論文の概要: Fault tolerance estimation in digital circuits with visualised generative networks

• arxiv url: http://arxiv.org/abs/2605.15212v1
• Date: Sat, 09 May 2026 18:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 03:45:13.118581
• Title: Fault tolerance estimation in digital circuits with visualised generative networks
• Title（参考訳）: 可視化生成ネットワークを用いたディジタル回路の耐故障性推定
• Authors: Sascha Biel, Carl Alexander Gaede, Amiel Glaser, Jan Wolter, Alexej Schelle,
• Abstract要約: 生成ネットワークサンプリング手法を用いて,ディジタル回路構造における故障モードの耐故障性を推定する新しい数値計算法を提案する。 理想的にデジタル化されたアナログ電流の生成ビットワイド構成のランダム入力から、予測出力電流をGAN(Generative Adversarial Network)の判別部における数値実験の現実的な信号と比較する。 回路内の古典的論理的要素の異なる障害モードの影響を微分することにより、電子設計におけるロバスト性を評価することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new numerical method to estimate the fault tolerance of failure modes in digital circuit structures with a generative network sampling technique. From a random input of generated bitwise configurations of ideally digitalised analog currents in the digital circuit design with classical logical gates, expected output currents are compared to the realistic signals of a numerical experiment at the discriminator part of the Generative Adversarial Network (GAN) to calculate the deviation from ideal digital electronic signals, including various error modes, such as missing or interchanged logical devices. From the present analysis of a representation of the GAN in terms of complex variables, it is possible to evaluate the robustness in electronic designs by differentiating the impact of failure modes associated with different classical logical elements in the circuit.
• Abstract（参考訳）: 生成ネットワークサンプリング手法を用いて,ディジタル回路構造における故障モードの耐故障性を推定する新しい数値計算法を提案する。 古典論理ゲートを用いたディジタル回路設計における理想ディジタル化されたアナログ電流のビットワイド構成のランダムな入力から、予測出力電流をジェネレーティブ・ディバイザ・ネットワーク(GAN)の判別部における数値実験の現実的な信号と比較し、欠落や交換論理装置などの様々なエラーモードを含む理想的なデジタル電子信号からの偏差を算出する。 複素変数の観点からのGANの表現の現在の分析から、回路の古典的論理的要素の異なる障害モードの影響を微分することにより、電子設計におけるロバスト性を評価することができる。

関連論文リスト

• Seeing Through Circuits: Faithful Mechanistic Interpretability for Vision Transformers [54.2202951543048]
  視覚変換器の計算グラフから有用なメカニスティック回路を同定できるかどうかを検討する。 分類のためのクラス固有の回路を復元するビジュアル・サーキット・ディスカバリー(Vi-CD)の効果的な手法を提案する。 これらのモデルの内部計算に透明性を加えることで、視覚変換器から洞察に富み、行動可能なエッジベース回路を復元できることが判明した。
  論文  参考訳（メタデータ） (2026-04-15T23:25:46Z)
• KCLNet: Electrically Equivalence-Oriented Graph Representation Learning for Analog Circuits [33.151200670956676]
  本稿では、直流(DC)電気的に等価なアナログ表現学習フレームワーク、textbfKCLNetを提案する。 これは、電気的にシミュレートされたメッセージパッシングを備えた非同期グラフニューラルネットワーク構造と、KirchhoffのCurrent Law(KCL)にインスパイアされた表現学習方法からなる。
  論文  参考訳（メタデータ） (2026-03-25T09:06:19Z)
• Unlocking High-Fidelity Analog Joint Source-Channel Coding on Standard Digital Transceivers [54.82164616081277]
  D2AJSCCは、標準デジタルPHY上に高忠実度アナログJ SCCをデプロイできる新しいフレームワークである。 本システムは,SNR条件にまたがる優雅な劣化を伴って,ほぼ理想のアナログJ SCC性能を実現する。 ハードウェア変更なしにレガシーインフラストラクチャ上で次世代のセマンティックトランスミッションを可能にすることで,ネットワークの持続的進化を促進する。
  論文  参考訳（メタデータ） (2026-03-10T01:42:23Z)
• Stiff Circuit System Modeling via Transformer [0.7816640928428988]
  そこで我々は,現在最先端のトランスフォーマーモデルであるCrossformerを用いて時系列予測タスクを提案する。 クロスフォーマーの時間的表現能力と機能抽出の強化を利用して,幅広い入力条件に対する回路応答の予測精度の向上を実現する。
  論文  参考訳（メタデータ） (2025-10-06T01:13:45Z)
• Waves and symbols in neuromorphic hardware: from analog signal processing to digital computing on the same computational substrate [1.8754256211583082]
  本稿では,アナログ信号処理と分類的,離散的な計算を切り替えるために,繰り返しスパイクニューラルネットワークを使用するフレームワークを提案する。 ハードウェアソフトなWinner-Take-Allとミックスフィードバックリカレントスパイキングニューラルネットワークを用いて,このフレームワークの堅牢性を実験的に実証した。
  論文  参考訳（メタデータ） (2025-02-27T18:55:17Z)
• Circuit Transformer: A Transformer That Preserves Logical Equivalence [20.8279111910994]
  生成型ニューラルモデル "Circuit Transformer" を導入し,論理回路を与えられたブール関数と厳密に等価に生成する。 回路の特定の目的を最適化するためにマルコフ決定過程の定式化も提案されている。
  論文  参考訳（メタデータ） (2024-03-14T03:24:14Z)
• Digital versus Analog Transmissions for Federated Learning over Wireless Networks [91.20926827568053]
  資源制約付きネットワーク上での無線連合学習(FL)における2つの効果的な通信方式を比較した。 まず,デジタルとアナログの両方の伝送方式と,実用的制約下での統一的かつ公正な比較手法について検討する。 無線ネットワークにおけるFL性能評価のために,様々な不完全条件下での普遍収束解析を確立する。
  論文  参考訳（メタデータ） (2024-02-15T01:50:46Z)
• Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
  本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
  論文  参考訳（メタデータ） (2022-10-14T15:01:32Z)
• Input-to-State Stable Neural Ordinary Differential Equations with Applications to Transient Modeling of Circuits [11.636872461683742]
  本稿では,入力から状態への安定な連続時間リカレントニューラルネットワークによってパラメータ化されたニューラル常微分方程式のクラスを提案する。 提案手法を用いて電子回路の動作モデルを安価にシミュレーションする。
  論文  参考訳（メタデータ） (2022-02-14T01:51:05Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)
• Hardware-Encoding Grid States in a Non-Reciprocal Superconducting Circuit [62.997667081978825]
  本稿では、非相互デバイスと、基底空間が2倍縮退し、基底状態がGottesman-Kitaev-Preskill(GKP)符号の近似符号であるジョセフソン接合からなる回路設計について述べる。 この回路は、電荷やフラックスノイズなどの超伝導回路の一般的なノイズチャネルに対して自然に保護されており、受動的量子誤差補正に使用できることを示唆している。
  論文  参考訳（メタデータ） (2020-02-18T16:45:09Z)

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。