論文の概要: Hybrid Classical-Quantum Neural Networks for Multi-Characteristic Co-Optimization of Recessed-Gate AlGaN/GaN MIS-HEMTs

• arxiv url: http://arxiv.org/abs/2605.27420v1
• Date: Tue, 19 May 2026 09:35:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.177464
• Title: Hybrid Classical-Quantum Neural Networks for Multi-Characteristic Co-Optimization of Recessed-Gate AlGaN/GaN MIS-HEMTs
• Title（参考訳）: 余剰ゲートAlGaN/GaN MIS-HEMTのマルチ特性共最適化のためのハイブリッド古典量子ニューラルネットワーク
• Abstract要約: 本研究は,24次元の加工・加工ベクトルから6つの電気的目標を共同最適化するためのハイブリッド古典量子ニューラルネットワーク(HQNN)を提案する。 17のプロセスにまたがる468の実験装置では、選択されたHQNN (Circuit (13, 5) at L = 2は、ANNに対して24.4%の正規化ルート平均二乗誤差(nRMSE)を減少させる。 代表的な4量子ビット回路に対する非偏極ノイズの研究は、同等のHQNNが短期量子ハードウェア上でトレーニング可能またはデプロイ可能であることを示唆している。
• 参考スコア（独自算出の注目度）: 11.429840751247228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimizing recessed-gate AlGaN/GaN MIS-HEMTs requires accurate multi-characteristic models, but experimental semiconductor datasets remain costly and encode process-induced variability that simulations cannot faithfully reproduce. This work proposes a hybrid classical-quantum neural network (HQNN) for joint optimization of six electrical targets from a 24-dimensional fabrication/process vector. We systematically screen quantum-circuit templates to extract circuit-design guidance, then select a final HQNN and compare it directly with classical baselines. On 468 experimental fabricated devices spanning 17 process splits, the selected HQNN, Circuit (13, 5) at L = 2, reduces overall normalized root mean square error (nRMSE) by 24.4% relative to ANN. Target-wise, the HQNN lowers Vth,lin RMSE from 0.297 V to 0.270 V, Vth,rev RMSE from 0.278 V to 0.263 V, DeltaVth RMSE from 0.049 V to 0.045 V, SS RMSE from 22.22 mV/dec to 19.87 mV/dec, and Id RMSE from 5.75 x 10^-8 A to 4.35 x 10^-8 A, while Ion RMSE remains competitive (0.053 A vs. 0.056 A). Controlled ansatz ablations further show that performance depends strongly on architecture: parameter count, depth, and two-qubit gate count correlate positively with accuracy, expressibility (DKL) correlates negatively, and controlled-rotation entanglers outperform static controlled-NOT (CNOT)-based circuits in aggregate. A depolarizing-noise study on a representative 4-qubit circuit further suggests that comparable HQNNs may be trainable or deployable on near-term quantum hardware.
