論文の概要: PALTO: Physics-Informed Active Learning for Tri-Gate FinFET Design Optimization for Vertical Power Delivery

• arxiv url: http://arxiv.org/abs/2606.01265v1
• Date: Sun, 31 May 2026 14:31:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.485046
• Title: PALTO: Physics-Informed Active Learning for Tri-Gate FinFET Design Optimization for Vertical Power Delivery
• Title（参考訳）: PALTO:垂直電力供給のための3ゲートフィンFET設計最適化のための物理インフォームドアクティブラーニング
• Authors: Ayoub Sadeghi, Leonid Popryho, Inna Partin-Vaisband,
• Abstract要約: 本稿では,垂直配電システムにおけるアプリケーション固有のGaNトリゲートFinFETの設計における機械学習による最適化の有効性を示す。
• 参考スコア（独自算出の注目度）: 0.5599792629509228
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper demonstrates the effectiveness of machine learning-driven optimization for designing application-specific GaN tri-gate FinFETs in vertical power delivery systems. Conventional TCAD-based approaches are computationally intensive and insufficient for navigating the high-dimensional, nonlinear design space of advanced GaN devices. To address this, a physics-informed active learning framework is used to intelligently guide simulations, accelerating convergence while preserving accuracy. This ML-guided approach enables the discovery of optimal configurations by efficiently exploring key structural parameters -- most notably the GaN-to-AlGaN thickness ratio -- a long-standing focus of debate in device design. By systematically exploring key structural parameters, two optimized devices with aggressively scaled gate-to-drain lengths are identified. Single-fin, multi-channel simulations show that device~D2, with a thinner GaN channel relative to the AlGaN barrier, achieves higher drive current. However, in a 300-fin configuration, device~D1 outperforms device~D2 by delivering 3.3\,A at 0.49~ohm on-resistance -- approximately 2$\times$ better -- despite slightly higher parasitics. Both devices operate in a normally-off mode. Based on an application-specific figure of merit, device~D1 achieves 5\,pC$\cdot$ohm, demonstrating 2$\times$ greater switching efficiency than device~D2, while both designs outperform industrial benchmarks from different performance standpoints.
• Abstract（参考訳）: 本稿では,垂直配電システムにおけるアプリケーション固有のGaNトリゲートFinFETの設計における機械学習による最適化の有効性を示す。 従来のTCADベースのアプローチは計算集約的で、高度なGaNデバイスの高次元非線形設計空間をナビゲートするには不十分である。 これを解決するために、物理インフォームドアクティブラーニングフレームワークを使用してシミュレーションをインテリジェントにガイドし、精度を維持しながら収束を加速する。 このML誘導型アプローチは、重要な構造パラメータ(特にGaN-to-AlGaNの厚さ比)を効率的に探索することで、最適な構成の発見を可能にする。 鍵構造パラメータを体系的に探索することにより、積極的に拡張されたゲート-ドレイン長を持つ2つの最適化されたデバイスを同定する。 シングルフィン・マルチチャネルシミュレーションにより、AlGaN障壁に対するGaNチャネルが薄いデバイス~D2は、より高い駆動電流を得ることが示された。 しかし、300フィン構成では、デバイス~D1は、わずかに高い寄生虫にもかかわらず、0.49〜ohmのオン抵抗で3.3\,Aを届けることで、D2よりも優れる。 どちらのデバイスも通常オフモードで動作する。 アプリケーション固有のメリットの数字に基づいて、デバイス~D1は5\,pC$\cdot$ohmを達成し、デバイス~D2よりも2$\times$大きな切り替え効率を示す。

関連論文リスト

• Nemotron-Flash: Towards Latency-Optimal Hybrid Small Language Models [97.55009021098554]
  本研究の目的は、SLMのリアルタイムレイテンシの主要な決定要因を特定し、SLMの設計とトレーニングのための一般化可能な原則と方法論を提供することである。 我々はNemotron-Flashと呼ばれるハイブリッドSLMの新たなファミリーを導入し、最先端SLMの精度・効率のフロンティアを大幅に向上させる。
  論文  参考訳（メタデータ） (2025-11-24T08:46:36Z)
• Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
  チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。 提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
  論文  参考訳（メタデータ） (2025-09-16T08:48:44Z)
• Step-3 is Large yet Affordable: Model-system Co-design for Cost-effective Decoding [144.70522923640095]
  大規模言語モデル(LLM)はデコード時にハードウェア効率が低下する。 本稿では,デコードコストの最小化に最適化されたハードウェア対応モデルシステムであるStep-3を紹介する。 Step-3はDeepSeek-V3やQwen3 MoE 235Bのようなモデルと比較して、理論的デコードコストを大幅に削減する。
  論文  参考訳（メタデータ） (2025-07-25T16:53:13Z)
• POLARON: Precision-aware On-device Learning and Adaptive Runtime-cONfigurable AI acceleration [0.0]
  本研究は,効率的な乗算累積演算を行うSIMD対応マルチ精度MACエンジンを提案する。 このアーキテクチャは、計算精度をワークロードの感度に合わせるための層適応的精度戦略を取り入れている。 その結果,PDPは最大で2倍,資源使用量は3倍に改善した。
  論文  参考訳（メタデータ） (2025-06-10T13:33:02Z)
• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• Differentiable Weightless Neural Networks [1.453874055504475]
  本稿では,相互接続型ルックアップテーブルに基づくモデルであるDWNを提案する。 本稿では,これらのモデルの精度と効率をさらに向上させるために,学習可能なマッピング,学習可能なリダクション,スペクトル正規化を提案する。
  論文  参考訳（メタデータ） (2024-10-14T21:43:48Z)
• Low Latency Transformer Inference on FPGAs for Physics Applications with hls4ml [2.6892725687961394]
  本研究では, hls4ml を用いたフィールドプログラミング可能なゲートアレー (FPGA) におけるトランスフォーマアーキテクチャの効率的な実装を提案する。 VU13P FPGAチップへの展開は2us未満の達成であり、リアルタイムアプリケーションの可能性を示している。
  論文  参考訳（メタデータ） (2024-09-08T19:50:25Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)

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。