論文の概要: A Composable AI-Accelerated Iterative Solver for 3D-IC Thermal Modeling

• arxiv url: http://arxiv.org/abs/2610.02461v1
• Date: Thu, 01 Oct 2026 20:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.080434
• Title: A Composable AI-Accelerated Iterative Solver for 3D-IC Thermal Modeling
• Title（参考訳）: 3次元IC熱モデリングのための構成可能なAI高速化反復解法
• Abstract要約: ドメイン分解型AIによる熱分析用反復解法(DAIST) DAISTは、グローバルパッケージシミュレーションをブロックレベルのサブドメイン問題に分解する構成可能な熱分解器である。 マルチチップシステムと高度なパッケージシステムで評価した。
• 参考スコア（独自算出の注目度）: 1.776504622789709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate thermal analysis of heterogeneous 2.5D/3D-IC packages is essential yet computationally prohibitive. A single full-package FEM simulation can take hours, while AI-based surrogates treat the entire stack as a monolithic prediction target and must be retrained whenever the die count or topology changes. To address this limitation, this work proposes Domain-Decomposed AI-Accelerated Iterative Solver for Thermal Analysis (DAIST), a composable thermal solver that decomposes the global package simulation into block-level subdomain problems, replaces subdomain solvers with neural operators, and couples them through iterative exchanges of interfacial temperature and heat flux. This local-to-global architecture eliminates the topology lock-in of monolithic models: block-level neural operators can be directly reused in unseen package assemblies without retraining. The iterative coupling strategy further provides a controllable accuracy-runtime tradeoff, where the iteration budget can be adjusted to trade accuracy for runtime. Evaluated on a multi-chiplet system and an advanced packaging system, DAIST achieves up to $178\times$ speedup over traditional FEM solvers with mean temperature errors of 0.068% and 0.323%, respectively, while demonstrating cross-topology reuse of block-level models across structurally distinct package assemblies.
• Abstract（参考訳）: 不均一2.5D/3D-ICパッケージの正確な熱分析は必須だが、計算的に禁じられている。 AIベースのサロゲートはスタック全体をモノリシックな予測ターゲットとして扱い、ダイカウントやトポロジーが変化するたびに再トレーニングする必要がある。 この制限に対処するため、本研究では、グローバルパッケージシミュレーションをブロックレベルのサブドメイン問題に分解し、サブドメインソルバをニューラルネットワークに置き換え、界面温度と熱流束の反復交換を通じてそれらを結合する構成可能な熱分解器である、Domain-Decomposed AI-Accelerated Iterative Solver for Thermal Analysis (DAIST)を提案する。 このローカルからグローバルなアーキテクチャは、モノリシックモデルのトポロジロックインを排除します。 反復結合戦略は、さらに制御可能な精度-実行時のトレードオフを提供し、イテレーション予算をランタイムの精度のトレードオフに調整することができる。 DAISTはマルチチップシステムと高度なパッケージシステムで評価され、それぞれ平均温度誤差0.068%と0.323%の従来のFEMソルバよりも最大178\times$のスピードアップを実現し、構造的に異なるパッケージアセンブリ全体にわたってブロックレベルのモデルのクロストポロジー再利用を実証した。

関連論文リスト

• Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
  Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。 平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
  論文  参考訳（メタデータ） (2026-09-29T11:24:19Z)
• Tackling Failure Modes of PINNs and PIKANs Using Conflict-Free Gradients [0.30586855806896046]
  プロジェクションベース勾配手術により領域分解をブリッジし、トレーニングを低下させる矛盾する勾配を緩和する。 また,Norm-PCGradは,勾配手術を伴わないトレーニングに比べて,L$の誤差が低いことが示唆された。 さらに, 3次元領域分解の精度向上を図るために, 物理インフォームドのコルモゴロフ・アルノルドネットワーク(KANPI)に勾配手術を適用できることを実証した。
  論文  参考訳（メタデータ） (2026-09-13T23:22:05Z)
• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Shattering the Symmetry Trap in Fixed-Ansatz VQE: An Accelerated ADAPT-VQE Study of Three Pillar Molecules under Bravyi-Kitaev Mapping [0.0]
  ADAPT-VQEフレームワークが3つの異なる電子的および幾何学的分子的柱間の構造的制限を破砕する様子を示す。 数値計算の結果, ADAPT-VQEフレームワークは, 即時かつ正確なフル構成インタラクションを実現することがわかった。 本研究は, 強相関の強い高偏極化三原子化学環境をシミュレーションするための, 堅牢で, ハードウェア効率のよい経路を確立する。
  論文  参考訳（メタデータ） (2026-06-04T10:13:23Z)
• ARC-STAR: Auditable Post-Hoc Correction for PDE Foundation Models [47.9430487327673]
  ARC-STARは修正を3段階にまとめる: グローバルな修正器は広い解法バイアスを除去し、ブロックワイドな局所精錬器はポストグロバル残差を浄化し、展開時にはラベルフリースコアは計算予算の下でハイリスクなブロックに精算する。 ARC-STARは、全ての細胞で生ポセイドンよりも少なくとも36倍の速度ロールアウト誤差を減少させる唯一の方法である。
  論文  参考訳（メタデータ） (2026-05-21T09:26:16Z)
• Wireless Federated Multi-Task LLM Fine-Tuning via Sparse-and-Orthogonal LoRA [61.12136997430116]
  低ランク適応(LoRA)に基づく分散連合学習(DFL)により、マルチタスクデータセットを持つモバイルデバイスは、ローカルに更新されたパラメータを、無線接続を介して近隣デバイスのサブセットと交換することで、大きな言語モデル(LLM)を協調的に微調整することができる。 不均一データセットに微調整されたパラメータを直接集約すると、DFLライフサイクルの3つの主要な問題が発生する: (i) 微調整プロセス中に忘れる破滅的な知識、(ii) データの異種性に起因する更新方向の矛盾に起因する。
  論文  参考訳（メタデータ） (2026-02-24T02:45:32Z)
• 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)
• Enhanced accuracy through ensembling of randomly initialized auto-regressive models for time-dependent PDEs [0.0]
  機械学習モデルによる自己回帰推論は、連続した予測よりもエラーの蓄積に悩まされ、長期的な精度が制限される。 この課題に対処するために,複数のMLサロゲートモデルを並列にトレーニングし,推論中に集約するディープアンサンブルフレームワークを提案する。 我々はPDEを駆動する3つの力学系 - 不均一なミクロ組織における応力の進化、グレイ・スコット反応拡散、惑星規模の浅層水系 - の枠組みを検証した。
  論文  参考訳（メタデータ） (2025-07-05T02:25:12Z)

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。