PulseAugur
中
实时 08:47:54
English(EN) AttentionCap: Transformer Based Capacitance Matrix Learning Toward Full-Chip Extraction

Transformer模型AttentionCap推动芯片设计中的电容提取

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了AttentionCap，一种新颖的基于Transformer的模型，用于在电子设计自动化中学习电容矩阵。该方法通过处理可变的金属层组合和多个工艺节点，克服了先前基于MLP和CNN的方法的局限性。与现有基线相比，AttentionCap在错误率和推理速度方面均有显著降低，并且对新工艺节点具有很强的迁移性。 AI

影响 提高了电容提取的准确性和速度，可能简化电子设计自动化工作流程。

排序理由 该集群包含一篇研究论文，介绍了一种针对特定技术问题的 novel 模型和方法。 [lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jiechen Huang, Hector R. Rodriguez, Dingcheng Yang, Zuochang Ye, Yibo Lin, Wenjian Yu ·

    AttentionCap：基于 Transformer 的电容矩阵学习，用于全芯片提取

    arXiv:2606.08161v1 Announce Type: new Abstract: As capacitance extraction accuracy of rule-based pattern matching becomes difficult to sustain at advanced nodes, a growing trend emerges to develop deep-learning-based 2D capacitance models. However, existing MLP- and CNN-based met…

相关实体

相关话题