論文の概要: Mesh-Native Physics-Informed Graph Surrogates for TCAD-in-the-Loop Design Space Exploration

• arxiv url: http://arxiv.org/abs/2609.02988v1
• Date: Wed, 02 Sep 2026 15:15:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.814392
• Title: Mesh-Native Physics-Informed Graph Surrogates for TCAD-in-the-Loop Design Space Exploration
• Title（参考訳）: TCAD-in-the-Loopデザイン空間探索のためのメッシュ負物理インフォームグラフサロゲート
• Abstract要約: 物理インフォームドグラフアテンションネットワーク(GAT)サロゲートを提案する。 四面体TCADメッシュ上で直接動作し、全てのメッシュノードにおいて、電子と準フェルミ準位と共に静電ポテンシャルを予測する。 このサロゲートは3つのドリフト拡散場をサブボルト毎のRMSEで再現し、完全なシミュレータよりも桁違いに高い設計毎のスループットのオーダーに達する。
• 参考スコア（独自算出の注目度）: 0.5599792629509228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity TCAD simulation of drift-diffusion transport remains the workhorse of emerging FinFET device design, but it is computationally expensive, especially for 3D structures where runtime escalates steeply with mesh complexity. This sharply limits multi-objective design space exploration. Existing machine-learning surrogates map a fixed set of design parameters to a few scalar device metrics, discarding the underlying physics and losing transferability across device geometries and families. A physics-informed graph attention network (GAT) surrogate is proposed. It operates directly on the tetrahedral TCAD mesh and predicts, at every mesh node, the electrostatic potential together with the electron and hole quasi-Fermi levels, the fundamental unknowns of the drift-diffusion system. Training combines a data loss with finite-volume current-continuity residuals, embedding carrier-transport physics into the objective. Operating on the mesh as a graph, the surrogate inherits size generalization: a model trained on few-fin meshes applies unchanged to substantially larger arrays, bounded at inference only by GPU memory. Per-node uncertainty from a deep ensemble drives an active-learning loop that screens large candidate pools in seconds and forwards only the most informative designs for full simulation. Benchmarked against Sentaurus Device on multi-fin tri-gate FinFETs, the surrogate reproduces the three drift-diffusion fields with sub-volt per-field RMSE and reaches a per-design throughput orders of magnitude higher than the full simulator. The advantage grows with device size: on large multi-fin arrays that are prohibitively slow to simulate directly, inference still completes in under a second per device, enabling Pareto-front exploration across device scales infeasible for direct TCAD sweeps.
• Abstract（参考訳）: ドリフト拡散輸送の高忠実性TCADシミュレーションは、FinFETデバイス設計の原動力となっているが、特に3次元構造では、メッシュの複雑さによって実行が急激にエスカレートする。 これにより、多目的設計空間の探索が大幅に制限される。 既存の機械学習サロゲートは、固定された設計パラメータのセットをいくつかのスカラーデバイスメトリクスにマッピングし、基礎となる物理を破棄し、デバイスジオメトリやファミリー間での転送可能性を失う。 物理インフォームドグラフアテンションネットワーク(GAT)サロゲートを提案する。 四面体TCADメッシュ上で直接動作し、全てのメッシュノードにおいて、静電ポテンシャルと電子と準フェルミ準位、ドリフト拡散系の基本的な未知の値を予測する。 トレーニングは、データ損失と有限体積の電流-連続残差を組み合わせ、キャリア-輸送物理を目的に埋め込む。 グラフとしてメッシュを操作することで、サロゲートはサイズ一般化を継承する: 少数のフィンメッシュでトレーニングされたモデルは、GPUメモリによってのみ推論でバウンドされた、はるかに大きな配列に適用されない。 ディープアンサンブルからのノード毎の不確実性はアクティブラーニングループを駆動し、大きな候補プールを数秒でスクリーニングし、完全なシミュレーションのために最も有益な設計だけを前進させる。 マルチフィントリゲートFinFET上でのSentaurus Deviceに対してベンチマークを行い、サロゲートは3つのドリフト拡散場をサブボルト毎のRMSEで再現し、完全なシミュレータよりも桁違いに高い設計毎のスループットのオーダーに達する。 デバイスサイズによってアドバンテージが大きくなる – 直接シミュレートが極めて遅い大規模なマルチフィン配列では、推論が1デバイスにつき1秒未満で完了するため、直接TCADスイープでは不可能なデバイススケールでのパレートフロント探索が可能になる。

