論文の概要: End-to-End Neural Modeling of EM Response and Design Performance for Free-Form RFIC Passives

• arxiv url: http://arxiv.org/abs/2610.34462v1
• Date: Sun, 25 Oct 2026 17:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.619047
• Title: End-to-End Neural Modeling of EM Response and Design Performance for Free-Form RFIC Passives
• Title（参考訳）: 自由形RFICパッシブのEM応答のエンドツーエンドニューラルモデリングと設計性能
• Abstract要約: 自由形RFIC受動体のためのエンドツーエンドニューラルネットワークフレームワークを提案する。 周波数条件のニューラルシミュレータと回路条件のニューラルソルバを組み合わせる。 提案モデルでは,広い周波数範囲,回路コンテキスト,受動整合設定の高精度化を実現している。
• 参考スコア（独自算出の注目度）: 7.477732345250316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Passive matching networks are critical components in radio-frequency integrated circuits (RFICs), but their design is bottlenecked by expensive finite-difference-based electromagnetic (EM) simulation. We propose an end-to-end neural framework for free-form RFIC passives that predicts both EM response and downstream design performance under varying frequency and circuit contexts, combining a frequency-conditioned neural simulator with a circuit-conditioned neural solver. To improve design performance prediction, the simulator outputs a neural EM response consisting of both the explicit EM response and a complementary response, together with a dependence regularizer that encourages the two responses to capture orthogonal information. To evaluate the proposed framework, we construct a large-scale dataset of free-form passive layouts, synthesized from both expert-designed contours and random paths. Our 21M-parameter model achieves high accuracy across a broad frequency range, circuit contexts and passive matching settings, with $R^2>0.98$ for almost all targets, while providing orders-of-magnitude faster evaluation than traditional EM simulation. Code available at https://github.com/ETH-IDEAS/RFIC-NeuralSim.
• Abstract（参考訳）: パッシブマッチングネットワークは高周波集積回路(RFIC)において重要な要素であるが、その設計は高価な有限差分法電磁法(EM)シミュレーションによってボトルネックとなる。 本稿では、周波数条件のニューラルネットワークシミュレータと回路条件のニューラルソルバを組み合わせることで、周波数および回路コンテキストの異なるEM応答と下流設計性能の両方を予測する自由形RFIC受動体のためのエンドツーエンドニューラルネットワークフレームワークを提案する。 設計性能予測を改善するため、シミュレータは、明示的EM応答と補的応答の両方からなるニューラルEM応答と、2つの応答に直交情報をキャプチャするよう促す依存正規化器とを出力する。 提案手法を評価するため,専門家が設計した輪郭とランダムパスの両方から合成した大規模な自由形式のパッシブレイアウトデータセットを構築した。 我々の21Mパラメータモデルは、周波数範囲、回路コンテキスト、パッシブマッチング設定において、ほぼ全ての目標に対して$R^2>0.98$の精度を実現し、従来のEMシミュレーションよりも高速なオーダーオブマグニチュード評価を提供する。 コードはhttps://github.com/ETH-IDEAS/RFIC-NeuralSimで公開されている。

関連論文リスト

• K-TRAIL: Simulator-Guided Generative Design of EM/RF Circuits [1.7181078670359513]
  回路レイアウトと電気応答の関係は一般的ではないため,RF回路と電磁回路の逆設計は困難である。 本稿では,自動EM/RF回路合成のためのシミュレータ誘導型生成フレームワークK-TRAILを提案する。
  論文  参考訳（メタデータ） (2026-09-19T19:13:54Z)
• Neural-Network Inverse Design of SRF Cavities and Transmons for Bosonic Quantum Computation [36.94429692322632]
  3次元超伝導ラジオ周波数(SRF)キャビティは、非常に長寿命の電磁モードを提供する。 このようなシステムの逆設計、すなわち特定の電磁的およびカップリングターゲットを生成するデバイスジオメトリは、一般に1対多の問題である。 設計スタックの相補的なレベルで、この逆設計問題に対処する2つのディープニューラルネットワーク(DNN)アプローチを提案する。
  論文  参考訳（メタデータ） (2026-07-02T15:06:11Z)
• Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
  本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。 我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
  論文  参考訳（メタデータ） (2026-02-18T10:20:50Z)
• Alpha-RF: Automated RF-Filter-Circuit Design with Neural Simulator and Reinforcement Learning [44.51228017174177]
  ニューラルネットワークと強化学習を用いた自動RFフィルタ回路設計ツールを提案する。 この研究は、ニューラルネットワークシミュレータと強化学習を用いたRF回路設計におけるステップとなる。
  論文  参考訳（メタデータ） (2026-02-18T04:26:09Z)
• Efficient RF Passive Components Modeling with Bayesian Online Learning and Uncertainty Aware Sampling [0.7550566004119158]
  本稿では,RF受動成分のパラメトリックモデリングを効率的に行うための不確実性を考慮したオンライン学習フレームワークを提案する。 このフレームワークは、従来のMLベースのフローと比較して2.86%のEMシミュレーション時間しか使用せず、正確なモデリングを実現し、35倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-11-19T05:04:09Z)
• DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [43.56429251312585]
  本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。 リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。 ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
  論文  参考訳（メタデータ） (2025-07-03T17:35:06Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。 提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)

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。