面向器件和电路建模的 Physics-Informed Neural Networks: NeuroSPICE 案例研究
人工智能
2026-04-28 v2 应用物理
摘要
我们提出了 NeuroSPICE，一个面向器件和电路仿真的 physics-informed neural network(PINN)框架。不同于传统 SPICE 依赖时间离散数值求解器，NeuroSPICE 利用 PINN 通过反向传播最小化方程残差来求解电路微分代数方程(DAE)。它使用时间域中的解析方程对器件和电路波形进行建模，具有精确的时序导数。尽管 PINN 在训练期间在速度和准确性方面不优于 SPICE，但它们提供了独特的优势，如设计优化和逆问题的代理模型。NeuroSPICE 的灵活性使其能够模拟新兴器件，包括高度非线性系统，如铁电存储器。
引用
@article{arxiv.2512.23624,
title = {Physics-Informed Neural Networks for Device and Circuit Modeling: A Case Study of NeuroSPICE},
author = {Chien-Ting Tung and Chenming Hu},
journal= {arXiv preprint arXiv:2512.23624},
year = {2026}
}
备注
in IEEE Electron Device Letters (2026)