論文の概要: Physics-Informed Neural Networks for Device and Circuit Modeling: A Case Study of NeuroSPICE
- arxiv url: http://arxiv.org/abs/2512.23624v1
- Date: Mon, 29 Dec 2025 17:28:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-30 22:37:30.596663
- Title: Physics-Informed Neural Networks for Device and Circuit Modeling: A Case Study of NeuroSPICE
- Title（参考訳）: デバイス・回路モデリングのための物理インフォームニューラルネットワーク:NeuroSPICEを事例として
- Authors: Chien-Ting Tung, Chenming Hu,
- Abstract要約: NeuroSPICEは、デバイスと回路シミュレーションのための物理インフォームドニューラルネットワーク(PINN)フレームワークである。
PINNは、トレーニング中のSPICEの速度や精度を上回りませんが、設計最適化のためのサロゲートモデルや逆問題のようなユニークな利点があります。
NeuroSPICEの柔軟性は、強誘電体メモリなどの高非線形システムを含む新興デバイスのシミュレーションを可能にする。
- 参考スコア（独自算出の注目度）: 1.1697579672144856
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present NeuroSPICE, a physics-informed neural network (PINN) framework for device and circuit simulation. Unlike conventional SPICE, which relies on time-discretized numerical solvers, NeuroSPICE leverages PINNs to solve circuit differential-algebraic equations (DAEs) by minimizing the residual of the equations through backpropagation. It models device and circuit waveforms using analytical equations in time domain with exact temporal derivatives. While PINNs do not outperform SPICE in speed or accuracy during training, they offer unique advantages such as surrogate models for design optimization and inverse problems. NeuroSPICE's flexibility enables the simulation of emerging devices, including highly nonlinear systems such as ferroelectric memories.
- Abstract（参考訳）: デバイスと回路シミュレーションのための物理インフォームドニューラルネットワーク(PINN)フレームワークであるNeuroSPICEを提案する。
時間分散数値解法に依存する従来のSPICEとは異なり、NeuroSPICEはPINNを利用して回路微分代数方程式(DAE)を解く。
正確な時間微分を持つ時間領域における解析方程式を用いたデバイスおよび回路波形をモデル化する。
PINNは、トレーニング中にSPICEよりも速度や精度が優れているわけではないが、設計最適化のためのサロゲートモデルや逆問題など、ユニークな利点がある。
NeuroSPICEの柔軟性は、強誘電体メモリなどの高非線形システムを含む新興デバイスのシミュレーションを可能にする。
関連論文リスト
- Hybrid Time-Domain Behavior Model Based on Neural Differential Equations and RNNs [3.416692407056595]
本稿では,新しい連続時間ドメインハイブリッドモデリングパラダイムを提案する。
ニューラルネットワーク差分モデルとリカレントニューラルネットワーク(RNN)を統合し、NODE-RNNとNCDE-RNNモデルを作成する。
理論的解析により、このハイブリッドモデルは事象駆動型動的突然変異応答と伝播安定性において数学的に有利であることが示された。
論文 参考訳（メタデータ） (2025-03-28T10:42:52Z) - An efficient wavelet-based physics-informed neural networks for singularly perturbed problems [0.0]
物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network, PINN)は、物理学を微分方程式の形で利用し、複雑な問題に対処する深層学習モデルである。
本稿では, ウェーブレットに基づくPINNモデルを用いて, 急激な振動, 急勾配, 特異な挙動を持つ微分方程式の解に挑戦する。
提案手法は、従来のPINN、最近開発されたウェーブレットベースのPINN、その他の最先端の手法で大幅に改善される。
論文 参考訳（メタデータ） (2024-09-18T10:01:37Z) - Physics-informed MeshGraphNets (PI-MGNs): Neural finite element solvers
for non-stationary and nonlinear simulations on arbitrary meshes [13.41003911618347]
PI-MGNは、PINNとMGNを組み合わせて任意のメッシュ上の非定常および非線形偏微分方程式(PDE)を解くハイブリッドアプローチである。
結果は、モデルが大規模で複雑なメッシュにうまくスケールしていることを示しているが、小さなジェネリックメッシュでのみトレーニングされている。
論文 参考訳（メタデータ） (2024-02-16T13:34:51Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳（メタデータ） (2023-02-20T19:36:52Z) - LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。
ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
論文 参考訳（メタデータ） (2022-06-19T14:41:08Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳（メタデータ） (2022-04-13T08:53:41Z) - Physics-informed attention-based neural network for solving non-linear
partial differential equations [6.103365780339364]
物理情報ニューラルネットワーク(PINN)は、物理プロセスのモデリングにおいて大幅な改善を実現しました。
PINNは単純なアーキテクチャに基づいており、ネットワークパラメータを最適化することで複雑な物理システムの振る舞いを学習し、基礎となるPDEの残余を最小限に抑える。
ここでは、非線形PDEの複雑な振る舞いを学ぶのに、どのネットワークアーキテクチャが最適かという問題に対処する。
論文 参考訳（メタデータ） (2021-05-17T14:29:08Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z)
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。