論文の概要: WarPGNN: A Parametric Thermal Warpage Analysis Framework with Physics-aware Graph Neural Network

• arxiv url: http://arxiv.org/abs/2603.18581v1
• Date: Thu, 19 Mar 2026 07:40:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.013354
• Title: WarPGNN: A Parametric Thermal Warpage Analysis Framework with Physics-aware Graph Neural Network
• Title（参考訳）: WarPGNN:物理対応グラフニューラルネットワークを用いたパラメトリック熱ウォーページ解析フレームワーク
• Authors: Haotian Lu, Jincong Lu, Sachin Sachdeva, Sheldon X. -D. Tan,
• Abstract要約: グラフニューラルネット(GNN)を利用した高速かつ高精度なパラメトリックサーマルウォープ解析フレームワークWarPGNNを提案する。 提案手法は2次元効率的なFEM法と比較して205.91x以上の高速化と3次元FEM法COMSOLによる1 19766.64x以上の加速を実現している。 WarPGNNは、3.69%の正規化RMSEと同様のランタイムを持つ未確認データセットに対して、顕著な転送性を示す。
• 参考スコア（独自算出の注目度）: 1.4476963891735688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the advent of system-in-package (SiP) chiplet-based design and heterogeneous 2.5D/3D integration, thermal-induced warpage has become a critical reliability concern. While conventional numerical approaches can deliver highly accurate results, they often incur prohib- itively high computational costs, limiting their scalability for complex chiplet-package systems. In this paper, we present WarPGNN, an ef- ficient and accurate parametric thermal warpage analysis framework powered by Graph Neural Networks (GNNs). By operating directly on graphs constructed from the floorplans, WarPGNN enables fast warpage-aware floorplan exploration and exhibits strong transfer- ability across diverse package configurations. Our method first en- codes multi-die floorplans into reduced Transitive Closure Graphs (rTCGs), then a Graph Convolution Network (GCN)-based encoder extracts hierarchical structural features, followed by a U-Net inspired decoder that reconstructs warpage maps from graph feature embed- dings. Furthermore, to address the long-tailed pattern of warpage data distribution, we developed a physics-informed loss and revised a message-passing encoder based on Graph Isomorphic Network (GIN) that further enhance learning performance for extreme cases and expressiveness of graph embeddings. Numerical results show that WarPGNN achieves more than 205.91x speedup compared with the 2-D efficient FEM-based method and over 119766.64x acceleration with 3-D FEM method COMSOL, respectively, while maintaining comparable accuracy at only 1.26% full-scale normalized RMSE and 2.21% warpage value error. Compared with recent DeepONet-based model, our method achieved comparable prediction accuracy and in- ference speedup with 3.4x lower training time. In addition, WarPGNN demonstrates remarkable transferability on unseen datasets with up to 3.69% normalized RMSE and similar runtime.
• Abstract（参考訳）: システム・イン・パッケージ(SiP)チップレットをベースとした設計と2.5D/3Dの均一な統合の出現により、サーマル・イン・パッケージ・サーマル・ウォーページは重要な信頼性上の問題となっている。 従来の数値手法では高い精度で結果が得られるが、複雑なチップレットパッケージシステムのスケーラビリティを制限し、反復的に高い計算コストを発生させることが多い。 本稿では,グラフニューラルネット(GNNs)を応用した,高速かつ高精度なパラメトリックサーマルウォープ解析フレームワークであるWarPGNNを提案する。 フロアプランから構築されたグラフを直接操作することにより、WarPGNNは高速なウォーページ対応フロアプラン探索を可能にし、多様なパッケージ構成で強力な転送能力を示す。 提案手法はまず,複数次元フロアプランを縮小されたトランジションクロージャグラフ (rTCG) にエンコードし,次にグラフ畳み込みネットワーク (GCN) ベースのエンコーダで階層構造的特徴を抽出し,続いてU-Netにインスパイアされたデコーダを用いてグラフ特徴埋め込みからワーページマップを再構成する。 さらに,ワーページデータ分布の長いパターンに対処するため,物理インフォームド・ロスを開発し,グラフアイソモーフィック・ネットワーク(GIN)に基づくメッセージパッシング・エンコーダを改訂し,極端な場合の学習性能とグラフ埋め込みの表現性を高めた。 数値計算の結果、WarPGNNは2次元の効率的なFEM法と比較して205.91x以上の高速化を実現し、3次元のFEM法であるCOMSOLで1 19766.64x以上の加速を実現し、最大精度は1.26%のフルスケールのRMSEと2.21%のワーページ値誤差を維持した。 近年のDeepONetモデルと比較すると,提案手法は3.4倍のトレーニング時間で予測精度と推論内高速化を実現している。 さらに、WarPGNNは、RMSEと同様のランタイムを3.69%の正規化した未確認データセットに対して、顕著な転送性を示す。

