論文の概要: PCGD: Physics-Guided Conditional Graph Diffusion for TCAD Device Simulation
- arxiv url: http://arxiv.org/abs/2606.29272v1
- Date: Sun, 28 Jun 2026 08:40:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.864087
- Title: PCGD: Physics-Guided Conditional Graph Diffusion for TCAD Device Simulation
- Title（参考訳）: PCGD : TCADデバイスシミュレーションのための物理誘導条件グラフ拡散
- Abstract要約: 非構造化TCADメッシュ上で動作する物理誘導型条件付きグラフ拡散フレームワークPCGDを紹介する。
PCGDは静電場とキャリア密度場の結合を予測する。
剛体ドリフト拡散方程式の典型的な数値不安定性を回避できる。
- 参考スコア（独自算出の注目度）: 9.52305650797911
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Technology computer-aided design (TCAD) semiconductor device simulation is fundamentally constrained by the high computational cost of iteratively solving coupled drift-diffusion equations. Existing ML surrogates either reduce internal physics to macroscopic scalar regressions, or rely on single-step mappings that lack the iterative refinement required to resolve stiff, coupled fields. To address this, we introduce PCGD, a Physics-Guided Conditional Graph Diffusion framework operating natively on unstructured TCAD meshes to predict coupled electrostatic and carrier density fields. PCGD employs a Condition-Aware MeshGraphNet denoiser that explicitly injects boundary conditions and device structure context via global cross-attention. By augmenting data-driven denoising with a physics-guided hybrid objective that integrates exponent-free quasi-Fermi gradient matching with noise-aware PDE residuals, PCGD progressively enforce physical constraints in the iterative diffusion trajectory. This strategy successfully bypasses the numerical instabilities typical of stiff drift-diffusion equations. Evaluated on a challenging mixed PN/MOS benchmark, PCGD significantly outperforms deterministic one-step regression (1.207% error) and local diffusion (1.585% error) baselines by achieving a sub-percent mean relative field error of 0.835%, while concurrently reducing maximum PDE residual errors by nearly three orders of magnitude compared to pure diffusion. It also transfers robustly to unseen SOI topologies (0.815% error) via LoRA adaptation, using 5.30$\times$ less data and 14.34$\times$ fewer parameters than full fine-tuning. Ultimately, PCGD bridges the computational efficiency of generative surrogates with the rigorous physical fidelity of traditional TCAD, unlocking highly scalable, field-level analysis for robust device engineering.
- Abstract（参考訳）: 計算機支援設計(TCAD)半導体デバイスシミュレーションは、連成ドリフト拡散方程式を反復的に解くことによる高い計算コストによって、基本的に制限されている。
既存のMLサロゲートは、内部物理学をマクロスカラーレグレッションに還元するか、あるいは固く結合されたフィールドを解くのに必要な反復的な洗練を欠く単一ステップのマッピングに依存している。
そこで本研究では,非構造TCADメッシュ上でネイティブに動作する物理誘導型条件付きグラフ拡散フレームワークであるPCGDを導入し,静電場とキャリア密度場の結合を予測した。
PCGDはCondition-Aware MeshGraphNet denoiserを使用しており、グローバルなクロスアテンションを通じて境界条件とデバイス構造コンテキストを明示的に注入する。
ノイズ認識PDE残差と一致した指数自由準Fermi勾配を統合した物理誘導型ハイブリッド目標によるデータ駆動型復調を増強することにより、PCGDは反復拡散軌道の物理的制約を徐々に強制する。
この戦略は、固いドリフト拡散方程式の典型的な数値的不安定性を回避することに成功している。
挑戦的な混合PN/MOSベンチマークで評価すると、PCGDは決定論的一段階回帰(1.207%の誤差)と局所拡散(1.585%の誤差)のベースラインを0.835%で達成し、同時に最大PDE残差誤差を純拡散に比べて3桁近く減少させる。
また、5.30$\times$少ないデータと14.34$\times$完全な微調整よりも少ないパラメータを使って、LoRA適応を介して未確認のSOIトポロジ(0.815%エラー)に堅牢に転送する。
最終的に、PCGDは、生成的サロゲートの計算効率と従来のTCADの厳密な物理的忠実さを橋渡しし、堅牢なデバイスエンジニアリングのための高度にスケーラブルなフィールドレベルの分析を解放する。
