論文の概要: PRISM-UDE: Physics-Regularized Iterative Symbolic Modeling of 3nm FinFETs via Universal Differential Equation

• arxiv url: http://arxiv.org/abs/2609.13200v1
• Date: Fri, 14 Aug 2026 05:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 16:32:15.653898
• Title: PRISM-UDE: Physics-Regularized Iterative Symbolic Modeling of 3nm FinFETs via Universal Differential Equation
• Title（参考訳）: PRISM-UDE: 普遍微分方程式による3nmフィンFETの物理規則化反復記号モデリング
• Abstract要約: PRISM-UDEは物理ベースのトランジスタモデルに小さなニューラルネットワークを組み込むフレームワークである。 物理学を完全に置き換えるのではなく、解析的ベースラインが見逃す輸送挙動を学習する。 標準物理のみの基準線と比較して6倍(70.33%から11.01%)以上の予測誤差を減少させる。
• 参考スコア（独自算出の注目度）: 4.285464959472458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compact transistor models are the mathematical backbone of circuit simulation. However, at advanced nodes such as 3nm, transport physics becomes too complex for traditional hand-derived equations to capture accurately. Purely data-driven neural surrogates, on the other hand, are numerically unstable inside circuit solvers and offer no physical insight into their own predictions. We introduce PRISM-UDE (Physics-Regularized Iterative Symbolic Modeling via Universal Differential Equations), a framework that embeds a small neural network inside a physics-based transistor model, using the network only to learn the transport behavior that the analytical baseline misses, rather than replacing the physics altogether. Once trained, this neural correction is distilled into a single, interpretable closed-form expression via symbolic regression, making the final model fully analytical and simulator-ready. Applied to a 3nm FinFET benchmark dataset, PRISM-UDE reduces prediction error more than sixfold (70.33% to 11.01%) relative to the standard physics-only baseline. The distilled expression preserves this accuracy almost exactly while eliminating the neural network entirely. We further validate the extracted expression directly inside a SPICE circuit simulator, confirming stable, physically consistent behavior under both static bias sweeps and dynamic switching conditions.
• Abstract（参考訳）: 小型トランジスタモデルは回路シミュレーションの数学的バックボーンである。 しかし、3nmのような先進的なノードでは、輸送物理学は従来の手動方程式が正確に捉えるには複雑すぎる。 一方、純粋にデータ駆動のニューラルサロゲートは回路ソルバ内部で数値的に不安定であり、自身の予測に関する物理的な洞察を与えない。 PRISM-UDE(Physics-Regularized Iterative Symbolic Modeling via Universal Differential Equations)は、物理ベースのトランジスタモデルに小さなニューラルネットワークを埋め込んだフレームワークで、解析ベースラインが完全に置き換えるのではなく、ネットワークを使用して、解析ベースラインが見逃す輸送挙動を学習する。 訓練が終わると、このニューラル補正はシンボリック回帰を通じて単一の、解釈可能なクローズドフォーム表現に蒸留され、最終的なモデルは完全に解析的かつシミュレーター対応となる。 3nm FinFETベンチマークデータセットに適用すると、PRISM-UDEは標準物理のみのベースラインと比較して6倍(70.33%から11.01%)以上の予測誤差を低減する。 蒸留された表現は、ニューラルネットワークを完全に排除しながら、この精度をほぼ正確に保持する。 さらに,SPICE回路シミュレータ内で直接抽出した表現を検証し,静的バイアススイープと動的スイッチング条件の両方の下で安定かつ物理的に一貫した動作を確認する。

関連論文リスト

• Few-Shot Physics-Informed Neural Network for Shape Reconstruction of Concentric-Tube Robots [4.539331900295919]
  既設管を3本有する6-DoF CTRのキネマティックモデリングのための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、形状、ねじれ角、ねじれひずみ、曲げモーメント、方向の完全な状態推定を可能にする。 結果として得られるモデルは、計算的に効率的で堅牢であり、リアルタイム制御アプリケーションにも適している。
  論文  参考訳（メタデータ） (2026-05-12T22:07:53Z)
• Comparing Physics-Informed and Neural ODE Approaches for Modeling Nonlinear Biological Systems: A Case Study Based on the Morris-Lecar Model [0.0]
  本研究は,3つの標準分岐系におけるPINNとNODEの性能を系統的に評価する。 その結果, PINNは剛性や敏感な分岐を含むシナリオにおいて, 高い精度と堅牢性を達成する傾向が示唆された。
  論文  参考訳（メタデータ） (2026-03-27T18:53:53Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks [0.0]
  提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。 この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
  論文  参考訳（メタデータ） (2024-03-04T07:09:54Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Physics-Informed Machine Learning of Argon Gas-Driven Melt Pool Dynamics [0.0]
  金属添加物製造(AM)における溶融プールダイナミクスは, 印刷材料の安定性, 微細構造形成, 最終特性の処理に重要である。 本稿では,ニューラルネットワークと制御物理法則を統合した物理インフォームド機械学習(PIML)による溶融プール力学の予測を行う。 データ効率のよいPINNモデルは、制御偏微分方程式(PDE)、初期条件、PINNモデルの境界条件を組み込むことによって、ソフトペナルティに起因している。
  論文  参考訳（メタデータ） (2023-07-23T12:12:44Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)

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。