論文の概要: DeepOHeat-v2: Self-Improving Operator Learning for Fast and Trustworthy Thermal Optimization in 3D-IC Design
- arxiv url: http://arxiv.org/abs/2608.16080v1
- Date: Mon, 17 Aug 2026 04:23:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.522114
- Title: DeepOHeat-v2: Self-Improving Operator Learning for Fast and Trustworthy Thermal Optimization in 3D-IC Design
- Title（参考訳）: DeepOHeat-v2: 3D-IC設計における高速で信頼性の高い熱最適化のための自己改善型演算子学習
- Abstract要約: 演算子学習サロゲートは、ラベル付きデータなしで、物理だけで理想的に訓練された高速なフォワードパスで、コストの高い熱方程式を置き換える。
DeepOHeat-v2は、不連続性を処理し、平均ピーク温度誤差を30K以上から0.55Kに削減する、離散化された物理損失を訓練する。
ホットスポットトラストゲートがフラグ付配置を参照ソルバに送信し、サロゲートが改良されたソリューションを段階的に再トレーニングし、ホールドアウト検証エラーを改善する場合にのみ更新を継続する。
- 参考スコア（独自算出の注目度）: 9.372025997391441
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Thermal-aware optimization of multi-die 3D integrated circuits evaluates many designs, each a costly heat-equation solve. Operator-learning surrogates replace this solve with a fast forward pass, ideally trained from physics alone, without labeled data. DeepOHeat-v1 made such surrogates fast and trustworthy, but only on low-contrast geometries. High-contrast multi-die stacks break it in two ways: discontinuous conductivities make the continuous physics loss ill-defined at material interfaces, and ill-conditioning ($κ_2(A_h) \approx 6 \times 10^4$) puts the discretized strong-form loss beyond first-order optimization. We propose DeepOHeat-v2 to overcome both. First, we train on a discretized physics loss that handles the discontinuities natively; its energy form reduces the prediction-space loss-Hessian conditioning from $κ^2$ to $κ$, and a matrix-preconditioned optimizer cuts the mean peak temperature error from over 30 K to 0.55 K. Second, because optimization leaves the training distribution, we propose a self-improving framework: a hotspot trust gate sends flagged placements to a reference solver, and the surrogate incrementally retrains on the refined solutions, keeping an update only when it improves held-out validation error. On a multi-die benchmark, the surrogate-true peak gap on the returned design falls from 1.12 K to 0.11 K, matching a solve-at-every-step optimizer while running $56\times$ faster.
- Abstract（参考訳）: 多次元3D集積回路の熱認識最適化は、多くの設計を評価し、それぞれがコストのかかる熱方程式の解である。
演算子学習サロゲートはこの問題を、ラベル付きデータを使わずに、物理だけで理想的に訓練された高速なフォワードパスに置き換える。
DeepOHeat-v1は、このようなサロゲートを高速かつ信頼性の高いものにしたが、低コントラストのジオメトリーでのみ実現した。
高コントラストの多次元スタックは2つの方法で破壊される: 不連続導電性は、材料界面で連続的な物理学的損失を不定義にし、不条件(κ_2(A_h) \approx 6 \times 10^4$)は、第一次最適化を超えて、離散化された強形式的損失を与える。
我々は両方を克服するためにDeepOHeat-v2を提案する。
まず、不連続性をネイティブに扱う離散化された物理損失をトレーニングし、そのエネルギー形態は予測空間損失をκ^2$からκ$に減らし、行列プレコンディショニング最適化器は平均ピーク温度誤差を30K以上から0.55Kまで削減する。
マルチディーのベンチマークでは、返却された設計のサロゲート=真のピークギャップは1.12Kから0.11Kに低下し、解解全ステップオプティマイザと一致する。
関連論文リスト
