論文の概要: Enhancing Heat Sink Efficiency in MOSFETs using Physics Informed Neural Networks: A Systematic Study on Coolant Velocity Estimation
- arxiv url: http://arxiv.org/abs/2602.20177v1
- Date: Fri, 13 Feb 2026 03:26:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-02 07:21:25.645158
- Title: Enhancing Heat Sink Efficiency in MOSFETs using Physics Informed Neural Networks: A Systematic Study on Coolant Velocity Estimation
- Title（参考訳）: 物理インフォームドニューラルネットワークを用いたMOSFETのヒートシンク効率向上:クーラント速度推定の系統的研究
- Authors: Aniruddha Bora, Isabel K. Alvarez, Julie Chalfant, Chryssostomos Chryssostomidis,
- Abstract要約: 本稿では,物理情報ニューラルネットワーク(PINN)を用いて,冷却剤の必要な速度を決定する手法を提案する。
PINNの最適化層を逐次訓練するアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we present a methodology using Physics Informed Neural Networks (PINNs) to determine the required velocity of a coolant, given inlet and outlet temperatures for a given heat flux in a multilayered metal-oxide-semiconductor field-effect transistor (MOSFET). MOSFETs are integral components of Power Electronic Building Blocks (PEBBs) and experiences the majority of the thermal load. Effective cooling of MOSFETs is therefore essential to prevent overheating and potential burnout. Determining the required velocity for the purpose of effective cooling is of importance but is an ill-posed inverse problem and difficult to solve using traditional methods. MOSFET consists of multiple layers with different thermal conductivities, including aluminum, pyrolytic graphite sheets (PGS), and stainless steel pipes containing flowing water. We propose an algorithm that employs sequential training of the MOSFET layers in PINNs. Mathematically, the sequential training method decouples the optimization of each layer by treating the parameters of other layers as constants during its training phase. This reduces the dimensionality of the optimization landscape, making it easier to find the global minimum for each layer's parameters and avoid poor local minima. Convergence of the PINNs solution to the analytical solution is theoretically analyzed. Finally we show the prediction of our proposed methodology to be in good agreement with experimental results.
- Abstract（参考訳）: 本研究では,多層型金属酸化物半導体電界効果トランジスタ (MOSFET) において, 所定の熱流束に対する冷却剤, 入江, 出口温度の所要速度を決定するために物理情報ニューラルネットワーク (PINN) を用いた手法を提案する。
MOSFETはパワー・エレクトロニック・ビルディング・ブロック(PEBB)の不可欠なコンポーネントであり、熱負荷の大部分を経験する。
したがって、MOSFETの有効冷却は過熱や潜在的な燃焼を防ぐために不可欠である。
有効冷却を目的とした所要速度の決定は重要であるが, 逆問題であり, 従来の手法では解決が困難である。
MOSFETは、アルミニウム、熱分解性グラファイトシート(PGS)、流水を含むステンレス鋼パイプなど、異なる熱伝導度を持つ複数の層から構成される。
PINNにおけるMOSFET層を逐次訓練するアルゴリズムを提案する。
数学的に、シーケンシャルトレーニング法は、トレーニングフェーズ中に他のレイヤのパラメータを定数として扱うことにより、各レイヤの最適化を分離する。
これにより最適化ランドスケープの次元性が低下し、各レイヤのパラメータのグローバルな最小値を見つけやすくなり、ローカルな最小値の低下を回避することができる。
解析解に対するPINNs解の収束性は理論的に解析される。
最後に,提案手法が実験結果とよく一致していることを示す。
関連論文リスト
- Modeling and Inverse Identification of Interfacial Heat Conduction in Finite Layer and Semi-Infinite Substrate Systems via a Physics-Guided Neural Framework [0.0]
