論文の概要: Rapid FinFET Modelling Using an Autoencoder

• arxiv url: http://arxiv.org/abs/2606.24046v1
• Date: Tue, 23 Jun 2026 01:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.719574
• Title: Rapid FinFET Modelling Using an Autoencoder
• Title（参考訳）: オートエンコーダを用いた高速フィンFETモデリング
• Authors: Amit Sarkar Suman Sau, Swagata Mandal,
• Abstract要約: 我々は、全I-V曲線を低次元潜在空間に圧縮するオートエンコーダを訓練する。 重要な革新は、入力特徴としてドレインからソース電圧(VDS)などのパラメータを明示的に組み込むことである。 トレーニングされたモデルは、完全なI-V曲線を再構築し、重要なデバイスメトリクスを直接抽出する。
• 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 work presents a machine learning framework that leverages an autoencoder (AE) for the efficient modeling of FinFET. We first calibrated a BSIM-CMG model to generate a dataset of current-voltage (ID-VG) characteristics. This data was used to train an autoencoder that compresses full I-V curves into a low-dimensional latent space, which intrinsically encodes key device physics. A key innovation is the explicit incorporation of parameter such as drain to source voltage (VDS) as an input feature, enhancing the model ability to capture bias dependent variation. The trained model successfully reconstructs full I-V curves and directly extracts critical device metrics including threshold voltage (VTH), subthreshold slope (SS), and peak transconductance (gm). This approach demonstrates that data driven compact models, built from actual characterization data, can achieve high accuracy with minimal training data, providing a powerful tool for rapid device characterization, modelling and circuit level simulation.
• Abstract（参考訳）: 本研究では、FinFETの効率的なモデリングにオートエンコーダ(AE)を利用する機械学習フレームワークを提案する。 まず,BSIM-CMGモデルのキャリブレーションを行い,電流電圧(ID-VG)特性のデータセットを生成する。 このデータは、完全なI-V曲線を低次元ラテント空間に圧縮するオートエンコーダを訓練するために使用され、これは本質的にキーデバイス物理を符号化する。 重要な革新は、入力特徴としてドレインからソース電圧(VDS)などのパラメータを明示的に組み込むことで、バイアス依存性の変動を捉えるモデル能力を高めることである。 トレーニングされたモデルは、完全なI-V曲線を再構築し、しきい値電圧(VTH)、サブスレッショルド勾配(SS)、ピークトランスコンダクタンス(gm)などの重要なデバイスメトリクスを直接抽出する。 このアプローチは、実際の特徴データから構築されたデータ駆動型コンパクトモデルが、最小限のトレーニングデータで高精度に達成できることを示し、デバイスキャラクタリゼーション、モデリング、回路レベルシミュレーションのための強力なツールを提供する。

関連論文リスト

• Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
  本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。 提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
  論文  参考訳（メタデータ） (2025-12-20T04:46:25Z)
• An Interpretable Operator-Learning Model for Electric Field Profile Reconstruction in Discharges Based on the EFISH Method [1.8159327527122784]
  本研究では,性能が著しく向上した新しい機械学習モデルを提案する。 Decoder-DeepONet (DDON) と呼ばれるその主な強みは関数間マッピングの学習である。 ほぼ全てのケースにおいて、DDONモデルはより優れた一般化可能性、高い予測精度、より広い適用性を示す。
  論文  参考訳（メタデータ） (2025-11-29T07:05:07Z)
• SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
  SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T15:58:44Z)
• PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders [42.8983261737774]
  本稿では,物理制約を組み込んでデータから学習し,性能を向上させる新しい生成モデルを提案する。 生成過程に物理モデルを組み込むことで、VAEアーキテクチャを拡張し、基礎となるダイナミクスをより効果的に捉えることができる。 我々はPIGPVAEが観測された分布を超えて現実的なサンプルを作成できることを示した。
  論文  参考訳（メタデータ） (2025-05-25T21:12:01Z)
• Drivetrain simulation using variational autoencoders [0.0]
  本研究は、トルク要求から車両のジャーク信号を予測するための変分オートエンコーダ(VAE)を提案する。 我々は、完全電動SUVの2つの変種の実験データに基づいて、無条件と条件付きの両方のVAEを実装した。
  論文  参考訳（メタデータ） (2025-01-29T13:37:32Z)
• Stroke classification using Virtual Hybrid Edge Detection from in silico electrical impedance tomography data [37.94947316140192]
  電気インピーダンストモグラフィ(EIT)は、身体の内部伝導性を回復する非侵襲的なイメージング法である。 これまでのほとんどの研究では、生のEIT電圧データをネットワーク入力として使用していた。 本稿では,VHED関数をネットワーク入力として使用することを提案する。
  論文  参考訳（メタデータ） (2025-01-24T18:29:34Z)
• Event-Based Simulation of Stochastic Memristive Devices for Neuromorphic Computing [41.66366715982197]
  イベントベースシステムのシミュレーションに適したメムリスタの一般モデルを構築した。 既存のmemristorの汎用モデルをイベント駆動設定に拡張する。 本稿では,イベントベースモデルのパラメータをドリフトモデルに適合させる手法を示す。
  論文  参考訳（メタデータ） (2024-06-14T13:17:19Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Robust Data-Driven Error Compensation for a Battery Model [0.0]
  今日の大量のバッテリデータは、より正確で信頼性の高いシミュレーションにはまだ使われていません。 データ駆動型エラーモデルを導入し、既存の物理的動機付けモデルを強化します。 ニューラルネットワークは、既存の動的エラーを補償し、基礎となるデータの記述に基づいてさらに制限される。
  論文  参考訳（メタデータ） (2020-12-31T16:11:36Z)

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。