論文の概要: Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND: From Day-Scale TCAD to Second-Scale Surrogate Model
- arxiv url: http://arxiv.org/abs/2603.06881v1
- Date: Fri, 06 Mar 2026 21:01:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:13.30195
- Title: Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND: From Day-Scale TCAD to Second-Scale Surrogate Model
- Title（参考訳）: 物理学インフォームドAIによる強誘電体垂直NANDの保持解析:日々のTCADから第2のサロゲートモデルへ
- Authors: Gyujun Jeong, Sungwon Cho, Minji Shon, Namhoon Kim, Woohyun Hwang, Kwangyou Seo, Suhwan Lim, Wanki Kim, Daewon Ha, Prasanna Venkatesan, Kihang Youn, Ram Cherukuri, Yiyi Wang, Suman Datta, Asif Khan, Shimeng Yu,
- Abstract要約: 強誘電体電界効果トランジスタ(FeFET)をベースとした垂直NAND(Fe-VNAND)は、プログラム電圧の低いzスケーリング限界を克服する候補として期待されている。
本稿では、しきい値電圧(Vth)シフトの高精度予測と保持動作のための物理インフォームドニューラルネットワーク(PINO)ベースのAIサロゲートモデルを提案する。
- 参考スコア（独自算出の注目度）: 1.8836299537031278
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ferroelectric field-effect transistors (FeFET)-based vertical NAND (Fe-VNAND) has emerged as a promising candidate to overcome z-scaling limitations with lower programming voltages. However, the data retention of 3D Fe-VNAND is hindered by the complex interaction between charge detrapping and ferroelectric depolarization. Developing optimized device designs requires exploring an extensive parameter space, but the high computational cost of conventional Technology Computer-Aided Design (TCAD) tools makes such wide-scale optimization impractical. To overcome these simulation barriers, we present a Physics-Informed Neural Operator (PINO)-based AI surrogate model designed for high-efficiency prediction of threshold voltage (Vth) shifts and retention behavior. By embedding fundamental physical principles into the learning architecture, our PINO framework achieves a speedup exceeding 10000x compared to TCAD while maintaining physical accuracy. This study demonstrates the model's effectiveness on a single FeFET configuration, serving as a pathway toward modeling the retention loss mechanisms.
- Abstract（参考訳）: 強誘電体電界効果トランジスタ(FeFET)をベースとした垂直NAND(Fe-VNAND)は、プログラム電圧の低いzスケーリング限界を克服する候補として期待されている。
しかし、3D Fe-VNANDのデータ保持は、電荷除去と強誘電体脱分極の複雑な相互作用によって妨げられる。
最適化されたデバイス設計を開発するには、幅広いパラメータ空間を探索する必要があるが、従来のTechnology Computer-Aided Design (TCAD)ツールの計算コストが高いため、このような広範囲な最適化は不可能である。
これらのシミュレーション障壁を克服するために、しきい値電圧(Vth)シフトの高精度予測と保持動作のための物理インフォームドニューラルネットワーク(PINO)ベースのAIサロゲートモデルを提案する。
基礎的な物理原理を学習アーキテクチャに組み込むことで,我々のPINOフレームワークは,物理精度を維持しつつ,TCADと比較して10000倍以上の高速化を実現している。
本研究では, モデルが単一FeFET構成における有効性を示すとともに, 保持損失機構をモデル化するための経路として機能する。
関連論文リスト
- Gradient Networks for Universal Magnetic Modeling of Synchronous Machines [39.146761527401424]
本稿では,飽和同期機の動的モデリングのための物理インフォームドニューラルネットワーク手法を提案する。
本稿では,勾配ネットワークを基本機械方程式に直接組み込むアーキテクチャを提案する。
本稿では,5.6kW永久磁石同期機の有限要素法(FEM)を用いて提案手法を検証する。
論文 参考訳（メタデータ） (2026-02-16T17:28:42Z) - Physics-Informed Neural Networks with Architectural Physics Embedding for Large-Scale Wave Field Reconstruction [8.953088273349499]
物理情報ニューラルネットワーク(PINN)は、物理原理を機械学習モデルに統合する。
PINNは損失関数のみに物理原理を組み込むため、収束が遅くなり、安定性が最適化され、スペクトルバイアスが生じる。
この研究は、ニューラルネットワークアーキテクチャに直接追加の物理ガイダンスを統合するアーキテクチャ物理学組み込み(PE)-PINNを導入している。
論文 参考訳（メタデータ） (2026-02-13T04:28:23Z) - Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。
長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。
従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。
本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
論文 参考訳（メタデータ） (2025-06-19T15:46:49Z) - OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。
本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。
テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
論文 参考訳（メタデータ） (2025-06-12T16:23:02Z) - Balancing Robustness and Efficiency in Embedded DNNs Through Activation Function Selection [1.474723404975345]
安全クリティカルなアプリケーションのための機械学習ベースの組み込みシステムは、ソフトエラーによる摂動に対して堅牢でなければならない。
ハイパースペクトル画像のセマンティックセグメンテーションのために開発されたエンコーダ・デコーダ畳み込みモデルと自律運転システムへの応用に焦点を当てた。
論文 参考訳（メタデータ） (2025-04-07T14:21:31Z) - Physics-Informed Neural Networks for Electrical Circuit Analysis: Applications in Dielectric Material Modeling [0.0]
物理情報ニューラルネットワーク(PINN)は、物理法則を直接学習プロセスに組み込むことによって、有望なアプローチを提供する。
本稿では、PINNの実装に特化して設計されたDeepXDEフレームワークの機能と制限について説明する。
電流(ln(I))に対数変換を適用することにより,PINN予測の安定性と精度が著しく向上することを示す。
論文 参考訳（メタデータ） (2024-11-13T19:08:36Z) - Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。
我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
論文 参考訳（メタデータ） (2024-03-11T17:28:46Z) - Deep Learning Algorithm for Advanced Level-3 Inverse-Modeling of
Silicon-Carbide Power MOSFET Devices [43.99494688206196]
逆デバイスモデリングは、時間的に劣化したデバイスのドリフト物理パラメータを再構築したり、物理的構成を検索するのに適している。
SiCパワーデバイスのキーとなる応用は自動車分野である。
本研究の目的は、SiC Powerの物理パラメータを取得するためのディープラーニングベースのソリューションを提供することである。
論文 参考訳（メタデータ） (2023-10-16T08:07:40Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z)
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。