論文の概要: 2D-ThermAl: Physics-Informed Framework for Thermal Analysis of Circuits using Generative AI

• arxiv url: http://arxiv.org/abs/2512.01163v1
• Date: Mon, 01 Dec 2025 00:45:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.614737
• Title: 2D-ThermAl: Physics-Informed Framework for Thermal Analysis of Circuits using Generative AI
• Title（参考訳）: 2D-ThermAl: 生成AIを用いた回路の熱解析のための物理インフォームドフレームワーク
• Authors: Soumyadeep Chandra, Sayeed Shafayet Chowdhury, Kaushik Roy,
• Abstract要約: ThermAl"は物理インフォームドな生成AIフレームワークで、熱源を効果的に同定し、全チップの過渡的および定常的な熱分布を推定する。 本モデルは,COMSOLを用いて生成した単純な論理ゲート(インバータ,NAND,XORなど)から複雑な設計まで,広範な熱散逸マップのデータセットに基づいて訓練されている。 実験結果から、ThermAlは0.71Cのルート平均二乗誤差(RMSE)を持つ大回路に対して正確な温度マッピングを行い、200倍高速に動作することで従来のFEMツールより優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 9.414651358362388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Thermal analysis is increasingly critical in modern integrated circuits, where non-uniform power dissipation and high transistor densities can cause rapid temperature spikes and reliability concerns. Traditional methods, such as FEM-based simulations offer high accuracy but computationally prohibitive for early-stage design, often requiring multiple iterative redesign cycles to resolve late-stage thermal failures. To address these challenges, we propose 'ThermAl', a physics-informed generative AI framework which effectively identifies heat sources and estimates full-chip transient and steady-state thermal distributions directly from input activity profiles. ThermAl employs a hybrid U-Net architecture enhanced with positional encoding and a Boltzmann regularizer to maintain physical fidelity. Our model is trained on an extensive dataset of heat dissipation maps, ranging from simple logic gates (e.g., inverters, NAND, XOR) to complex designs, generated via COMSOL. Experimental results demonstrate that ThermAl delivers precise temperature mappings for large circuits, with a root mean squared error (RMSE) of only 0.71°C, and outperforms conventional FEM tools by running up to ~200 times faster. We analyze performance across diverse layouts and workloads, and discuss its applicability to large-scale EDA workflows. While thermal reliability assessments often extend beyond 85°C for post-layout signoff, our focus here is on early-stage hotspot detection and thermal pattern learning. To ensure generalization beyond the nominal operating range 25-55°C, we additionally performed cross-validation on an extended dataset spanning 25-95°C maintaining a high accuracy (<2.2% full-scale RMSE) even under elevated temperature conditions representative of peak power and stress scenarios.
• Abstract（参考訳）: 熱分析は、非均一な電力散逸と高トランジスタ密度が急激な温度スパイクと信頼性の懸念を引き起こす現代の集積回路においてますます重要になっている。 FEMベースのシミュレーションのような従来の手法は、高い精度を提供するが、初期の設計では計算が不可能であり、しばしば後期の熱失敗を解決するために複数の反復的な再設計サイクルを必要とする。 これらの課題に対処するために、熱源を効果的に同定し、入力活動プロファイルから直接全チップの過渡的および定常的な熱分布を推定する物理インフォームドAIフレームワーク「ThermAl」を提案する。 ThermAlは、位置エンコーディングとボルツマン正規化器によって拡張されたハイブリッドU-Netアーキテクチャを用いて物理的忠実性を維持する。 本モデルでは,COMSOLを用いて生成した簡単な論理ゲート(例えば,インバータ,NAND,XOR)から複雑な設計まで,広範な熱散逸マップのデータセットに基づいてトレーニングを行った。 実験により、ThermAlは0.71°Cのルート平均二乗誤差(RMSE)を持つ大回路に対して正確な温度マッピングを提供し、最大200倍高速に動作することで従来のFEMツールより優れていることが示された。 さまざまなレイアウトやワークロードのパフォーマンスを分析し、大規模なEDAワークフローへの適用性について議論する。 熱信頼性評価はレイアウト後サインオフで85°Cを超える場合が多いが,本研究は早期ホットスポット検出と熱パターン学習に重点を置いている。 また,25-55°C以上の温度条件下でも高い精度(2.2%のフルスケールRMSE)を維持しながら,25-95°Cにまたがる拡張データセット上でクロスバリデーションを行った。

