Fugu-MT 論文翻訳(概要): Self-Attention to Operator Learning-based 3D-IC Thermal Simulation

論文の概要: Self-Attention to Operator Learning-based 3D-IC Thermal Simulation

arxiv url: http://arxiv.org/abs/2510.15968v1
Date: Sun, 12 Oct 2025 13:44:42 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 00:56:38.731516
Title: Self-Attention to Operator Learning-based 3D-IC Thermal Simulation
Title（参考訳）: 演算子学習に基づく3次元IC熱シミュレーションへの自己注意
Authors: Zhen Huang, Hong Wang, Wenkai Yang, Muxi Tang, Depeng Xie, Ting-Jung Lin, Yu Zhang, Wei W. Xing, Lei He,
Abstract要約: FNOのような機械学習アプローチは、より高速な代替手段を提供するが、高周波情報損失と高忠実度データ依存性に悩まされる。本稿では、自己注意とU-NetとFNOを組み合わせた新しいフレームワークである自己注意型U-Net Fourier Neural Operator (SAU-FNO)を紹介する。実験により、SAU-FNOは最先端の熱予測精度を達成し、従来のFEM法よりも842倍のスピードアップを提供することが示された。
参考スコア（独自算出の注目度）: 18.01853966076746
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Thermal management in 3D ICs is increasingly challenging due to higher power densities. Traditional PDE-solving-based methods, while accurate, are too slow for iterative design. Machine learning approaches like FNO provide faster alternatives but suffer from high-frequency information loss and high-fidelity data dependency. We introduce Self-Attention U-Net Fourier Neural Operator (SAU-FNO), a novel framework combining self-attention and U-Net with FNO to capture long-range dependencies and model local high-frequency features effectively. Transfer learning is employed to fine-tune low-fidelity data, minimizing the need for extensive high-fidelity datasets and speeding up training. Experiments demonstrate that SAU-FNO achieves state-of-the-art thermal prediction accuracy and provides an 842x speedup over traditional FEM methods, making it an efficient tool for advanced 3D IC thermal simulations.
Abstract（参考訳）: 3D ICの熱管理は、高出力密度のため、ますます困難になっている。従来のPDE解決法は正確だが、反復設計には遅すぎる。 FNOのような機械学習アプローチは、より高速な代替手段を提供するが、高周波情報損失と高忠実度データ依存性に悩まされる。本稿では,自己注意とU-NetをFNOと組み合わせた新しいフレームワークである自己注意型U-Net Fourier Neural Operator (SAU-FNO)を導入し,長距離依存関係を捕捉し,局所的な高周波特性を効果的にモデル化する。転送学習は、低忠実度データを微調整し、広範囲の高忠実度データセットの必要性を最小化し、トレーニングを高速化するために使用される。実験により、SAU-FNOは最先端の熱予測精度を達成し、従来のFEM法よりも842倍のスピードアップを提供し、高度な3次元IC熱シミュレーションのための効率的なツールであることが示された。

関連論文リスト

Echo Flow Networks [4.298381633106637]
非線形読み出しを伴うEcho State Networks (X-ESNs) グループで構成されるフレームワークである Echo Flow Networks (EFNs) を紹介する。 EFNは、PatchTSTのような主要なメソッドに比べて最大4倍高速なトレーニングと3倍のモデルサイズを実現している。当社のフレームワークのインスタンス化のひとつであるEchoFormerは、5つのベンチマークデータセットで、常に新しい最先端のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2025-09-28T23:38:55Z)
OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
論文参考訳（メタデータ） (2025-06-12T16:23:02Z)
Enhancing Physics-Informed Neural Networks Through Feature Engineering [18.055120576191204]
本稿では,単層アダプティブ・フィーチャー・エンジニアリング・ネットワークであるSAFE-NETを紹介する。基準となる特徴工学手法よりもはるかに少ないパラメータで、マグニチュードオーダーの低いエラーを実現する。数値計算の結果,SAFE-NETはより高速に収束し,より深いネットワークや複雑なネットワークよりも優れていた。
論文参考訳（メタデータ） (2025-02-11T03:07:28Z)
Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文参考訳（メタデータ） (2024-08-26T17:03:14Z)
AEDFL: Efficient Asynchronous Decentralized Federated Learning with Heterogeneous Devices [61.66943750584406]
異種環境におけるAEDFL(Asynchronous Efficient Decentralized FL framework)を提案する。まず、FL収束を改善するための効率的なモデル集約手法を用いた非同期FLシステムモデルを提案する。次に,より優れた精度を実現するために,動的安定化を考慮したモデル更新手法を提案する。第3に,通信コストと計算コストを大幅に削減する適応スパース学習法を提案する。
論文参考訳（メタデータ） (2023-12-18T05:18:17Z)
Guaranteed Approximation Bounds for Mixed-Precision Neural Operators [83.64404557466528]
我々は、ニューラル演算子学習が本質的に近似誤差を誘導する直感の上に構築する。提案手法では,GPUメモリ使用量を最大50%削減し,スループットを58%向上する。
論文参考訳（メタデータ） (2023-07-27T17:42:06Z)
Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文参考訳（メタデータ） (2023-01-05T13:59:29Z)
Exploring Deep Reinforcement Learning-Assisted Federated Learning for Online Resource Allocation in EdgeIoT [53.68792408315411]
フェデレートラーニング(FL)は、モバイルエッジコンピューティングベースのInternet of Thing(EdgeIoT)における盗聴攻撃からデータトレーニングプライバシを保護するために、ますます検討されている。本研究では,連続領域における最適精度とエネルギー収支を達成するために,FLDLT3フレームワークを提案する。その結果、FL-DLT3は100回未満の高速収束を実現し、FLの精度-エネルギー消費比は既存の最先端ベンチマークと比較して51.8%向上した。
論文参考訳（メタデータ） (2022-02-15T13:36:15Z)
U-FNO -- an enhanced Fourier neural operator based-deep learning model for multiphase flow [43.572675744374415]
多相フロー問題を解くための拡張フーリエニューラル演算子U-FNOを提案する。 U-FNOアーキテクチャは従来のCNNとオリジナルFNOの両方の利点があり、より正確で効率的な性能を提供する。訓練されたU-FNOは、従来の数値シミュレータと比較して1万倍の速度でガス飽和と圧力上昇を予測する。
論文参考訳（メタデータ） (2021-09-03T17:52:25Z)

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。