• Abstract（参考訳）: 凹ゲートAlGaN/GaN MIS-HEMTの最適化には正確なマルチ特性モデルが必要であるが、実験用半導体データセットはコストがかかり、シミュレーションが忠実に再現できないプロセス誘起の変動性を符号化する。 本研究は,24次元の加工・加工ベクトルから6つの電気的目標を共同最適化するためのハイブリッド古典量子ニューラルネットワーク(HQNN)を提案する。 回路設計ガイダンスを抽出するために量子回路テンプレートを体系的にスクリーニングし、最終的なHQNNを選択し、古典的なベースラインと直接比較する。 17のプロセスにまたがる468の実験装置では、選択されたHQNN (Circuit (13, 5) at L = 2は、ANNに対して24.4%の正規化ルート平均二乗誤差(nRMSE)を減少させる。 目標として、HQNNはVth,lin RMSEを0.297 Vから0.270 Vへ、Vth,rev RMSEを0.278 Vから0.263 Vへ、DeltaVth RMSEを0.049 Vから0.045 Vへ、SS RMSEを22.22 mV/decから19.87 mV/decへ、Id RMSEを5.75 x 10^-8 Aから4.35 x 10^-8 Aへ、Ion RMSEは0.053 A対0.056 A)まで下げた。 パラメータカウント、深さ、2ビットゲートカウントは正の相関性、表現性(DKL)は負の相関性、制御回転エンタングルは静的制御NOT(CNOT)ベース回路よりも高い相関性を示す。 代表的な4量子ビット回路に対する非偏極ノイズの研究は、同等のHQNNが短期量子ハードウェア上でトレーニング可能またはデプロイ可能であることを示唆している。

関連論文リスト

• Deep Neural Networks for Learning Intent from sEMG Signals to Support Hardware Devices for Post-Stroke Neurorehabilitation [0.0]
  指特異的運動意図は、脳卒中後の神経リハビリテーションに対する臨床的に意味のある制御シグナルである。 上肢高密度表面筋電図(sEMG)による5指マルチラベルインテントデコーディングについて検討した。
  論文  参考訳（メタデータ） (2026-09-09T09:56:44Z)
• Quantum-Inspired Hybrid Neural Networks for Neural Decoding: A Controlled Ablation Study of Learnable Quantum Sidecar Integration [5.2726003549534655]
  本稿では,ResNet-50バックボーン内に残余のサイドカーモジュールとして集積されたパラメータ化量子回路(PQCs)について検討した。 ベースライン, 量子サイドカーとフリーズインプットプロジェクション, バックボーン・グラディエント・トレーニングプロジェクションの量子サイドカー, アングルエンコーディングを回路計測結果と整合させる測定誘導変種を比較検討した。
  論文  参考訳（メタデータ） (2026-08-23T15:55:43Z)
• Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングのコアアーキテクチャとして機能する。 ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。 既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
  論文  参考訳（メタデータ） (2026-08-14T04:46:03Z)
• DBNN: Neural Spike Classification Using a Deep Binarized Neural Network [1.0036312061637764]
  内蔵可能な脳-コンピュータインタフェースは、テレメトリの帯域幅と電力を削減するために、オンノードスパイクソートを必要とする。 本稿では,256個のニューロンを持つ2層隠れ層を有するハードウェア指向のディープバイナライズニューラルネットワーク(DBNN)スパイクソートシステムを提案する。 提案した分類器は、実装コストを削減するために16サンプルスパイク波形をコンパクトに動作させる。
  論文  参考訳（メタデータ） (2026-07-06T19:41:50Z)
• Systematic Exploration of 4-Expert Heterogeneous Mixture-of-Experts via Automated Pipeline Search [44.70501115891534]
  不均一な4-Expert Mixture-of-Experts (MoE4) のための自動探索パイプラインを提案する。 パイプラインは197バッチで4,463の候補モデルを生成し、1,021が成功した。 キャンペーンから重要な発見が現れた:イタトールによるアルファベット順列挙による。
  論文  参考訳（メタデータ） (2026-06-21T13:43:27Z)
• Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
  本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。 我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。 我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
  論文  参考訳（メタデータ） (2026-06-18T20:51:42Z)
• How Much Capacity Does EEG Denoising Need? Ultra-Compact Networks reveal Benchmark Saturation and Metric-Utility Gap [0.0]
  深層学習EEG(Deep Learning EEG Denoising Architectures)は、数万から数千万のパラメータに拡張されているが、実験変数としてモデルキャパシティを分離した以前の研究はない。 アーキテクチャ,損失,データ分割,トレーニングレシピの両ギャップに対処し,最小限の深さ分離可能な畳み込みU-Netで1.05Kから40.26Kパラメータまでのチャネル幅を網羅する。
