論文の概要: From Physics to Surrogate Intelligence: A Unified Electro-Thermo-Optimization Framework for TSV Networks

• arxiv url: http://arxiv.org/abs/2603.29268v1
• Date: Tue, 31 Mar 2026 05:10:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.160283
• Title: From Physics to Surrogate Intelligence: A Unified Electro-Thermo-Optimization Framework for TSV Networks
• Title（参考訳）: 物理からサロゲート・インテリジェンスへ:TSVネットワークのための統一電気熱最適化フレームワーク
• Authors: Mohamed Gharib, Leonid Popryho, Inna Partin-Vaisband,
• Abstract要約: 高密度スルー基板(TSV)は2.5D/3Dヘテロジニアスな統合を可能にするが、重要な信号積分と熱-信頼性の課題をもたらす。 本研究は、物理インフォームド解析モデル、グラフニューラルネットワーク(GNN)サロゲート、フルウェーブサインオフ検証を組み合わせたスケーラブルな熱水モデルと最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.5599792629509228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-density through-substrate vias (TSVs) enable 2.5D/3D heterogeneous integration but introduce significant signal-integrity and thermal-reliability challenges due to electrical coupling, insertion loss, and self-heating. Conventional full-wave finite-element method (FEM) simulations provide high accuracy but become computationally prohibitive for large design-space exploration. This work presents a scalable electro-thermal modeling and optimization framework that combines physics-informed analytical modeling, graph neural network (GNN) surrogates, and full-wave sign-off validation. A multi-conductor analytical model computes broadband S-parameters and effective anisotropic thermal conductivities of TSV arrays, achieving $5\%-10\%$ relative Frobenius error (RFE) across array sizes up to $15x15$. A physics-informed GNN surrogate (TSV-PhGNN), trained on analytical data and fine-tuned with HFSS simulations, generalizes to larger arrays with RFE below $2\%$ and nearly constant variance. The surrogate is integrated into a multi-objective Pareto optimization framework targeting reflection coefficient, insertion loss, worst-case crosstalk (NEXT/FEXT), and effective thermal conductivity. Millions of TSV configurations can be explored within minutes, enabling exhaustive layout and geometric optimization that would be infeasible using FEM alone. Final designs are validated with Ansys HFSS and Mechanical, showing strong agreement. The proposed framework enables rapid electro-thermal co-design of TSV arrays while reducing per-design evaluation time by more than six orders of magnitude.
• Abstract（参考訳）: 高密度スルー基板(TSV)は2.5D/3Dヘテロジニアス積分を可能にするが、電気的結合、挿入損失、自己加熱による重要な信号積分と熱的信頼性の課題をもたらす。 従来のフルウェーブ有限要素法(FEM)シミュレーションは高精度であるが、大規模な設計空間探索では計算が禁止される。 本研究は、物理インフォームド解析モデル、グラフニューラルネットワーク(GNN)サロゲート、フルウェーブサインオフバリデーションを組み合わせたスケーラブルな熱水モデルと最適化フレームワークを提案する。 マルチコンダクタ解析モデルは、TSVアレイのブロードバンドSパラメータと有効異方性熱伝導率を計算し、最大15x15ドルまでの配列サイズで5\%-10\%の相対フロベニウス誤差(RFE)を達成した。 物理インフォームドGNNサロゲート(TSV-PhGNN)は解析データに基づいて訓練され、HFSSシミュレーションで微調整される。 このサロゲートは、反射係数、挿入損失、最悪のケースクロストーク(NEXT/FEXT)、有効熱伝導率をターゲットにした多目的パレート最適化フレームワークに統合される。 数百万のTSV構成を数分で探索できるため、FEMだけでは不可能なレイアウトと幾何的最適化が可能である。 最終設計はAnsys HFSSとMechanicalで検証され、強い合意が得られた。 提案フレームワークは, 設計毎の評価時間を6桁以上削減しつつ, TSVアレイの急激な電気・熱的共設計を可能にする。

関連論文リスト

• Robust Machine Learning Framework for Reliable Discovery of High-Performance Half-Heusler Thermoelectrics [0.0]
  機械学習(ML)は、環境危機に対処するための効率的な熱電(TE)材料発見を促進する。 MLモデルは、高いメトリクスにもかかわらず、しばしば実験的な一般化性に悩まされる。 本研究は、半ハウスラー(hH)構造プロトタイプに適用した頑健なワークフローを有益(zT)予測に適用する。
  論文  参考訳（メタデータ） (2026-02-01T10:50:42Z)
• Physics Enhanced Deep Surrogates for the Phonon Boltzmann Transport Equation [0.0]
  物理強化深部サロゲート(PEDS) ネットワークは、幾何学に依存した補正と、マクロとナノスケールの挙動を補間する混合係数を学ぶ。 PEDSは、純粋なデータ駆動ベースラインと比較して、トレーニングデータ要求を最大70%削減する。
  論文  参考訳（メタデータ） (2025-11-25T16:25:24Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• 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)
• DeepOHeat-v1: Efficient Operator Learning for Fast and Trustworthy Thermal Simulation and Optimization in 3D-IC Design [8.985038535368673]
  本稿では,熱解析のための物理インフォームド演算子学習フレームワークDeepOHeat-v1を提案する。 本稿では,座標軸に沿って基底関数を分解し,62倍のトレーニング高速化と31倍のGPUメモリ削減を実現する分離可能なトレーニング手法を提案する。 実験結果から,DeepOHeat-v1は高忠実度有限差分解器を用いた最適化に匹敵する精度が得られた。
  論文  参考訳（メタデータ） (2025-04-04T21:39:42Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• 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)
• Physics-enhanced deep surrogates for partial differential equations [30.731686639510517]
  本稿では, 複雑な物理系のための高速サロゲートモデル開発に向けて, 物理強化ディープサロゲート(PEDS)アプローチを提案する。 具体的には,低忠実で説明可能な物理シミュレータとニューラルネットワークジェネレータの組み合わせを提案する。
  論文  参考訳（メタデータ） (2021-11-10T18:43:18Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。