文献

J-GLOBAL ID：201702248399076053   整理番号：17A1569938

深いモデリング:データ駆動フレームワークにおける理論に基づくモデルを用いた回路特性化【Powered by NICT】

Deep modeling: Circuit characterization using theory based models in a data driven framework

著者 (6件)： Bolme David (Electrical and Electronics Systems Research Division, Oak Ridge National Laboratory, Oak Ridge, TN, USA) ,  Mikkilineni Aravind (Electrical and Electronics Systems Research Division, Oak Ridge National Laboratory, Oak Ridge, TN, USA) ,  Rose Derek (Electrical and Electronics Systems Research Division, Oak Ridge National Laboratory, Oak Ridge, TN, USA) ,  Yoginath Srikanth (Computational Sciences and Engineering Division, Oak Ridge National Laboratory, Oak Ridge, TN, USA) ,  Judy Mohsen (EECS Department, University of Tennessee, Knoxville, TN, USA) ,  Holleman Jeremy (EECS Department, University of Tennessee, Knoxville, TN, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ISCAS  ページ： 1-4  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： アナログ計算回路は,ディジタル回路と比較して電力と速度の実質的な改善を提供し,特に極端な並列性が中程度の精度を必要とする応用のためのことが示されている。ディープ機械学習はその様な領域の1つであり,アナログおよび混合信号実装から大きく利益を得る。しかし,適度な精度でも,オフセットと非線形性はシステム性能を劣化させる。さらに,最も単純な系以外の全てには,すべてのサブ回路の中間出力を直接測定することは不可能である。結果は,回路設計者は計算回路の非理想性を正確に評価できないことであり,測定結果を利用する将来の設計を改善するために完全にはできなかった。本論文では,物理的システムをモデル化するための深い学習フレームワークを使用する技術を示した。TensorFlowのような最近開発されたライブラリーは,モデリング回路挙動との関連でパラメータを学習する逆伝搬を用いることを可能にする。オフセットとスケーリング誤差が計算システムに深く埋め込まれた直接観測されないサブ回路に対しても発見できる。学習したパラメータはシミュレーション法を洗練し,あるいは適切な補償戦略を同定するために使用できる。例題回路として混合信号コンボリューション演算子を用いたフレームワークを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *回路特性 ,  学習 ,  機械学習 ,  アナログ系 ,  計算機システム ,  *モデリング ,  ディジタル回路 ,  シミュレーション ,  オフセット ,  回路設計 ,  畳込み ,  非線形性
準シソーラス用語： システム性能 ,  混合信号 ,  *データ駆動 , 【Automatic Indexing@JST】

分類 (2件)： AD・DA変換回路  (NC05080M) ,  集積回路一般  (NC03161C)

タイトルに関連する用語 (6件)： モデリング ,  データ駆動 ,  フレームワーク ,  理論 ,  モデル ,  回路特性