関連論文リスト
- Fault tolerant computation of the static structure factor and finite size effects [43.936586633107396]
先導的な2体有限サイズ補正のための量子後処理戦略を開発する。
ツイスト平均化によりワンボディシェル効果が減少すると、長波長密度変動により支配的残留誤差が制御される。
また,2体有限サイズ誤差補正の再構築に使用される赤外線嵌合窓を同定するための適応的グローバル・ローカル二値探索手法も導入した。
論文 参考訳（メタデータ） (2026-06-26T05:31:08Z) - Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。
MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
論文 参考訳（メタデータ） (2026-03-18T09:41:01Z) - SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
仮想セル摂動予測のための大規模基盤モデルを提案する。
まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。
第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。
第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
論文 参考訳（メタデータ） (2026-03-18T05:51:08Z) - HQP: Sensitivity-Aware Hybrid Quantization and Pruning for Ultra-Low-Latency Edge AI Inference [0.0]
相乗的モデル加速を実現するために設計されたHybrid Quantization and Pruning (HQP)フレームワーク。
HQPフレームワークは3.12倍の推論速度向上と55%のモデルサイズ縮小を実現している。
論文 参考訳（メタデータ） (2026-02-02T18:17:45Z) - Accurate Network Traffic Matrix Prediction via LEAD: a Large Language Model-Enhanced Adapter-Based Conditional Diffusion Model [41.23125529149133]
本稿では,交通行列をRGB画像に変換する条件拡散モデルLEADを提案する。
また,拡散モデルを誘導し,複雑な動的ネットワークトラフィックを生成するDual-Conditioning Strategyを提案する。
AbileneとGEANTデータセットの実験では、LEADがすべてのベースラインを上回っていることが示されている。
論文 参考訳（メタデータ） (2026-01-29T09:16:05Z) - Convolutional Surrogate for 3D Discrete Fracture-Matrix Tensor Upscaling [0.0]
酸化3D領域から等価な水和伝導率テンソルKeqを予測する代理モデルを開発した。
3つのサロゲートはDFMシミュレーションによって生成されたデータに基づいて訓練され、それぞれ異なるフラクチャー-マトリクス伝導率のコントラストに対応する。
訓練されたモデルは、ほとんどのテストケースで0.22未満の正規化ルート平均二乗誤差で高い精度を達成する。
論文 参考訳（メタデータ） (2026-01-19T23:53:58Z) - GLOBE: Accurate and Generalizable PDE Surrogates using Domain-Inspired Architectures and Equivariances [0.0]
GLOBEは、学習可能なグリーン関数のようなカーネルの重ね合わせとして、境界面からターゲットへ評価されるソリューションである。
AirFRANSでは、GLOBEは相当な精度向上を実現している。
結果は、厳密な物理学とドメインにインスパイアされた帰納的バイアスが、精度、一般化可能性、実用性に大きな利益をもたらすことを示した。
論文 参考訳（メタデータ） (2025-11-19T20:23:51Z) - PhysicsCorrect: A Training-Free Approach for Stable Neural PDE Simulations [4.7903561901859355]
予測ステップ毎にPDE整合性を強制する,トレーニング不要な修正フレームワークであるNyberCorrectを提案する。
私たちの重要なイノベーションは、オフラインのウォームアップフェーズでJacobianとその擬似逆をプリ計算する効率的なキャッシュ戦略です。
3つの代表的なPDEシステムにおいて、物理コレクトは予測誤差を最大100倍に削減し、無視可能な推論時間を加算する。
論文 参考訳（メタデータ） (2025-07-03T01:22:57Z) - Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。
非滑らかな正規化はしばしば機械学習タスクに組み込まれる。
本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-04-17T08:32:25Z) - Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$GNO)を提案する。
正規格子上のPDEの例では、$m$GNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。
また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
論文 参考訳（メタデータ） (2025-04-11T06:16:30Z) - Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。
FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。
業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
論文 参考訳（メタデータ） (2025-02-06T18:57:57Z) - P$^2$C$^2$Net: PDE-Preserved Coarse Correction Network for efficient prediction of spatiotemporal dynamics [38.53011684603394]
我々はPDE保存型粗補正ネットワーク(P$2$C$2$Net)を導入し、小さなデータ構造における粗いメッシュグリッド上のPDE問題を解決する。
モデルは,(1)粗い解(すなわちシステム状態)の更新を学習するトレーニング可能なPDEブロックと,(2)一貫した解の修正を行うニューラルネットワークブロックの2つの相乗的モジュールから構成される。
論文 参考訳（メタデータ） (2024-10-29T14:45:07Z)
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。