融合全局与局部：用于下一代电流估计的 Transformer-CNN 协同方法
信号处理
2025-06-11 v2 机器学习
摘要
本文提出了一种结合 Transformer 和 CNN 的混合模型，用于预测信号线中的电流波形。与电流源模型、驱动器线性表示、波形函数拟合或等效负载电容方法等传统方法不同，我们的模型不依赖于标准单元驱动器或 RC 负载的固定简化模型。相反，它取代了传统 SPICE 仿真中使用的复杂牛顿迭代过程，利用 Transformer 框架强大的序列建模能力直接预测电流响应，而无需迭代求解步骤。该混合架构有效地将 Transformer 的全局特征捕获能力与 CNN 的局部特征提取优势相结合，显著提高了电流波形预测的准确性。实验结果表明，与传统 SPICE 仿真相比，所提出的算法仅实现了 0.0098 的误差。这些结果突出了该算法在预测信号线电流波形、时序分析和功耗评估方面的卓越能力，使其适用于从 40nm 到 3nm 的广泛技术节点。
引用
@article{arxiv.2504.07996,
title = {Fusing Global and Local: Transformer-CNN Synergy for Next-Gen Current Estimation},
author = {Junlang Huang and Hao Chen and Li Luo and Yong Cai and Lexin Zhang and Tianhao Ma and Yitian Zhang and Zhong Guan},
journal= {arXiv preprint arXiv:2504.07996},
year = {2025}
}