HeatTransFormerは物理誘導型トランスフォーマーアーキテクチャである。
物理的にインフォメーションされたサンプリング、ラプラスをベースとした拡散解をエミュレートするアクティベーション、マスクレスアテンション機構を統合している。
有限層半無限基板構成に適用すると、界面のコヒーレント温度場が生成される。
論文 参考訳（メタデータ） (2025-12-02T10:22:57Z) - 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) - Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。
FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。
バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
論文 参考訳（メタデータ） (2025-04-08T14:28:54Z) - Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。
この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
論文 参考訳（メタデータ） (2024-12-17T15:05:33Z) - Learning Pore-scale Multi-phase Flow from Experimental Data with Graph Neural Network [2.2101344151283944]
現在の数値モデルは、しばしば実験で観測された複雑な細孔スケールの物理学を正確に捉えることができない。
我々は,マイクロCT実験データを用いて,グラフニューラルネットワークを用いた多孔質流体の流れを直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-11-21T15:01:17Z) - Interaction-Force Transport Gradient Flows [45.05400562268213]
本稿では,非負測度および確率測度に対する新しい勾配流散逸幾何学を提案する。
We propose the interaction-force transport (IFT) gradient flow, we proposed the interaction-force transport (IFT) gradient flow。
論文 参考訳（メタデータ） (2024-05-27T11:46:14Z) - Machine Learning-Assisted Thermoelectric Cooling for On-Demand Multi-Hotspot Thermal Management [12.515874333424929]
熱電冷却器 (TEC) は、高度電子システムにおける局所ホットスポットの直接冷却とアクティブな熱管理のための有望なソリューションを提供する。
TECは空間冷却、暖房、電力消費に大きなトレードオフをもたらす。
本研究では,大域的最適温度を達成できる熱電冷却器の機械学習支援最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-04-20T18:35:45Z) - Design and simulation of a transmon qubit chip for Axion detection [103.69390312201169]
超伝導量子ビットに基づくデバイスは、量子非劣化測定(QND)による数GHz単一光子の検出に成功している。
本研究では,Qub-ITの超伝導量子ビットデバイスの実現に向けた状況を示す。
論文 参考訳（メタデータ） (2023-10-08T17:11:42Z) - Optimal control of a nitrogen-vacancy spin ensemble in diamond for
sensing in the pulsed domain [52.77024349608834]
固体材料の欠陥は、量子センシングに理想的なプラットフォームを提供する。
このようなアンサンブルの制御は、欠陥エネルギーレベルとマクロサンプル間の任意の制御領域の両方の空間的変動のために困難である。
Floquet理論と最適制御最適化法を用いて,これらの課題を克服できることを実験的に実証した。
論文 参考訳（メタデータ） (2021-01-25T13:01:05Z) - Adiabatic Sensing Technique for Optimal Temperature Estimation using
Trapped Ions [64.31011847952006]
捕捉イオンを用いた最適なフォノン温度推定のための断熱法を提案する。
フォノンの熱分布に関する関連する情報は、スピンの集合的な自由度に伝達することができる。
それぞれの熱状態確率は、各スピン励起構成に近似的にマッピングされることを示す。
論文 参考訳（メタデータ） (2020-12-16T12:58:08Z) - Accelerating Finite-temperature Kohn-Sham Density Functional Theory with
Deep Neural Networks [2.7035666571881856]
本稿では,コーン・シャム密度汎関数理論(DFT)による全エネルギーを有限電子温度で再現する機械学習(ML)に基づく数値モデリングワークフローを提案する。
ディープニューラルネットワークに基づいて、ワークフローは与えられた原子構成に対する状態の局所密度(LDOS)を生成する。
本研究では, 固体および液体金属に対するこのアプローチの有効性を実証し, 固体および液体アルミニウムの独立学習モデルと統一学習モデルの比較を行った。
論文 参考訳（メタデータ） (2020-10-10T05:38:03Z) - Real-time estimation of the optically detected magnetic resonance shift
in diamond quantum thermometry [47.50219326456544]
ナノダイヤモンド(NDs)における窒素空孔中心の光検出磁気共鳴(ODMR)の周波数シフトのリアルタイム推定手法について検討する。
近年,多点ODMR測定とND粒子追跡を蛍光顕微鏡に効果的に統合することで,生体内温度の安定なモニタリングが実証されている。
論文 参考訳（メタデータ） (2020-06-12T01:44:35Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。