- Physics-enriched neural solvers for transient ice-flow simulation [0.21892916695245224]
本稿では,低次氷流バランスから得られる安価な入力フィールドをネットワークに供給することで,このオンライン解法が向上することを示す。
3つの現実世界の氷河構成の中で、濃縮されたソルバは、ソルバ設定に対して著しく堅牢である。
論文 参考訳（メタデータ） (2026-09-11T14:26:12Z) - HEAT: Faster Fully Homomorphic Inference via Approximations-Weights Co-Adaptation [56.14416807766864]
同型暗号化により、サーバは暗号化されたユーザープロンプト上で言語モデルを直接実行することができる。
既存のアプローチでは、各サイトのエラー許容度を調整するのではなく、モデル全体のイテレーションカウントを均一に修正する。
非線形反復回数を学習可能にする微調整法であるHAT(Hymomorphic Encryption-Aware Training)を導入する。
論文 参考訳（メタデータ） (2026-09-01T18:02:02Z) - An Optimisation Framework for the Well-Conditioned Training of Physics-Informed Neural Networks [0.12744523252873352]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式を解くための有望な経路として登場した。
PINNは古典的解決者の精度に到達するのに苦労している。
拡張性のある2階最適化フレームワークであるAdaptive Ratioを使ったDouubly-Sketched Gauss-Newtonを提示する。
論文 参考訳（メタデータ） (2026-07-02T14:03:34Z) - Learning-Augmented Scalable Linear Assignment Problem Optimization via Neural Dual Warm-Starts [19.540758462427878]
最適性と最悪の保証を維持しつつ、正確な代入解決を高速化する学習強化フレームワークを提案する。
グラフベースのモデルのメモリボトルネックを$mathcalO(N2)$で回避する軽量な行独立アーキテクチャであるRowDualNetを紹介します。
論文 参考訳（メタデータ） (2026-05-10T07:15:49Z) - Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。
フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
論文 参考訳（メタデータ） (2026-04-01T15:40:20Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Breaking the Precision Ceiling in Physics-Informed Neural Networks: A Hybrid Fourier-Neural Architecture for Ultra-High Accuracy [0.0]
物理インフォームドニューラルネットワーク(PINN)は、4階偏微分方程式に対して10-3$-10-4$の誤差で高められている。
我々は従来の数値法よりも17倍のL2誤差を1.94倍10-7$で達成した。
論文 参考訳（メタデータ） (2025-07-28T15:41:51Z) - Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$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) - DeepOHeat-v1: Efficient Operator Learning for Fast and Trustworthy Thermal Simulation and Optimization in 3D-IC Design [8.985038535368673]
本稿では,熱解析のための物理インフォームド演算子学習フレームワークDeepOHeat-v1を提案する。
本稿では,座標軸に沿って基底関数を分解し,62倍のトレーニング高速化と31倍のGPUメモリ削減を実現する分離可能なトレーニング手法を提案する。
実験結果から,DeepOHeat-v1は高忠実度有限差分解器を用いた最適化に匹敵する精度が得られた。
論文 参考訳（メタデータ） (2025-04-04T21:39:42Z) - Adan: Adaptive Nesterov Momentum Algorithm for Faster Optimizing Deep Models [134.83964935755964]
ディープラーニングでは、異なる種類のディープネットワークは典型的に異なる補間を必要とし、複数のトライアル後に選択する必要がある。
本稿では,この問題を解消し,モデルトレーニング速度を継続的に改善するために,ADAtive Nesterov運動量変換器を提案する。
論文 参考訳（メタデータ） (2022-08-13T16:04:39Z) - Joint inference and input optimization in equilibrium networks [68.63726855991052]
ディープ均衡モデル(Deep equilibrium model)は、従来のネットワークの深さを予測し、代わりに単一の非線形層の固定点を見つけることによってネットワークの出力を計算するモデルのクラスである。
この2つの設定の間には自然なシナジーがあることが示されています。
この戦略は、生成モデルのトレーニングや、潜時符号の最適化、デノベートやインペインティングといった逆問題に対するトレーニングモデル、対逆トレーニング、勾配に基づくメタラーニングなど、様々なタスクにおいて実証される。
論文 参考訳（メタデータ） (2021-11-25T19:59:33Z)
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。