論文の概要: SuperCond-GNN: Scalable Graph Neural Network Surrogate for Superconducting Circuit Simulations

• arxiv url: http://arxiv.org/abs/2606.23548v1
• Date: Mon, 22 Jun 2026 16:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 18:14:25.132884
• Title: SuperCond-GNN: Scalable Graph Neural Network Surrogate for Superconducting Circuit Simulations
• Title（参考訳）: SuperCond-GNN:超伝導回路シミュレーションのためのスケーラブルグラフニューラルネットワークサロゲート
• Authors: Nandana Menon, Giorgio Vallone,
• Abstract要約: SuperCond-GNNは、高温超伝導(HTS)磁石の電圧分布を予測するグラフニューラルネットワークに基づく代理モデルである。 HTSマグネットは、ラム素子等価回路としてモデル化され、グラフ表現にマッピングされる。 概念実証として、最大10個のテープのテープスタックは、様々な回路トポロジと動作条件で考慮されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents SuperCond-GNN, a graph neural network-based surrogate model for predicting the voltage distribution in high-temperature superconducting (HTS) magnets. HTS magnets are modeled as lumped-element equivalent circuits and mapped onto graph representations, enabling message passing GNNs to learn the electrical response as a function of circuit topology, material properties, and operating current. As a proof of concept, tape stacks of up to 10 tapes are considered across a range of circuit topologies and operating conditions. The surrogate is trained on data generated from circuit simulations and achieves a mean MAPE of 4.3 % within the prescribed design space. The predicted nodal voltages enable fast and scalable inference of current redistribution and local operating conditions across a wide range of circuit configurations. The effect of incorporating physics-informed regularization via Kirchhoff's current law is also evaluated, and generalizability to unseen topologies is assessed through zero-shot inference and few-shot fine-tuning. While demonstrated on tape stack circuits, the graph-based framework is topology-agnostic and naturally extensible to more complex HTS cable and magnet configurations, offering a scalable alternative to conventional circuit solvers for downstream applications such as design space exploration, current sharing analysis, and real-time magnet monitoring.
• Abstract（参考訳）: 本稿では,高温超伝導(HTS)磁石の電圧分布を予測するグラフニューラルネットワークを用いた代理モデルSuperCond-GNNを提案する。 HTSマグネットは、ループ要素等価回路としてモデル化され、グラフ表現にマッピングされるため、メッセージパッシングGNNは、回路トポロジー、材料特性、動作電流の関数として電気応答を学習することができる。 概念実証として、最大10個のテープのテープスタックは、様々な回路トポロジと動作条件で考慮されている。 サーロゲートは回路シミュレーションから生成されたデータに基づいて訓練され、所定の設計空間内で平均4.3%のMAPEを達成する。 予測された結節電圧は、幅広い回路構成にわたる電流再分配と局所動作条件の高速でスケーラブルな推測を可能にする。 キルヒホフの現行法則による物理インフォームド正規化を取り入れた効果も評価され、ゼロショット推論と少数ショット微調整により、目に見えないトポロジへの一般化性を評価する。 テープスタック回路で実証されているが、グラフベースのフレームワークはトポロジーに依存しず、より複雑なHTSケーブルや磁石の構成に自然に拡張可能である。

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)
• Magnetic field estimation using Gaussian process regression for interactive wireless power system design [6.102646086243458]
  共振器を結合したワイヤレス電力伝送は、電子機器のシームレスな電力供給に有望なソリューションを提供する。 磁場と電力伝達効率を可視化するインタラクティブな設計手法は、これらのシステムの理解と探索を容易にする。 本稿では,Gaussian Process Regression (GPR) を用いた機械学習手法を提案する。
  論文  参考訳（メタデータ） (2025-10-22T06:26:38Z)
• Deep Neuromorphic Networks with Superconducting Single Flux Quanta [45.60688252288563]
  ニューロモルフィック回路(Neuromorphic circuits)は、高効率を達成するために脳が使用する技術を利用するコンピューティングにおける有望なアプローチである。 既存の多くのニューロモルフィック回路は、脳の操作をより良く模倣するために、新しい技術の非伝統的で有用な性質に依存している。 そのような技術の一つが単一磁束量子(SFQ)論理であり、そのデータは磁束(磁束)の量子で表される低温超伝導技術である。 回路内のフラクトンの動きは、ニューロンのスパイク現象に似た量子化された電圧パルス(SFQパルス)を生成する。
  論文  参考訳（メタデータ） (2023-09-21T10:44:02Z)
• CktGNN: Circuit Graph Neural Network for Electronic Design Automation [67.29634073660239]
  本稿では,回路トポロジ生成とデバイスサイズを同時に行う回路グラフニューラルネットワーク(CktGNN)を提案する。 オープンサーキットベンチマーク(OCB: Open Circuit Benchmark)は、オープンソースのデータセットで、10ドル(約10万円)の異なるオペレーショナルアンプを含む。 我々の研究は、アナログ回路のための学習ベースのオープンソース設計自動化への道を開いた。
  論文  参考訳（メタデータ） (2023-08-31T02:20:25Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• 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。