関連論文リスト

• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• E2E-GRec: An End-to-End Joint Training Framework for Graph Neural Networks and Recommender Systems [12.960867801368972]
  提案するE2E-GRecは,GNNトレーニングをレコメンダシステムと統合する新しいエンドツーエンドトレーニングフレームワークである。 本フレームワークの特徴は, 大規模クロスドメインなヘテロジニアスグラフからの効率的なサブグラフサンプリングにより, トレーニングのスケーラビリティと効率性を確保すること, (ii) グラフ特徴自動エンコーダを用いて, GNN が構造的に意味のある埋め込みを学習するための補助的な自己指導的タスクを実現すること, (iii) グラドノームに基づく動的損失分散と組み合わせた2段階の機能融合機構である。
  論文  参考訳（メタデータ） (2025-11-25T17:59:22Z)
• A Comprehensive Evaluation of Graph Neural Networks and Physics Informed Learning for Surrogate Modelling of Finite Element Analysis [0.0]
  本稿では,グラフニューラルネットワーク(GNN)と3次元U-NetをパラメトリックI-ビームのFAAのサロゲートとして包括的に評価する。 本研究では,データによる事前学習と物理情報による微調整を併用したカリキュラム学習戦略が,学習の安定化に不可欠であることを実証する。 グラフベースのアーキテクチャでは、Message Passing Neural Networks (MPNN) と Graph Transformers が最も精度が高く、それぞれ3.5%と2.6%の相対的なL2スコアを達成した。
  論文  参考訳（メタデータ） (2025-10-16T13:32:53Z)
• Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems [0.0]
  高エネルギー物理におけるリアルタイム粒子横運動量(p_T$)推定は、厳密なハードウェア制約の下で効率的なアルゴリズムを要求する。 本稿では,物理インフォームドグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々の共同設計手法は、既存のベースラインに比べて精度と効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2025-07-25T12:19:57Z)
• GraphSparseNet: a Novel Method for Large Scale Traffic Flow Prediction [4.857364765818477]
  ディープラーニング、特にグラフNNによる最近の進歩は、複雑なダイナミクスによってこれらの予測の精度を大幅に向上させた。 しかし、GraphSparseNetはモデル複雑さが指数関数的に増大しているため、依然として課題である。 本稿では,GNNトラフィックベース予測モデルの精度とスケーラビリティを両立させる新しいフレームワークであるGraphSparseNetを紹介する。
  論文  参考訳（メタデータ） (2025-02-27T06:51:20Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)
• StickyPillars: Robust and Efficient Feature Matching on Point Clouds using Graph Neural Networks [16.940377259203284]
  StickyPillarsは、ポイントクラウド上の高速で正確で、非常に堅牢な3D機能マッチング方法である。 KITTIデータセット上で実証された登録問題に対して,最先端技術による精度評価結果を示す。 我々はマッチングシステムをLiDARオドメトリーパイプラインに統合し、KITTIデータセット上で最も正確な結果を得る。
  論文  参考訳（メタデータ） (2020-02-10T17:53:41Z)

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。