Efficient transient simulation of networks containing lossy frequency-dependent interconnects
Notice bibliographique
Résumé
Since the introduction of the Asymptotic Waveform Evaluation algorithm [1], model order reduction techniques have shown high computational efficiency for fast solution of large interconnect problems. The reduced-order models of linear interconnect networks can be derived by matching network moments via Pade approximations. For interconnect networks containing distributed transmission lines, the associated moments can be generated by using the eigenvalue moment method [2] or the matrix exponential method [3]. In the former method, the moments are generated by computing eigenvalues and eigenvectors of the transmission line propagation matrix. It is noticed, however, that the accuracy of the moments calculated by using the eigenvalue moment method decreases with the increase of moment order due to the truncation error in evaluation of the eigenvalues and eigenvectors. Accurate generation of moments is critical in applying moment matching techniques to interconnect analysis since small errors in the moments can considerably affect the accuracy of the simulation results. In order to obtain more accurate transmission line moments, one can apply the matrix exponential method. In this method, the moments are obtained by expanding the transmission line parameter matrix as a Taylor series. The moments of transmission lines with frequency-dependent parameters can be computed in the same manner [4]. Although the matrix exponential method can generate more accurate moments, it is computationally more costly than the eigenvalue moment method due to the slow convergence of the matrix exponential series.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».