論文の概要: MOTIF-RF: Multi-template On-chip Transformer Synthesis Incorporating Frequency-domain Self-transfer Learning for RFIC Design Automation

• arxiv url: http://arxiv.org/abs/2511.21970v1
• Date: Wed, 26 Nov 2025 23:03:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.323214
• Title: MOTIF-RF: Multi-template On-chip Transformer Synthesis Incorporating Frequency-domain Self-transfer Learning for RFIC Design Automation
• Title（参考訳）: MOTIF-RF:RFIC設計自動化のための周波数領域自己伝達学習を組み込んだマルチテンプレートオンチップ変圧器合成
• Authors: Houbo He, Yizhou Xu, Lei Xia, Yaolong Hu, Fan Cai, Taiyun Chi,
• Abstract要約: 我々は、マルチテンプレート機械学習(ML)サロゲートモデルを開発し、それを高周波集積回路(RFIC)の変換器(XFMR)の逆設計に適用する。 新しい周波数領域の自己伝達学習技術は、隣接する周波数帯域間の相関を利用しており、S-s予測の精度が約30%-50%向上する。 逆設計フレームワークは、複数のインピーダンスマッチングタスクを使用して検証される。
• 参考スコア（独自算出の注目度）: 6.037841678034353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a systematic study on developing multi-template machine learning (ML) surrogate models and applying them to the inverse design of transformers (XFMRs) in radio-frequency integrated circuits (RFICs). Our study starts with benchmarking four widely used ML architectures, including MLP-, CNN-, UNet-, and GT-based models, using the same datasets across different XFMR topologies. To improve modeling accuracy beyond these baselines, we then propose a new frequency-domain self-transfer learning technique that exploits correlations between adjacent frequency bands, leading to around 30%-50% accuracy improvement in the S-parameters prediction. Building on these models, we further develop an inverse design framework based on the covariance matrix adaptation evolutionary strategy (CMA-ES) algorithm. This framework is validated using multiple impedance-matching tasks, all demonstrating fast convergence and trustworthy performance. These results advance the goal of AI-assisted specs-to-GDS automation for RFICs and provide RFIC designers with actionable tools for integrating AI into their workflows.
• Abstract（参考訳）: 本稿では、マルチテンポレート機械学習(ML)サロゲートモデルを開発し、それを高周波集積回路(RFIC)における変換器(XFMR)の逆設計に適用する体系的な研究を提案する。 我々の研究は、異なるXFMRトポロジで同じデータセットを使用して、MLP-、CNN-、UNet-、GT-ベースモデルを含む4つの広く使われているMLアーキテクチャのベンチマークから始まります。 これらのベースラインを超えたモデリング精度を向上させるために,隣接する周波数帯域間の相関を利用してSパラメータ予測の精度を約30%-50%向上させる新しい周波数領域自己伝達学習手法を提案する。 これらのモデルに基づいて、共分散行列適応進化戦略(CMA-ES)に基づく逆設計フレームワークをさらに発展させる。 このフレームワークは、複数のインピーダンスマッチングタスクを使用して検証され、全て高速収束と信頼できるパフォーマンスを示す。 これらの結果は、RFICのためのAI支援スペック・ツー・GDS自動化の目標を前進させ、RFICデザイナにワークフローにAIを統合する実行可能なツールを提供する。

関連論文リスト

• Fast and Accurate RFIC Performance Prediction via Pin Level Graph Neural Networks and Probabilistic Flow [0.5599792629509228]
  本研究は,アクティブRF回路の重要な性能指標を予測するために,軽量かつデータ効率,トポロジ対応グラフニューラルネットワーク(GNN)モデルを提案する。 回路はデバイス-端末レベルでモデル化され、データ要求を減らしながらスケーラブルなメッセージパッシングを可能にする。 データセットの実験では、対称平均絶対パーセンテージ誤差(sMAPE)と平均相対誤差(MRE)はそれぞれ平均2.40%と2.91%と高い予測精度を示している。
  論文  参考訳（メタデータ） (2025-08-22T14:06:21Z)
• Dynamic Acoustic Model Architecture Optimization in Training for ASR [51.21112094223223]
  DMAOは、Grow-and-drop戦略を使用して、トレーニング中にパラメータを自動的に再配置するアーキテクチャ最適化フレームワークである。 CTC onSpeech, TED-Lium-v2, Switchboard を用いてDMAOの評価を行った。
  論文  参考訳（メタデータ） (2025-06-16T07:47:34Z)
• A Multi-Step Comparative Framework for Anomaly Detection in IoT Data Streams [0.9208007322096533]
  IoT(Internet of Things)デバイスは重要なセキュリティ問題を導入し、正確な異常検出の必要性を強調している。 本稿では,前処理選択が3つの機械学習アルゴリズムに与える影響を評価する多段階評価フレームワークを提案する。 IoTID20データセットの実験は、GBoostingが前処理設定で常に優れた精度を提供することを示している。
  論文  参考訳（メタデータ） (2025-05-22T16:28:22Z)
• AI/ML-Based Automatic Modulation Recognition: Recent Trends and Future Possibilities [0.0]
  本稿では、RF変調方式を分類するために、文献に提案されている高性能自動変調認識(AMR)モデルについて概説する。 我々はこれらのモデルを再現し、その性能を信号対雑音比の精度で比較した。
  論文  参考訳（メタデータ） (2025-02-07T20:34:04Z)
• Enhancing Automatic Modulation Recognition for IoT Applications Using Transformers [2.258538713779673]
  本稿では,自然言語処理用に設計されたTransformer Networkを活用した革新的な手法を提案する。 RF信号の適切な埋め込みのための4つのトークン化手法を提案し,検討した。 我々のモデルは、RML2016で65.75、CSPB.ML.2018+データセットで65.80の精度を達成する。
  論文  参考訳（メタデータ） (2024-03-08T21:33:03Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。