An Iterative FEM Solver for IC Electromagnetic Analysis via Hybrid Geometric-Algebraic Partitioning and Neural Network Optimization
Notice bibliographique
Résumé
In electromagnetic finite element analysis of integrated circuits (ICs), direct solvers face high time and space complexity in large-scale problems, while traditional iterative methods suffer from unstable, unpredictable convergence and require complex manual configuration. In this article, we propose a practical and efficient iterative solver based on the overlapping additive Schwarz (OAS) preconditioner. We propose a hybrid matrix partitioning algorithm, which combines geometric and algebraic partitioning methods to leverage their complementary strengths. Furthermore, we develop a neural network-based evaluation and optimization system to predict the convergence and computational efficiency of candidate configurations, enabling automated selection of the optimal OAS preconditioner. We test our solver on matrices generated from six diverse IC geometries, including three interconnect structures and three real-world packaging board models. Experimental results show that our solver achieves 100% convergence across all test matrices, while previous OAS-based iterative methods converge for at most 68%. In convergent scenarios, it achieves a$3.45\times $average speedup over the Metis-based OAS iterative solver. Meanwhile, compared to the industry-standard direct solver PARDISO and the commercial FEM solver ANSYS HFSS, it achieves average speedups of$3.61\times $and$2.39\times $, respectively, along with superior parallel scalability.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,003 | 0,001 |
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 ».