論文の概要: Sequence-to-Sequence Neural Surrogate Modeling of Transient Responses in High-Speed Links with Variable Design Parameters

• arxiv url: http://arxiv.org/abs/2610.24141v1
• Date: Fri, 16 Oct 2026 19:09:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 10:44:38.662492
• Title: Sequence-to-Sequence Neural Surrogate Modeling of Transient Responses in High-Speed Links with Variable Design Parameters
• Title（参考訳）: 可変設計パラメータを持つ高速リンクにおける過渡応答の逐次ニューラルサロゲートモデル
• Abstract要約: 本稿では、過渡応答モデリングと信号整合性解析のためのシーケンス・ツー・シーケンス・ニューラルサロゲートを提案する。 固定設計パラメータに対しては、フィードフォワードニューラルネットワークは繰り返しモデルに匹敵する精度を達成する。 初期符号化段階で設計パラメータを注入する繰り返し早期核融合LSTMを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents sequence-to-sequence (seq2seq) neural surrogates for high-speed transient response modeling and signal integrity analysis in fixed and variable design parameter spaces. To identify the structural requirements for prediction accuracy, multiple neural architectures were evaluated with respect to different training strategies such as sample-based and unit interval-based, as well as input configurations such as TX-only and TX+RX. For fixed design parameters, feedforward neural networks achieve accuracy comparable to recurrent models while requiring lower computational cost, as the static mapping can be approximated by fully connected and non-sequential representations. Variable design parameters alter the electromagnetic characteristics of the interconnect, which creates parameter-dependent temporal dynamics that require sequence-aware architectures to resolve the evolving interactions within the transient response. The results based on a 14-dimensional variable design parameter scenario show that while autoregressive TX+RX feedback suffers from severe phase drift and error propagation under variable conditions, non-autoregressive TX-only inference leads to stability. To overcome the structural limitations of standard decoders, a recurrent Early Fusion LSTM is proposed, which injects design parameters at the initial encoding stage. This approach achieves superior prediction accuracy, with an RMSE of 31.0 mV and an R2 of 99.51% for transient waveform prediction, an RMSE of 30.7 mV and an R2 of 99.57% for eye-height prediction, and an RMSE of 19.5 ps and an R2 of 99.94% for eye-width prediction. These results demonstrate that neural seq2seq surrogates are accurate for transient response modeling and signal integrity analysis in complex variable design parameter spaces.
• Abstract（参考訳）: 本稿では, 高速過渡応答モデルと信号整合性解析のためのシーケンス・ツー・シーケンス(seq2seq)ニューラルサロゲートを提案する。 予測精度に関する構造的要件を特定するため、サンプルベースや単位間隔ベースといった異なるトレーニング戦略や、TX-onlyやTX+RXといった入力構成に関して、複数のニューラルアーキテクチャを評価した。 固定設計パラメータに対して、フィードフォワードニューラルネットワークは、完全に連結された非順序表現によって静的マッピングを近似できるため、計算コストを低くしながら、繰り返しモデルに匹敵する精度を達成する。 可変設計パラメータは相互接続の電磁特性を変化させ、過渡応答内の進化する相互作用を解決するためにシーケンス認識アーキテクチャを必要とするパラメータ依存の時間ダイナミクスを生成する。 その結果, 自己回帰性TX+RXフィードバックは, 変動条件下での過度な位相ドリフトと誤差伝搬に悩まされるが, 非自己回帰性TXのみの推論は安定性を損なうことが示された。 標準デコーダの構造的制約を克服するために、初期符号化段階で設計パラメータを注入する繰り返しアーリーフュージョンLSTMを提案する。 このアプローチは、31.0mVのRMSEと99.51%のR2の過渡波形予測、30.7mVのRMSEと99.57%のR2の目の高さ予測、19.5psのRMSEと99.94%のR2の目幅予測という優れた予測精度を実現する。 これらの結果から, 複合変数設計パラメータ空間における過渡応答モデリングと信号整合性解析において, ニューラルネットワークのSeq2seqサロゲートが正確であることが示唆された。

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)
• Buffer-Parameterized Machine Learning Surrogate Models for Cross-Technology Signal Integrity Analysis and Optimization [0.0]
  プリント基板間の信号整合性(SI)解析は複雑化に直面している。 既存の機械学習(ML)サロゲートモデルによるSIメトリクスの予測は、固定バッファパラメータに依存する。 本稿では,バッファパラメータ化MLサロゲートモデリング手法を提案する。
  論文  参考訳（メタデータ） (2026-05-18T10:12:57Z)
• Self-Calibrating LLM-Based Analog Circuit Sizing with Interpretable Design Equations [0.0]
  アナログ回路サイズ化のための自己校正フレームワークを提案する。 大規模言語モデル(LLM)は、トポロジー固有の分析設計方程式を生回路ネットリストから直接導出する。 決定論的キャリブレーションループは、単一のトランジスタレベルのシミュレーションからプロセス依存パラメータを抽出する。
  論文  参考訳（メタデータ） (2026-04-08T04:35:25Z)
• A comparative study of transformer models and recurrent neural networks for path-dependent composite materials [0.0]
  短繊維強化複合材料(SFRC)の均質化応答列を学習したリカレントニューラルネットワーク(RNN)と変圧器モデルを比較した。 その結果、トランスフォーマーモデルは大きなデータセットの精度で競争力を維持するが、RNNは小さなデータセットの精度を向上することを示した。
  論文  参考訳（メタデータ） (2026-02-17T09:29:54Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Learning from Scratch: Structurally-masked Transformer for Next Generation Lib-free Simulation [5.564681128355971]
  本稿では,多段階データパスのパワーとタイミング予測のためのニューラルネットワークフレームワークを提案する。 私たちの知る限りでは、これは標準セル用に明示的に設計された言語ベースのネットリスト対応ニューラルネットワークとしては初めてのものです。
  論文  参考訳（メタデータ） (2025-07-23T10:46:25Z)
• Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
  本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。 私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。 最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
  論文  参考訳（メタデータ） (2024-07-08T12:32:51Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)

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。