  論文  参考訳（メタデータ） (2026-06-07T12:17:25Z)
• E-ReCON: An Energy- and Resource-Efficient Precision-Configurable Sparse nvCIM Macro for Conventional and Spiking Neural Edge Inference [0.0]
  E-ReCONはエッジAI推論のためのコンパクトな3T1R ReRAMビットセルに基づく16 Kbのデジタルコンピュートインメモリ(DCIM)マクロである。 新たなインターリーブ10T/28T加算木を導入し、トランジスタ数と消費電力をそれぞれ37%と28%削減した。 提案したマクロは、最小レイテンシ0.48 ns、スループット2.31-3.1 TOPS、エネルギー効率419 TOPS/Wを実現している。
  論文  参考訳（メタデータ） (2026-05-20T05:18:27Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• Adaptive Tensor Network Simulation via Entropy-Feedback PID Control and GPU-Accelerated SVD [0.0]
  ボンドディメンションチは、精度と計算コストのトレードオフを制御する。 固定結合次元戦略は、低絡み領域の廃棄物資源を廃棄するか、高絡み領域の忠実さを失うかのいずれかである。 この研究は、フォン・ノイマンのフィードバックとPID(Proportional-Integral-Derivative)コントローラを利用するボンド次元管理フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-04-05T04:30:46Z)
• BWTA: Accurate and Efficient Binarized Transformer by Algorithm-Hardware Co-design [71.97035034203275]
  バイナライゼーションにおけるゼロ点歪みを解析し,BWTA量子化方式を提案する。 本稿では,Smooth Multi-Stage Quantizationを提案し,レベルワイド・デグラデーション・ストラテジーとMagnitude Alignment Projection Factorを組み合わせた。 実験の結果、BWTAはTransformerベースのモデルに対して、GLUEでは平均3.5%、タスクでは2%未満の精度でフル精度のパフォーマンスにアプローチしていることがわかった。
  論文  参考訳（メタデータ） (2026-04-05T04:25:07Z)
• Physics-informed GNN for medium-high voltage AC power flow with edge-aware attention and line search correction operator [7.927606793404479]
  物理インフォームドグラフニューラルネットワーク(PIGNN)は高速な交流電力フロー解法として登場した。 PIGNN-Attn-LSは電圧0.00033 p.uのRMSE、角度0.08$circ$のRMSEを達成し、それぞれPIGNN-MLPベースラインの99.5%と87.1%を上回っている。
  論文  参考訳（メタデータ） (2025-09-26T15:09:26Z)
• Fast and Generalizable parameter-embedded Neural Operators for Lithium-Ion Battery Simulation [1.099532646524593]
  我々は,Deep Operator Networks (DeepONets), Fourier Neural Operators (FNOs), and a new proposed parameter-embedded Fourier Neural Operator (PE-FNO)の3つの演算子学習サロゲートをベンチマークした。 DeepONetは、一定の動作を正確に再現するが、よりダイナミックな負荷に対処する。FNOはメッシュ不変性を維持し、濃度誤差を1%以下に抑え、すべての負荷タイプで1.7mV以下の電圧平均絶対誤差を発生させる。PE-FNOは16スレッドのSPMソルバよりも約200倍高速に実行される。
  論文  参考訳（メタデータ） (2025-08-11T15:31:23Z)
• DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
  本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。 リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。 ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
  論文  参考訳（メタデータ） (2025-07-03T17:35:06Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Accelerating Inference and Language Model Fusion of Recurrent Neural Network Transducers via End-to-End 4-bit Quantization [35.198615417316056]
  我々は、リカレントニューラルネットワークトランスデューサ(RNN-T)の推論を大幅に高速化するアグレッシブ量子化戦略について報告する。 重みとアクティベーションの両方に4ビット整数表現を使用し、完全なモデルをトレーニングするために量子化アウェアトレーニング(QAT)を適用します。 ネットワークのローカルな特性に合わせてカスタマイズされた量子化方式は、優れた性能を実現するために不可欠であることを示す。
  論文  参考訳（メタデータ） (2022-06-16T02:17:49Z)

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。