論文の概要: Flash-CNNCap: Capacitance Extraction via Image Mapping

• arxiv url: http://arxiv.org/abs/2607.23877v1
• Date: Sun, 26 Jul 2026 22:46:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.259371
• Title: Flash-CNNCap: Capacitance Extraction via Image Mapping
• Title（参考訳）: Flash-CNNCap:イメージマッピングによるキャパシタンス抽出
• Abstract要約: Flash-CNNCapはCNNベースの抽出器で、空間寄与マップ上でのイメージ・ツー・イメージレグレッションとして全行列キャパシタンス予測を再構成する。 総容量モデルとマスター条件結合モデルはそれぞれ、導体レベルの値に還元された空間マップを予測する。 地図は、ピクセル単位の監督なしに、導体レベルラベルから学習される。
• 参考スコア（独自算出の注目度）: 3.790585344640331
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present Flash-CNNCap, a CNN-based capacitance extractor that reformulates full-matrix capacitance prediction as image-to-image regression over spatial contribution maps. Prior scalar CNN-based extractors require $O(n^2)$ forward passes to recover all pairwise capacitances in a window with $n$ conductors. Flash-CNNCap replaces the scalar target with dense contribution maps: a total-capacitance model and a master-conditioned coupling model each predict a spatial map that is reduced to conductor-level values through mask aggregation, cutting full-matrix reconstruction to $O(n)$ passes. The resulting totals and symmetrized pairwise couplings define the corresponding Maxwell-style capacitance matrix under the standard off-diagonal sign convention. The maps are learned from conductor-level labels without per-pixel supervision. An ablation study over 13 model configurations selects a U-Net that matches ResNet baselines on total capacitance (1.5-3.1% MARE) and achieves the strongest coupling accuracy (3.0-4.6% MARE) across all evaluated CapBench subsets, with a $17.5\times$ full-matrix speedup on windows containing 134 conductors on average. A deployed pipeline reads Design Exchange Format (DEF) geometry and writes Standard Parasitic Exchange Format (SPEF) output, processing 1,024 windows in 51.23 seconds with a $4.4\times$ speedup over OpenRCX on the same benchmark. Code and trained models are available at https://github.com/THU-numbda/flash-cnncap.
• Abstract（参考訳）: 本稿では,CNNを用いた容量抽出器であるFlash-CNNCapを提案する。 以前のCNNベースの抽出器は、$O(n^2)$のフォワードパスを必要とし、$n$の導体を持つウィンドウで全てのペアの容量を回復する。 Flash-CNNCapは、スカラーターゲットを密度の高いコントリビューションマップに置き換える: 全容量モデルとマスター条件結合モデルはそれぞれ、マスクアグリゲーションによって導体レベル値に還元された空間マップを予測し、全行列再構成を$O(n)$パスに削減する。 結果として得られる総和と対称化されたペアワイズ結合は、標準対角符号規則の下で対応するマクスウェル型容量行列を定義する。 地図は、ピクセル単位の監督なしに、導体レベルラベルから学習される。 13のモデル構成に関するアブレーション調査では、ResNetのベースラインを総容量1.5-3.1% MAREで一致させ、評価されたCapBenchサブセットで最大結合精度(3.0-4.6% MARE)を達成するU-Netを選択する。 デプロイされたパイプラインはDesign Exchange Format (DEF) のジオメトリを読み、SPEF(Standard Parasitic Exchange Format)出力を書き、51.23秒で1,024ウィンドウを処理し、同じベンチマークでOpenRCXよりも4.4\times$スピードアップする。 コードとトレーニングされたモデルはhttps://github.com/THU-numbda/flash-cnncap.comで公開されている。

