DOI: https://doi.org/10.1109/led.2026.3667891
تاريخ النشر: 2026-02-27
المؤلف: Chien-Ting Tung وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
تقدم البحث NeuroSPICE، وهو إطار عمل لشبكات عصبية مستنيرة بالفيزياء (PINN) مصمم لمحاكاة الأجهزة والدارات. على عكس SPICE التقليدية، التي تستخدم حلول عددية متقطعة زمنياً، يستخدم NeuroSPICE PINNs لمعالجة معادلات الدارات التفاضلية الجبرية (DAEs) من خلال تقليل المتبقيات عبر الانتشار العكسي. يسمح هذا النهج بنمذجة أشكال موجات الأجهزة والدارات باستخدام معادلات تحليلية في المجال الزمني، مع تضمين مشتقات زمنية دقيقة. على الرغم من أن NeuroSPICE لا يتفوق على SPICE من حيث السرعة أو الدقة أثناء التدريب، إلا أنه يقدم مزايا مميزة، خاصة كنماذج بديلة لتحسين التصميم والمشاكل العكسية. تسهل قابليته للتكيف محاكاة الأجهزة الناشئة، بما في ذلك الأنظمة غير الخطية بشدة مثل الذاكرات الفيروكهربائية.
في الختام، يمثل NeuroSPICE تقدماً كبيراً على الطرق العددية التقليدية للخطوات الزمنية، مما يمكّن من محاكاة الدارات مع أجهزة غير خطية بشدة واستكشاف أنظمة متعددة الفيزياء ذات صلة بالتقنيات الناشئة. تحدد الدراسة التحديات الحالية التي تواجه NeuroSPICE وتقترح تطبيقه المحتمل كنموذج بديل للدارات. يجب أن تركز الأبحاث المستقبلية على تقييم قابليته للتوسع، والتقارب، وفعاليته في تحسين التصميم القائم على التدرجات.
مقدمة
تناقش مقدمة الورقة تطوير PICE (برنامج المحاكاة مع التركيز على الدوائر المتكاملة) في جامعة كاليفورنيا، بيركلي، والذي يعمل كحل عام للأنظمة التفاضلية. تستخدم المحاكيات التقليدية للدارات طرق عددية راسخة لحل المعادلات التفاضلية والجبرية المتقطعة. ومع ذلك، مع تطور تقنية الدوائر المتكاملة (IC)، التي تتضمن تأثيرات فيزيائية جديدة مثل المواد الفيروكهربائية، والعناصر الضوئية، والارتباط الحراري ثلاثي الأبعاد في 3DICs، تكافح تدفقات العمل لنماذج SPICE الحالية لاستيعاب هذه التعقيدات.
تقدم الورقة مفهوم الشبكات العصبية المستنيرة بالفيزياء (PINNs)، التي تستفيد من دوال الخسارة المستمدة من المعادلات الفيزيائية لحل المعادلات التفاضلية دون الحاجة إلى بيانات. بينما طبقت الدراسات السابقة PINNs على محاكيات أنظمة الطاقة والترانزستورات، تستكشف هذه الدراسة تطبيقها في محاكيات الدارات من خلال إطار عمل يسمى NeuroSPICE. يقوم NeuroSPICE بنمذجة المجهولات في الدارات، مثل جهود العقد وتيارات الفروع، كدوال مستمرة للزمن، مما يسهل المشتقات الزمنية التحليلية عبر الانتشار العكسي. يلغي هذا النهج الحاجة إلى تقريب الزمن باستخدام الفروق المحدودة ويسمح بدمج معادلات الأجهزة والفيزياء المتعددة ضمن بيئة بايثون واحدة، مما يعزز النمذجة السريعة ويستوعب الصيغ المعقدة دون الحاجة إلى Verilog-A.
طرق
تصف قسم المنهجية تطوير وتنفيذ NeuroSPICE، وهو شبكة عصبية مستنيرة بالفيزياء (PINN) مصممة لمحاكاة الدوائر الكهربائية. على عكس محاكيات SPICE التقليدية التي تعتمد على خطوات زمنية عددية، يقوم NeuroSPICE بنمذجة الموجات مباشرة كدوال تحليلية مستمرة للزمن، مع مدخلات تشمل الزمن $t$ وربما معلمات التصميم أو الإحداثيات المكانية. تتضمن عملية التدريب تقديم نقاط زمنية للشبكة، التي تنتج جهود العقد أو تيارات الفروع المقابلة. يتم اشتقاق دالة الخسارة من المتبقيات لمعادلات الدارات التفاضلية الجبرية (DAEs) والظروف الأولية، والتي يتم تقليلها من خلال مُحسّن لضمان تمثيل دقيق لسلوك الدارة.
يسمح هيكل NeuroSPICE بالحساب التحليلي للمشتقات الزمنية مثل $\frac{dV}{dt}$ و $\frac{dQ}{dt}$ باستخدام التفاضيل التلقائية، مما يلغي الحاجة إلى التقطيع أو طرق التكامل العددي الشائعة في حلول SPICE التقليدية. تسهل هذه القدرة دمج نماذج الأجهزة المعقدة وغير الخطية، مثل الأجهزة الفيروكهربائية (FE)، في إطار المحاكاة. تظهر النتائج أن NeuroSPICE يمكنه محاكاة الدارات البسيطة والمعقدة بفعالية، بما في ذلك مذبذب حلقي من خمس مراحل وخلايا FeRAM، مع أداء قابل للمقارنة مع HSPICE من حيث وقت الاستدلال، على الرغم من أن أوقات التدريب أطول بسبب تنفيذ بايثون. بشكل عام، يقدم NeuroSPICE منصة مرنة لمحاكاة الدارات وتحسينها، خاصة للتقنيات الناشئة.
