Tensor Core GPU and Krylov Subspace-Based Algorithms for Multiport Large-Scale Circuit Reduction
Notice bibliographique
Résumé
Due to the recent surge in the user demand for higher density of devices, higher operating frequencies and multi-function designs, signal propagation issues such as delay, attenuation, crosstalk and skin effects of interconnects become predominant.Also, the desire for low-power designs with lower operating voltages, sharp signal edges and heavy switching currents are making the design of power delivery networks extremely challenging.Efforts to accurately model and capture these effects pose the challenge of simulating circuits with large sizes and mixed frequency/time formulations. Model-order reduction techniques based onKrylov-subspace have been suggested in the literature to speed up the simulation of large circuits along with mixed frequency/time formulations.Arnoldi algorithm based on Modified Gram-Schmidt or Cholesky formulations have been used to construct the Krylov-subspace with orthogonal projections.These were advanced to preserve the passivity of the reduced-order model using the PRIMA algorithm.In the recent years, exploiting the emerging multi-core and GPU platforms, parallel Arnoldi and GPU based approaches were developed.In this thesis, Krylov subspace-based PRIMA algorithm will be further advanced 5 Development of the Proposed Tensor Core GPU-Based PRIMA (TC-PRIMA) 5.1 Proposed TC-TSQR Factorization with GPU . . . . . . . . . .5.2 Proposed Tensor Core Based QR Implementation in GPU . .vi 6 Numerical Results 6.1 Establishing Benchmark for Accuracy Comparison for the Proposed Method . . . . . . . . . . . . .
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».