関連論文リスト

• Kernelized Linear Attention: Breaking the Capacity Wall with Symmetric Cones [4.847095054351615]
  リニアアテンションは一定時間繰り返しの推論を約束するが、連想的リコールによって著しく低下する。 Kernelized Linear Attention Activations (KATA)を紹介します。 ランク1の正の半定的な特徴が良好なキャパシティ-干渉トレードオフをもたらすことを示す。
  論文  参考訳（メタデータ） (2026-07-19T21:46:09Z)
• Scaling Neural Network Verification with Tensor Parallelism and Fully Sharded Data Parallelism [0.0]
  形式的ニューラルネットワーク検証は、実際にはGPUメモリによって境界付けられている。 大規模なモデルトレーニングのために開発された2つのテクニックをauto_LiRPA / $,$-CROWN 検証フレームワークに適用する。 フルシャードデータ並列(FSDP)シャードは、層ごとのAllGatherで重量行列のみをシャードし、単一GPUベースラインとビット単位で同一のバウンドを生成する。
  論文  参考訳（メタデータ） (2026-06-08T11:56:29Z)
• A Controlled Study of Memory Hierarchy Transitions in Quantum Circuit Simulation on Apple M4 Pro Unified Memory Architecture [0.0]
  状態ベクトル量子回路シミュレーションはメモリ帯域境界である。 Apple M4 Pro Unified Memory Architectureを使ってこの問題に対処する。 ピークストリーミング帯域幅は、連続しないメモリアクセスパターンのシミュレーションスピードアップを予測できないことを示す。
  論文  参考訳（メタデータ） (2026-05-09T08:22:55Z)
• Scaling Federated Linear Contextual Bandits via Sketching [49.12000877146222]
  本稿では,FSCLB(Federated Sketch Contextual Linear Bandits)を提案する。 合成と実世界の両方のデータセットの実験では、FSCLBは計算と通信のコストを90%以上削減している。
  論文  参考訳（メタデータ） (2026-05-01T08:22:06Z)
• CapBench: A Multi-PDK Dataset for Machine-Learning-Based Post-Layout Capacitance Extraction [3.790585344640331]
  このデータセットは、シングルコアCPU、システムオンチップ、メディアアクセラレータなど、オープンソースの設計から派生したものだ。 高忠実度キャパシタンスラベルは、最先端のランダムウォーク解決器であるRWCapを用いて生成され、業界標準のラファエルに対して検証される。 我々は、データセットの使用を図解し、畳み込みニューラルネットワーク(CNN)、ポイントクラウドトランスフォーマー、グラフニューラルネットワーク(GNN)など、ベースラインとして機能する10の機械学習アーキテクチャを評価した。
  論文  参考訳（メタデータ） (2026-04-13T09:01:12Z)
• Cache Hierarchy and Vectorization Analysis of Lindblad Master Equation Simulation for Near-Term Quantum Control [0.0]
  リンドブラッドマスター方程式による開量子システムのシミュレーションは、短期量子制御における計算ボトルネックである。 我々は,現在のCPUのL1,L2,L3キャッシュ境界にまたがるシステムを開発した。 We show that SoA layout with -O3 -march=native -ffast-math yields $2$--$4times$ speedup over scalar array-of-structures baselines。
  論文  参考訳（メタデータ） (2026-03-17T21:53:31Z)
• M$^2$RNN: Non-Linear RNNs with Matrix-Valued States for Scalable Language Modeling [53.351103753419046]
  本稿では,行列値の隠蔽状態と表現的非線形状態遷移を持つアーキテクチャであるMatrix-to-Matrix RNNを紹介する。 非線形RNNの言語モデリング性能は,その状態サイズによって制限されていることを示す。 また、状態サイズ拡大機構がテンソルコアの効率的な利用を可能にすることを示す。
  論文  参考訳（メタデータ） (2026-03-15T12:53:09Z)
• Dynamic Large Concept Models: Latent Reasoning in an Adaptive Semantic Space [56.37266873329401]
  大規模言語モデル (LLM) は、高度に一様でない情報密度を示す言語にもかかわらず、全てのトークンに一様計算を適用する。 我々は,潜在表現から意味境界を学習し,トークンから推論がより効率的である圧縮概念空間へ移行する階層型言語モデリングフレームワークである$textbfDynamic Large Concept Models (DLCM)$を提案する。
  論文  参考訳（メタデータ） (2025-12-31T04:19:33Z)
• Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
  テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。 1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。 その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
  論文  参考訳（メタデータ） (2025-07-01T18:46:27Z)
• Scaling Up Liquid-Resistance Liquid-Capacitance Networks for Efficient Sequence Modeling [50.994194925685434]
  LrcSSMは$textitnon-linear$リカレントモデルで、現在の線形状態空間層と同じくらい高速に長いシーケンスを処理する。 ヤコビ行列を対角線に強制することにより、全列を並列に解くことができる。 LrcSSMは、Liquid-S4のような他の入力変化系が提供しないことを保証する形式的な勾配安定性を提供する。
  論文  参考訳（メタデータ） (2025-05-27T20:02:59Z)
• EPCL: Frozen CLIP Transformer is An Efficient Point Cloud Encoder [60.52613206271329]
  本稿では,冷凍CLIP変換器を用いて高品質のクラウドモデルをトレーニングするための textbfEfficient textbfPoint textbfCloud textbfLearning (EPCL) を提案する。 我々のEPCLは、2D-3Dデータをペア化せずに画像の特徴と点雲の特徴を意味的に整合させることで、2Dと3Dのモダリティを接続する。
  論文  参考訳（メタデータ） (2022-12-08T06:27:11Z)
• Compressing 1D Time-Channel Separable Convolutions using Sparse Random Ternary Matrices [65.4388266814055]
  1次元時間チャネル分離可能な畳み込みの1x1-畳み込みを、定数でスパースな乱数三元行列で-1,0,+1$の重みで置き換える。 Google Speech Commands v1のコマンド認識のために、最新の精度を同じネットワークサイズで97.21%$から97.41%$に改善します。 librispeech上での音声認識では、トレーニングすべき重みの数は半分になり、浮動小数点ベースラインの単語誤り率の約1%を犠牲にします。
  論文  参考訳（メタデータ） (2021-03-31T15:09:20Z)

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。