関連論文リスト

• Learning to Reconstruct Temperature Field from Sparse Observations with Implicit Physics Priors [22.013633764284936]
  温度場における測定の高コスト化と相当な分布変化は、再構成モデルの開発に挑戦する。 暗黙的な物理誘導型温度場再構成フレームワークであるIPTRを提案する。 我々はIPTRが既存の手法を一貫して上回り、最先端の再構築精度と強力な一般化能力を実現していることを示す。
  論文  参考訳（メタデータ） (2025-12-01T02:22:30Z)
• Aggregation of Published Non-Uniform Axial Power Data for Phase II of the OECD/NEA AI/ML Critical Heat Flux Benchmark [0.0]
  臨界熱流束(CHF)は軽水炉の沸騰危機の始まりを示す。 この研究は、一様および非一様軸加熱条件の両方をカバーする広いCHFデータセットをコンパイルし、デジタル化する。
  論文  参考訳（メタデータ） (2025-06-18T16:01:44Z)
• Constructing Extreme Heatwave Storylines with Differentiable Climate Models [49.1574468325115]
  本稿では,異なるハイブリッド気候モデルであるNeuralGCMを用いて,初期条件を最適化し,物理的に一貫した最悪の熱波トラジェクトリを生成する新しいフレームワークを提案する。 2021年の太平洋岸北西部のヒートウェーブを応用し、75人組のアンサンブルの最も極端なメンバーよりも3.7ドルほどの熱波強度を発生させる。 以上の結果から,異なる気候モデルがイベント可能性の上部を効率的に探索できることが示され,気候変動下での極端気象を対象とするストーリーラインを構築するための強力な新しいアプローチが提案された。
  論文  参考訳（メタデータ） (2025-06-12T12:50:38Z)
• Neural Network Surrogate Model for Junction Temperature and Hotspot Position in $3$D Multi-Layer High Bandwidth Memory (HBM) Chiplets under Varying Thermal Conditions [6.277496992820668]
  本研究では3次元チップレットにおける接合温度とホットスポット位置の高速予測のためのデータ駆動ニューラルネットワークモデルを開発する。 パラメータ空間では考慮されない他の熱条件に対して良い一般化性を示す。 これは、高性能コンピューティングアプリケーションにおける熱管理と性能を改善するための貴重なツールである。
  論文  参考訳（メタデータ） (2025-03-06T03:05:54Z)
• Data-Driven vs Traditional Approaches to Power Transformer's Top-Oil Temperature Estimation [0.0]
  電力変圧器の温度モニタリングは、長期運用の維持に不可欠である。 例えば、IEC 60076-7とIEEEの標準で提示されたモデルは、トップオイルとホットスポットの温度を計算して温度をモニターする。 本研究は, 過去の測定値からトップオイル温度を推定する代替手法の発見に焦点をあてる。
  論文  参考訳（メタデータ） (2025-01-28T10:21:49Z)
• RS-vHeat: Heat Conduction Guided Efficient Remote Sensing Foundation Model [59.37279559684668]
  本稿では,効率的なマルチモーダルリモートセンシング基盤モデルであるRS-vHeatを紹介する。 具体的には、RS-vHeatは、O(N1.5)$の複雑さを持つ熱伝導演算子(HCO)と、大域的受容場を適用している。 注意に基づくリモートセンシング基礎モデルと比較して、メモリ使用量を84%削減し、FLOPを24%削減し、スループットを2.7倍改善する。
  論文  参考訳（メタデータ） (2024-11-27T01:43:38Z)
• 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)
• Calibrating Wireless Ray Tracing for Digital Twinning using Local Phase Error Estimates [40.04476706955071]
  レイトレーシング(RT)は、次世代無線システムの無線アクセスネットワーク(RAN)セグメントのDTを可能にする技術として広く見なされている。 RTヒンジの有効性は、RTが想定する電磁特性の実際のチャネル条件への適応に影響を及ぼす。 本稿では,チャネル応答における位相誤差を推定・補償する新しいチャネル応答に基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T22:01:59Z)
• Deep encoder-decoder hierarchical convolutional neural networks for conjugate heat transfer surrogate modeling [0.0]
  共役熱伝達(CHT)解析は多くのエネルギー系の設計に不可欠である。 高忠実CHT数値シミュレーションは計算集約的である。 我々は,CHT解析のためのモジュール型ディープエンコーダ・デコーダ階層型畳み込みニューラルネットワーク(DeepEDH)を開発した。
  論文  参考訳（メタデータ） (2023-11-24T21:45:11Z)

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。