論文の概要: NN-Based Transistor Modeling for Ultra-Fast SPICE Simulation and Standard Cell Library Characterization

• arxiv url: http://arxiv.org/abs/2610.31024v1
• Date: Thu, 22 Oct 2026 09:59:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.314549
• Title: NN-Based Transistor Modeling for Ultra-Fast SPICE Simulation and Standard Cell Library Characterization
• Title（参考訳）: NN-based Transistor Modeling for Ultra-Fast SPICE Simulation and Standard Cell Library Characteristics
• Abstract要約: 3nmナノシートのドレイン電流と様々な電荷を正確に予測するNNベースのトランジスタモデルを開発した。 NNは,標準セルライブラリー解析において最大8倍の時間を要し,遅延と全電力評価の誤差を0.11%以下と0.76%に抑えた。
• 参考スコア（独自算出の注目度）: 7.073591224834558
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural network (NN)-based transistor models have proven to be a promising solution to accelerate device modeling. Although these models demonstrated remarkable speedup in circuit simulations, they were not rigorously tested in complex tasks within standard EDA tool flows for chip design, which require very high transistor model precision to provide accurate results and converge properly. To investigate their full potential and promise, we develop NN-based transistor models that accurately predict the drain current and various charges for a 3nm nanosheet, and employ the models for a standard cell library characterization. This enables us to evaluate the accuracy and speedup under a very wide range of SPICE simulations, benchmarking our models against an industry-standard implementation. Since standard cell library characterization involves thousands of SPICE simulations, it serves as a great benchmark for transistor model quality and consistency. To further evaluate model accuracy, we also perform analog- and digital-level simulations for various complex circuits. Our experiments reveal that NN-based models are a valid alternative to existing transistor compact models, capable of producing accurate delay and power estimates with a much higher speed and convergence time compared to the conventional Verilog-A-based industry-standard (BSIM-CMG) transistor compact model. Our NNs achieve sub-0.11% and 0.76% errors for delay and total power evaluation on a wide range of circuits, while taking up to 8 times less time during the standard cell library characterization. Additionally, we provide comprehensive information and guidance on NN accuracy, unveiling the relationship between NN size and its effect on circuit simulation precision.
• Abstract（参考訳）: ニューラルネットワーク(NN)ベースのトランジスタモデルは、デバイスモデリングを加速するための有望なソリューションであることが証明されている。 これらのモデルは回路シミュレーションにおいて顕著なスピードアップを示したが、チップ設計のための標準的なEDAツールフローの複雑なタスクでは、正確な結果を提供し、適切に収束するために非常に高いトランジスタモデル精度を必要とするという厳密なテストは行われなかった。 3nmナノシートのドレイン電流と様々な電荷を正確に予測するNNベースのトランジスタモデルを開発し,そのモデルを用いて標準セルライブラリーのキャラクタリゼーションを行う。 これにより、非常に広い範囲のSPICEシミュレーションで精度とスピードアップを評価し、業界標準の実装に対してモデルをベンチマークすることができる。 標準的なセルライブラリの特徴付けには何千ものSPICEシミュレーションが含まれているため、トランジスタモデルの品質と一貫性の優れたベンチマークとして機能する。 さらに、モデル精度を評価するために、様々な複雑な回路に対してアナログ・デジタルレベルのシミュレーションを行う。 提案実験により, NN-based model は, 従来のVerilog-A-based industry-standard (BSIM-CMG) のコンバーチブルモデルと比較して, 精度の高い遅延・電力推定が可能な, 既存のトランジスタモデルに代わる有効な選択肢であることが判明した。 NNは,標準セルライブラリー解析において最大8倍の時間を要し,遅延や全電力評価の誤差を0.11%以下と0.76%に抑えた。 さらに、NNサイズと回路シミュレーション精度への影響を明らかにするため、NN精度に関する包括的な情報とガイダンスを提供する。

関連論文リスト

• 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)
• Hardware-Aware Model Design and Training of Silicon-based Analog Neural Networks [33.83993649730681]
  物理インフォームドハードウェア・アウェアモデルを用いてニューラルネットワークを再トレーニングすることにより、理想的なネットワークモデルの推論精度を完全に回復できることを示す。 これは、アナログニューラルネットワークの忠実性を改善するデフォルトオプションよりも、スケーラビリティと統合密度に有望である。
  論文  参考訳（メタデータ） (2025-12-08T10:11:13Z)
• Simulation of a closed-loop dc-dc converter using a physics-informed neural network-based model [0.0]
  現在、商用の時間領域シミュレーションソフトウェアは、主に電力エレクトロニクスをシミュレートするための物理学に基づく手法に依存している。 近年の研究では、データ駆動型および物理インフォームドラーニング手法により、精度の妥協を限定してシミュレーション速度を向上できることが示されている。
  論文  参考訳（メタデータ） (2025-06-23T22:44:56Z)
• MNT-TNN: Spatiotemporal Traffic Data Imputation via Compact Multimode Nonlinear Transform-based Tensor Nuclear Norm [45.59831141171801]
  現代のコミュニケーション技術は、価値計算の欠如に新たな課題をもたらしている。 マルチモード変換核ノルム(MNSS-TNN)に基づく新しい計算法を提案する。 また,計算結果を改善するために,ATTNN(Augmented Transform-based Nuclear Norm Families)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-29T02:58:31Z)
• Kolmogorov-Arnold Network for Transistor Compact Modeling [7.87021540115765]
  NNベースのトランジスタ・コンパクト・モデリングはデバイス・モデリングとSPICE回路シミュレーションの高速化のための変換ソリューションとして登場した。 この研究は、物理学に基づく関数モデリングにおいて高い精度で解釈可能性とシームレスに統合する、画期的なNNアーキテクチャを初めて導入する。 以上の結果から,カナとフカンはゲート電流ドレイン電荷,ソース電荷などの臨界値に対して,常に優れた予測精度を達成できることが判明した。
  論文  参考訳（メタデータ） (2025-03-19T13:49:50Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• CSM-NN: Current Source Model Based Logic Circuit Simulation -- A Neural Network Approach [5.365198933008246]
  CSM-NNは、最適化されたニューラルネットワーク構造と処理アルゴリズムを備えたスケーラブルなシミュレーションフレームワークである。 実験によると、CSM-NNはCPU上で動作する最先端のソースモデルベースのシミュレータと比較して、シミュレーション時間を最大6倍に短縮する。 CSM-NNはまた、HSPICEと比較して2%以下の誤差で高い精度のレベルを提供する。
  論文  参考訳（メタデータ） (2020-02-13T00:29:44Z)

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。