Aug, 2023

用通用装置编码和图像注意力网络改革 TCAD 模拟

PDF
TL;DR使用人工智能和图形表示的创新方法，提出了一种在 TCAD 器件模拟中用于半导体器件编码的技术。提出了一个基于图形的通用编码方案，不仅考虑了材料级和器件级嵌入，还引入了一种新型的空间关系嵌入，灵感来自于有限元网格化中通常使用的插值运算。利用器件模拟中的通用物理定律进行综合的数据驱动建模，包括基于漂移扩散模型的拟合泊松仿真和电流电压（IV）预测。两者都采用了一种称为 RelGAT 的新型图形注意力网络。给出了基于设备模拟器 Sentaurus TCAD 的全面技术细节，使研究人员能够在设备级别采用提出的基于人工智能的电子设计自动化（EDA）解决方案。
artificial intelligencegraph representationsemiconductor devicesimulationelectronic design automation (eda)
发现论文，激发创造
  • 用于车道智能模拟和拓扑无关的交叉路口交通网络注意力机制

    该研究提出了两种高效而准确的 “数字孪生” 模型，利用图注意力神经网络（GAT）来捕捉交叉口内交通的时态、空间和情境方面的因素，并具有多种应用，包括交通信号优化、车道重新配置、驾驶行为分析以及提升交叉口安全和效率增强等。

    Apr, 2024

  • 基于图的 Transformer 模型：注意力机制是否足够？

    提出了一种基于 Transformer 的 GRAP-Aware Transformer（GRAT）神经网络模型，利用自注意机制自适应地处理整个图的编码和解码，经过多种实验验证，其在 QM9 数据集的分子属性预测等任务上表现出了领先水平。

    Jun, 2020

  • 时态图上的归纳表示学习

    本文提出了一种基于时间图的归纳表示学习方法，使用新颖的时间编码技术和自注意力机制，可以对动态网络中的节点分类和链接预测任务进行有效处理，并相对于现有的时空图嵌入方法取得了优秀的效果。

    Feb, 2020

  • 图注意力自编码器

    本文提出了一种名为 GATE 的神经网络结构，用于对图结构数据进行无监督表示学习，结合了自我注意机制，通过编码器 / 解码器层实现图结构输入和节点属性的重构，定量地评估在许多节点分类基准数据集上的表现。

    May, 2019

  • 图注意力网络

    本文提出新颖的神经网络结构图注意力网络（GATs），利用掩码的自我关注层处理图结构化数据的缺点，有效提出解决谱学派图神经网络中的几个关键挑战的方法，并在四个数据集上取得了最先进的结果。

    Oct, 2017

  • 跨设备用户匹配的层次化图神经网络与交叉注意力

    本研究提出了一种基于分层图神经网络、交叉关注机制的跨设备用户匹配技术，可用于广告、推荐系统和网络安全等领域。

    Apr, 2023

  • 面向小型稀疏图结构的图注意力网络在汽车应用中的优化与解释

    本文探讨了基于图注意网络的 GATv2 在小型稀疏图结构中可能遇到的一些优化问题，并提出了改进的解决方案和方法，通过实验结果验证改进后的模型方案在节点级别回归任务中表现更好，同时提高了参数初始化的鲁棒性，并对其解释性进行了分析，以此来深入了解注意力机制。

    May, 2023

  • 节点和图学习的费舍尔信息嵌入

    本论文提出了一种新颖的基于注意力机制的节点嵌入框架，该框架使用基于节点周围子图集合的分层核，并使用一个光滑的统计流形来比较多组集合，从而明确计算与高斯混合嵌入流形的传播注意，其应用在节点分类任务上，取得了优于现有模型的效果。

    May, 2023

  • 增强属性聚类的图形转换：一种创新的图形转换器方法

    本研究引入一种新的方法，将图自编码器与图变压器相结合，称为 GTAGC，以解决传统方法无法捕捉图中节点间复杂全局依赖情况的问题，该方法在基准数据集上表现出卓越性能，展现了图聚类方面的应用前景。

    Jun, 2023

  • GASE: 图注意力取样与边融合用于解决车辆路径问题

    我们提出了一种自适应图注意力采样与边融合框架（GASE），通过使用具有高度相关邻域和边的注意力计算从而确定节点的嵌入，进一步融合采样网络中的消息传递和节点嵌入，在学习导向的 VRP 任务上表现出色，并在随机生成实例和真实世界数据集上展现出超越现有方法的性能。

    May, 2024