論文の概要: Buffer-Parameterized Machine Learning Surrogate Models for Cross-Technology Signal Integrity Analysis and Optimization

• arxiv url: http://arxiv.org/abs/2605.18170v1
• Date: Mon, 18 May 2026 10:12:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.31096
• Title: Buffer-Parameterized Machine Learning Surrogate Models for Cross-Technology Signal Integrity Analysis and Optimization
• Title（参考訳）: バッファパラメータ化機械学習サロゲートモデルによる信号積分解析と最適化
• Authors: Julian Withöft, Werner John, Emre Ecik, Ralf Brüning, Jürgen Götze,
• Abstract要約: プリント基板間の信号整合性(SI)解析は複雑化に直面している。 既存の機械学習(ML)サロゲートモデルによるSIメトリクスの予測は、固定バッファパラメータに依存する。 本稿では,バッファパラメータ化MLサロゲートモデリング手法を提案する。
• 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: Signal integrity (SI) analysis in printed circuit board (PCB) interconnects faces increasing complexity due to diverse integrated circuit (IC) buffer technologies, varying operating conditions, and manufacturing tolerances. Existing machine learning (ML) surrogate models for predicting SI metrics such as the inner eye contour, eye-height (EH), eye-width (EW), and transient waveform features typically rely on fixed buffer parameters, requiring costly new data generation and retraining cycles for every technology shift. This paper introduces a buffer-parameterized ML surrogate modeling methodology capable of handling cross-technology variations without retraining by treating IC buffer characteristics, e.g., clock frequency, supply voltage, rise/fall times, jitter, and internal resistors and capacitors, as dynamic model inputs alongside PCB parameters. To identify the optimal surrogate architecture for this high-dimensional space, a comprehensive benchmarking study compares tree-based methods (RFR/GBM), kernel methods (SVR/KRR), Gaussian process regression (GPR), and neural networks. The framework is subsequently validated on a complex interconnect with 44 design parameters. Results show that while anisotropic GPR excels in low-data regimes, neural networks heavily outperform other models on large datasets. Finally, the practical value of the ML surrogate models is demonstrated through a cross-technology design space exploration and optimization scenario, showcasing massive computational speedups for eye mask compliance checking compared to simulation.
• Abstract（参考訳）: プリント回路基板(PCB)の信号整合性(SI)解析は、多様な集積回路バッファ技術、様々な動作条件、製造耐久性により複雑化する。 既存の機械学習(ML)サロゲートモデルでは、内眼輪郭、アイハイト(EH)、アイ幅(EW)、過渡波形といったSIメトリクスを予測できる。 本稿では,PCBパラメータとともに動的モデル入力として,ICバッファ特性,例えばクロック周波数,サプライ電圧,ライ/フォール時間,ジッタ,内部抵抗およびキャパシタを処理し,リトレーニングを伴わずにクロステクノロジー変動を処理できるバッファパラメータ化MLサロゲートモデリング手法を提案する。 この高次元空間の最適サロゲートアーキテクチャを特定するため、包括的なベンチマークでは、ツリーベース手法(RFR/GBM)、カーネル手法(SVR/KRR)、ガウス過程回帰(GPR)、ニューラルネットワークを比較した。 その後、フレームワークは44の設計パラメータと複雑な相互接続で検証される。 その結果、異方性GPRは低データレシエーションでは優れるが、ニューラルネットワークは大規模データセットでは他のモデルよりも優れていることがわかった。 最後に、MLサロゲートモデルの実用的価値は、クロステクノロジー設計空間探索と最適化のシナリオを通じて示され、シミュレーションと比較して、アイマスクコンプライアンスチェックのための膨大な計算スピードアップが示される。

関連論文リスト

• GO-GenZip: Goal-Oriented Generative Sampling and Hybrid Compression [50.76941829813458]
  現在のネットワークデータテレメトリパイプラインは、複数の分散ソースから中央アグリゲータへの、きめ細かいキーパフォーマンス指標(KPI)の巨大なストリームで構成されている。 本研究は、目標指向の観点からネットワークテレメトリを再設計する、ジェネレーティブAI(GenAI)駆動サンプリングとハイブリッド圧縮フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-20T16:33:15Z)
• A comparative study of transformer models and recurrent neural networks for path-dependent composite materials [0.0]
  短繊維強化複合材料(SFRC)の均質化応答列を学習したリカレントニューラルネットワーク(RNN)と変圧器モデルを比較した。 その結果、トランスフォーマーモデルは大きなデータセットの精度で競争力を維持するが、RNNは小さなデータセットの精度を向上することを示した。
  論文  参考訳（メタデータ） (2026-02-17T09:29:54Z)
• Fast and Accurate RFIC Performance Prediction via Pin Level Graph Neural Networks and Probabilistic Flow [0.5599792629509228]
  本研究は,アクティブRF回路の重要な性能指標を予測するために,軽量かつデータ効率,トポロジ対応グラフニューラルネットワーク(GNN)モデルを提案する。 回路はデバイス-端末レベルでモデル化され、データ要求を減らしながらスケーラブルなメッセージパッシングを可能にする。 データセットの実験では、対称平均絶対パーセンテージ誤差(sMAPE)と平均相対誤差(MRE)はそれぞれ平均2.40%と2.91%と高い予測精度を示している。
  論文  参考訳（メタデータ） (2025-08-22T14:06:21Z)
• Advanced Hybrid Transformer LSTM Technique with Attention and TS Mixer for Drilling Rate of Penetration Prediction [0.9282594860064428]
  本研究では,浸透率予測のための新しいディープラーニング型LSTM-Trans-Mixer-Attフレームワークを提案する。 提案するフレームワークは、シーケンシャルメモリ、静的特徴相互作用、グローバルコンテキスト学習、動的特徴重み付けを組み合わせたものである。 実世界の掘削データセットに対する実験的検証は優れた性能を示し、Rsquareは0.9991、MAPEは1.447%である。
  論文  参考訳（メタデータ） (2025-08-07T09:45:56Z)
• Supervised Learning for Analog and RF Circuit Design: Benchmarks and Comparative Insights [10.354863964933019]
  本研究では,様々な回路タイプにわたる性能仕様から回路パラメータを設計するための教師付きMLに基づくアプローチについて検討する。 その結果,低雑音増幅器などの単純な回路は,平均相対誤差を0.3%以下と極めて精度が高いことがわかった。 異種回路では、トレーニングデータの増加により誤差の88%が減少し、受信側は平均相対誤差を0.23%以下とした。
  論文  参考訳（メタデータ） (2025-01-21T02:48:23Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)

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。