論文の概要: Accelerating IC Thermal Simulation Data Generation via Block Krylov and Operator Action

• arxiv url: http://arxiv.org/abs/2510.23221v1
• Date: Mon, 27 Oct 2025 11:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:22.01513
• Title: Accelerating IC Thermal Simulation Data Generation via Block Krylov and Operator Action
• Title（参考訳）: ブロッククリロフと演算子動作によるIC熱シミュレーションデータ生成の高速化
• Authors: Hong Wang, Wenkai Yang, Jie Wang, Huanshuo Dong, Zijie Geng, Zhen Huang, Depeng Xie, Zhezheng Hao, Hande Dong,
• Abstract要約: BlocKOAは、様々な物理パラメータとIC構造を持つ5000チップの熱シミュレーションデータを生成する際に、420倍のスピードアップを達成する。 生成時間のわずか4%であっても、BlocKOAが生成したデータに基づいてトレーニングされたデータ駆動アプローチは、既存のメソッドと同等のパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 18.64505667465523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in data-driven approaches, such as neural operators (NOs), have shown substantial efficacy in reducing the solution time for integrated circuit (IC) thermal simulations. However, a limitation of these approaches is requiring a large amount of high-fidelity training data, such as chip parameters and temperature distributions, thereby incurring significant computational costs. To address this challenge, we propose a novel algorithm for the generation of IC thermal simulation data, named block Krylov and operator action (BlocKOA), which simultaneously accelerates the data generation process and enhances the precision of generated data. BlocKOA is specifically designed for IC applications. Initially, we use the block Krylov algorithm based on the structure of the heat equation to quickly obtain a few basic solutions. Then we combine them to get numerous temperature distributions that satisfy the physical constraints. Finally, we apply heat operators on these functions to determine the heat source distributions, efficiently generating precise data points. Theoretical analysis shows that the time complexity of BlocKOA is one order lower than the existing method. Experimental results further validate its efficiency, showing that BlocKOA achieves a 420-fold speedup in generating thermal simulation data for 5000 chips with varying physical parameters and IC structures. Even with just 4% of the generation time, data-driven approaches trained on the data generated by BlocKOA exhibits comparable performance to that using the existing method.
• Abstract（参考訳）: ニューラル演算子(NOs)のようなデータ駆動型アプローチの最近の進歩は、集積回路(IC)熱シミュレーションの解時間を短縮する上で大きな効果を示している。 しかし、これらのアプローチの制限は、チップパラメータや温度分布などの大量の高忠実度トレーニングデータを必要とするため、計算コストが大幅に上昇する。 この課題に対処するために,ブロックKrylovと演算子動作(BlocKOA)というIC熱シミュレーションデータを生成するアルゴリズムを提案する。 BlocKOAはICアプリケーション用に特別に設計された。 当初、熱方程式の構造に基づくブロック・クリロフアルゴリズムを用いて、いくつかの基本的な解を素早く得る。 そして、それらを組み合わせて、物理的な制約を満たす多数の温度分布を得る。 最後に,これらの関数に熱演算子を適用して熱源分布を推定し,高精度なデータポイントを効率的に生成する。 理論的解析により、BlocKOAの時間複雑性は既存の方法よりも1次低いことが示されている。 実験の結果,BlocKOAは物理パラメータやIC構造が異なる5000チップの熱シミュレーションデータを生成する際に,420倍のスピードアップを達成した。 生成時間のわずか4%であっても、BlocKOAが生成したデータに基づいてトレーニングされたデータ駆動アプローチは、既存のメソッドと同等のパフォーマンスを示している。

関連論文リスト

• Revisiting Heat Flux Analysis of Tungsten Monoblock Divertor on EAST using Physics-Informed Neural Network [13.813339681786644]
  核融合装置EASTにおける熱フラックスの推定は極めて重要な課題である。 FEMは計算のグリッドベースのサンプリングに依存しており、計算的に非効率であり、リアルタイムのシミュレーションを行うのが困難である。 本稿では,この課題に対処する新しい物理情報ニューラルネットワーク(PINN)を提案する。
  論文  参考訳（メタデータ） (2025-08-05T12:42:02Z)
• Data-Driven Optical To Thermal Inference in Pool Boiling Using Generative Adversarial Networks [1.0499611180329804]
  本稿では,標準プール沸騰構成における幾何位相から温度場を推定するデータ駆動フレームワークを提案する。 本研究は,観測可能な多相現象と熱輸送のギャップを埋めるための深部生成モデルの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-05-01T19:26:01Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• Cryogenic Control and Readout Integrated Circuits for Solid-State Quantum Computing [44.99833362998488]
  低温集積回路(ICs)は、室温エレクトロニクスの代替となる可能性がある。 低温で作動すると 電子ノイズが抑制され クビット制御精度が向上する CMOS ICでは、低温電界効果トランジスタの信頼性が低いため、回路設計の不確かさが生じる。
  論文  参考訳（メタデータ） (2024-10-21T11:15:45Z)
• Bayesian inference of composition-dependent phase diagrams [47.79947989845143]
  本研究では,分子動力学(MD),融点シミュレーション,フォノン計算からの熱力学データを合成し,これらのデータを処理し,温度集中相図を生成する手法を開発した。 開発したアルゴリズムは,Ge-SiとK-Naの2つの二元系において,全濃度および温度で試験に成功した。
  論文  参考訳（メタデータ） (2023-09-03T20:57:10Z)
• Machine Learning methods for simulating particle response in the Zero Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
  現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。 大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。 機械学習を利用した問題に対する代替手法を提案する。
  論文  参考訳（メタデータ） (2023-06-23T16:45:46Z)
• Robust Extraction of Thermal Observables from State Sampling and Real-Time Dynamics on Quantum Computers [49.1574468325115]
  我々は、状態の密度、特にその非負性性に制約を課す手法を導入し、この方法で、ノイズのある時系列からボルツマン重みを確実に抽出できることを示す。 本研究により,今日の量子コンピュータにおける時系列アルゴリズムの実装により,多体量子系の有限温度特性の研究が可能となった。
  論文  参考訳（メタデータ） (2023-05-30T18:00:05Z)
• Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
  本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。 我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。 RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
  論文  参考訳（メタデータ） (2022-10-21T15:56:13Z)
• A Thermal Machine Learning Solver For Chip Simulation [0.5592394503914488]
  本稿では,チップの熱シミュレーションを高速化するための機械学習(ML)ソルバを提案する。 提案手法は、Ansys MAPDLや最新のMLベースラインであるUNetなど、商用の問題解決者に対して検証されている。
  論文  参考訳（メタデータ） (2022-09-10T20:32:55Z)
• Physics-informed Convolutional Neural Networks for Temperature Field Prediction of Heat Source Layout without Labeled Data [9.71214034180507]
  本稿では,熱シミュレーションサロゲートのための物理インフォームド畳み込みニューラルネットワーク(CNN)を開発した。 ネットワークは、熱源配置から、ラベル付きデータなしで定常温度場へのマッピングを学習でき、これは部分差分方程式(PDE)の族全体の解法と等しい。
  論文  参考訳（メタデータ） (2021-09-26T03:24:23Z)

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。