関連論文リスト

• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• DeepJEB++: Foundation Model-Driven Large-Scale 3D Engineering Dataset via 2D Latent Space Augmentation [4.353545088427288]
  DeepJEB++は基盤モデル駆動のデータ拡張フレームワークである。 ジェットエンジンのブラケットの小さなシードセットを、大規模なシミュレーションラベル付き3Dデータセットに拡張する。 400以下のシードデザインから始まり、DeepJEB++は15,360個のシミュレーションラベル付き3Dブラケットを出力する。
  論文  参考訳（メタデータ） (2026-06-11T07:30:56Z)
• Physics-Based Flow Matching for Full-Field Prediction of Silicon Photonic Devices [0.02455468619225742]
  我々は、フォトニックデバイスにおける電界分布を予測する生成型ニューラルネットワークであるPICFlowを提案する。 提案手法は, (i) 生成フレームワークとしての条件付きフローマッチング, (ii) 実フィールドチャネルと虚フィールドチャネルを実数値で操作するU-Net, (iii) ランタイムナブラ2 E_z + k2 varepsilon E_z = 0$のHelmholtz残留損失による物理制約付きトレーニングの3つを組み合わせたものである。
  論文  参考訳（メタデータ） (2026-05-07T20:40:24Z)
• Mesh Based Simulations with Spatial and Temporal awareness [2.867517731896504]
  本稿では,幾何学的深層学習と厳密な数値解析のギャップを埋める統一的な枠組みを提案する。 1) ノードの全局所トポロジのフィールド値を予測するステンシルレベルの目的であるマルチノード予測,(2) 時間的微分整合性,(3) 時間的交叉による不安定な定性的スキームを予測器・コレクタに置き換える時間的補正,(3) 幾何学的インダクティブ・ビアース,3) 3次元回転位置埋め込み(RoPE)を利用して非構造メッシュの回転対称性を頑健に捉える。
  論文  参考訳（メタデータ） (2026-05-02T17:09:31Z)
• Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
  Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。 SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
  論文  参考訳（メタデータ） (2026-04-20T16:20:57Z)
• SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents [55.26273954022457]
  物理に基づくシミュレーション、ロボット工学、デジタルツインジェネレーションにおいて、3Dアセットの材料特性場を推定することが重要である。 本稿では,1枚のRGB画像から空間的に変化する3次元資産の材料特性場を,明示的な3次元再構成なしに直接予測するSLAT-Physを提案する。
  論文  参考訳（メタデータ） (2026-03-25T06:14:03Z)
• Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries [51.028432812178266]
  Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。 Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-04T16:52:44Z)
• AutoHood3D: A Multi-Modal Benchmark for Automotive Hood Design and Fluid-Structure Interaction [0.0]
  このデータセットは,ロータリーディップ塗装時の流体巻き込みおよび慣性負荷による実用的多物理問題フード変形を中心に構築されている。 各フードは、合計1.2Mセルを用いたLES(Large-Eddy Simulation)-Finite Element Analysis(FEA)で数値モデル化される。 データセットは、STLメッシュと構造化された自然言語プロンプトとともに、時間分解された物理フィールドを提供する。
  論文  参考訳（メタデータ） (2025-11-05T14:09:03Z)
• TripNet: Learning Large-scale High-fidelity 3D Car Aerodynamics with Triplane Networks [27.577307360710545]
  TripNetは3次元の幾何学を固定次元のコンパクトで連続的な特徴マップに暗黙的にエンコードする三面体ベースのニューラルネットワークフレームワークである。 TripNetはDriivAerNetとDriivAerNet++データセットで最先端のパフォーマンスを実現し、ドラッグ係数、表面圧力、フル3Dフローフィールドを正確に予測する。
  論文  参考訳（メタデータ） (2025-03-19T17:30:57Z)
• Transolver++: An Accurate Neural Solver for PDEs on Million-Scale Geometries [67.63077028746191]
  Transolver++は、百万のスケールでPDEを解くことができる、非常に並列で効率的なニューラルソルバである。 Transolver++は、シングルGPU入力能力を初めて100万ポイントに拡張する。 数百万スケールの高忠実度産業シミュレーションで20%以上の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-02-04T15:33:50Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)

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。