data and Silicon Odometer Sensing

• arxiv url: http://arxiv.org/abs/2509.00035v1
• Date: Thu, 21 Aug 2025 23:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-07 09:10:15.261496
• Title: Transfer Learning for Minimum Operating Voltage Prediction in Advanced Technology Nodes: Leveraging Legacy Data and Silicon Odometer Sensing
• Title（参考訳）: 先端技術ノードにおける最小動作電圧予測のための転送学習:レガシーデータとシリコンオドメーターセンシングを活用する
• Authors: Yuxuan Yin, Rebecca Chen, Boxun Xu, Chen He, Peng Li,
• Abstract要約: 本稿では, 高精度な5nmノードでのV_min$予測を実現するための新しい転送学習フレームワークを提案する。 提案手法の重要な革新は、オンチップシリコンオドメーターセンサデータから得られる入力特徴の統合であり、局所的なプロセス変動のきめ細かいキャラクタリゼーションを提供する。
• 参考スコア（独自算出の注目度）: 7.383529783340357
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate prediction of chip performance is critical for ensuring energy efficiency and reliability in semiconductor manufacturing. However, developing minimum operating voltage ($V_{min}$) prediction models at advanced technology nodes is challenging due to limited training data and the complex relationship between process variations and $V_{min}$. To address these issues, we propose a novel transfer learning framework that leverages abundant legacy data from the 16nm technology node to enable accurate $V_{min}$ prediction at the advanced 5nm node. A key innovation of our approach is the integration of input features derived from on-chip silicon odometer sensor data, which provide fine-grained characterization of localized process variations -- an essential factor at the 5nm node -- resulting in significantly improved prediction accuracy.
• Abstract（参考訳）: チップ性能の正確な予測は、半導体製造におけるエネルギー効率と信頼性を確保するために重要である。 しかしながら、高度技術ノードにおける最小動作電圧(V_{min}$)予測モデルの開発は、限られたトレーニングデータとプロセスのバリエーションと$V_{min}$との複雑な関係により困難である。 これらの問題に対処するために,16nm技術ノードからの豊富なレガシデータを活用して,高度な5nmノードでの正確な$V_{min}$予測を実現する新しい転送学習フレームワークを提案する。 提案手法の重要な革新は、オンチップシリコンオドメーターセンサデータから得られる入力特徴の統合である。これにより、局所化プロセスの変動(5nmノードにおける必須要素)のきめ細かいキャラクタリゼーションが実現され、予測精度が大幅に向上する。

関連論文リスト

• Computationally Tractable Offline Quantum Experimental Design for Nuclear Spin Detection [0.0]
  本研究では,測度におけるデータ点の選択を最適化するために代理情報ゲイン(SIG)を導入する。 このアプローチは核スピン検出の精度を維持しながら実験における時間要求を著しく低減する。 この研究は、実験データに対するSALIの最初の検証でもある。
  論文  参考訳（メタデータ） (2025-08-29T09:29:02Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Non-asymptotic Convergence of Training Transformers for Next-token Prediction [48.9399496805422]
  トランスフォーマーは、シーケンシャルなデータを扱う優れた能力のために、現代の機械学習において驚くべき成功を収めています。 本稿では, 単層変圧器のトレーニング力学の微細な非漸近解析を行う。 トレーニングされたトランスフォーマーは,データセットシフトによる非トーケン予測能力を示すことを示す。
  論文  参考訳（メタデータ） (2024-09-25T20:22:06Z)
• 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)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Improving Semiconductor Device Modeling for Electronic Design Automation by Machine Learning Techniques [6.170514965470266]
  本稿では,変分オートエンコーダを用いたMLに基づくデバイスモデリング改善のための自己拡張戦略を提案する。 提案手法の有効性を実証するために,ガリウム窒化物デバイスにおけるオーミック抵抗値に対するディープニューラルネットワークに基づく予測タスクに適用する。
  論文  参考訳（メタデータ） (2021-05-25T00:52:44Z)

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。