نقاش
في هذا القسم، يختتم المؤلفون دراستهم حول NeuroSPICE، وهو محاكي دوائر قائم على الشبكات العصبية المستنيرة بالفيزياء (PINN) الذي يقدم مزايا على SPICE التقليدية من خلال القضاء على الحاجة إلى خطوات زمنية عددية. يظهر NeuroSPICE القدرة على محاكاة الدارات التي تحتوي على أجهزة غير خطية بشدة بفعالية ولديه القدرة على أن يُطبق في أنظمة متعددة الفيزياء، وهو أمر ذو صلة خاصة لاستكشاف التقنيات الناشئة.
يعترف المؤلفون بالتحديات الحالية المرتبطة بـ NeuroSPICE ويقترحون تطبيقه المحتمل كنموذج بديل لتصميم الدارات. يؤكدون على ضرورة تركيز الأبحاث المستقبلية على تقييم قابلية التوسع والتقارب لـ NeuroSPICE، فضلاً عن فعاليته في عمليات تحسين التصميم القائمة على التدرجات.
DOI: https://doi.org/10.1109/led.2026.3667891
Publication Date: 2026-02-27
Author(s): Chien-Ting Tung et al.
Primary Topic: Model Reduction and Neural Networks
Overview
The research introduces NeuroSPICE, a physics-informed neural network (PINN) framework designed for device and circuit simulation. Unlike traditional SPICE, which employs time-discretized numerical solvers, NeuroSPICE utilizes PINNs to address circuit differential-algebraic equations (DAEs) by minimizing the residuals through backpropagation. This approach allows for the modeling of device and circuit waveforms using analytical equations in the time domain, incorporating exact temporal derivatives. Although NeuroSPICE does not surpass SPICE in terms of speed or accuracy during training, it presents distinct advantages, particularly as surrogate models for design optimization and inverse problems. Its adaptability facilitates the simulation of emerging devices, including highly nonlinear systems like ferroelectric memories.
In conclusion, NeuroSPICE represents a significant advancement over conventional numerical time-stepping methods, enabling the simulation of circuits with strongly nonlinear devices and the exploration of multiphysics systems relevant to emerging technologies. The study identifies current challenges faced by NeuroSPICE and suggests its potential application as a circuit surrogate model. Future research should focus on evaluating its scalability, convergence, and effectiveness in gradient-based design optimization.
Introduction
The introduction of the paper discusses the development of PICE (Simulation Program with Integrated Circuit Emphasis) at UC Berkeley, which serves as a general-purpose differential system solver. Traditional circuit simulators utilize established numerical methods to solve discretized differential and algebraic equations. However, as integrated circuit (IC) technology evolves, incorporating new physical effects such as ferroelectric materials, photonic elements, and three-dimensional thermal coupling in 3DICs, existing SPICE compact-model workflows struggle to accommodate these complexities.
The paper introduces the concept of physics-informed neural networks (PINNs), which leverage loss functions derived from physical equations to solve differential equations without requiring data. While previous studies have applied PINNs to power system and transistor simulations, this research explores their application in circuit simulations through a framework called NeuroSPICE. NeuroSPICE models circuit unknowns, such as node voltages and branch currents, as continuous functions of time, facilitating analytical time derivatives via backpropagation. This approach eliminates the need for finite-difference time approximations and allows for the integration of device and multiphysics equations within a single Python environment, thereby enhancing rapid prototyping and accommodating complex formulations without the need for Verilog-A.
Methods
The methodology section describes the development and implementation of NeuroSPICE, a physics-informed neural network (PINN) designed to simulate electrical circuits. Unlike traditional SPICE simulations that rely on numerical time stepping, NeuroSPICE directly models waveforms as continuous analytical functions of time, with inputs including time $t$ and potentially design parameters or spatial coordinates. The training process involves presenting time points to the network, which outputs corresponding node voltages or branch currents. The loss function is derived from the residuals of circuit differential-algebraic equations (DAEs) and initial conditions, which are minimized through an optimizer to ensure accurate representation of circuit behavior.
NeuroSPICE’s architecture allows for the analytical computation of temporal derivatives such as $\frac{dV}{dt}$ and $\frac{dQ}{dt}$ using automatic differentiation, eliminating the need for discretization or numerical integration methods common in conventional SPICE solvers. This capability facilitates the integration of complex and nonlinear device models, such as ferroelectric (FE) devices, into the simulation framework. The results demonstrate that NeuroSPICE can effectively simulate both simple and complex circuits, including a five-stage ring oscillator and a FeRAM cell, with performance comparable to HSPICE in terms of inference time, although training times are longer due to the Python implementation. Overall, NeuroSPICE offers a flexible platform for circuit simulation and optimization, particularly for emerging technologies.
Discussion
In this section, the authors conclude their study on NeuroSPICE, a physics-informed neural network (PINN)-based circuit simulator that offers advantages over traditional SPICE by eliminating the need for numerical time-stepping. NeuroSPICE demonstrates the capability to effectively simulate circuits containing strongly nonlinear devices and has the potential to be applied in multiphysics systems, which is particularly relevant for exploring emerging technologies.
The authors acknowledge existing challenges associated with NeuroSPICE and suggest its potential application as a surrogate model for circuit design. They emphasize the necessity for future research to focus on evaluating the scalability and convergence of NeuroSPICE, as well as its effectiveness in gradient-based design optimization processes.