Machine Learning for Model Order Reduction

این کتاب در مورد یادگیری ماشین برای کاهش سفارش مدل بحث می‌کند، که می‌تواند در طراحی مدرن VLSI برای پیش‌بینی رفتار یک مدار الکترونیکی، از طریق مدل‌های ریاضی که رفتار را پیش‌بینی می‌کنند، استفاده شود. نویسنده تکنیک هایی را برای کاهش قابل توجه زمان مورد نیاز برای شبیه سازی شامل معادلات دیفرانسیل معمولی در مقیاس بزرگ، که گاهی چندین روز یا حتی چند هفته طول می کشد، توصیف می کند. این روش کاهش سفارش مدل (MOR) نامیده می‌شود، که پیچیدگی سیستم بزرگ اصلی را کاهش می‌دهد و یک مدل با مرتبه کاهش‌یافته (ROM) تولید می‌کند تا نمونه اصلی را نشان دهد. خوانندگان دانش عمیقی از یادگیری ماشین و مفاهیم کاهش سفارش مدل، معاوضه های مربوط به استفاده از الگوریتم های مختلف، و نحوه به کارگیری تکنیک های ارائه شده در شبیه سازی مدار و تحلیل عددی به دست خواهند آورد.

• الگوریتم های یادگیری ماشین را در سطح معماری و سطوح الگوریتم انتزاع معرفی می کند؛
  
• راه حل های ترکیبی جدید را برای کاهش سفارش مدل تشریح می کند؛
  
• ارائه می کند الگوریتم های یادگیری ماشین به صورت عمیق، اما به سادگی؛
  
• از برنامه های کاربردی واقعی و صنعتی برای تأیید الگوریتم ها استفاده می کند.
  

This Book discusses machine learning for model order reduction, which can be used in modern VLSI design to predict the behavior of an electronic circuit, via mathematical models that predict behavior. The author describes techniques to reduce significantly the time required for simulations involving large-scale ordinary differential equations, which sometimes take several days or even weeks. This method is called model order reduction (MOR), which reduces the complexity of the original large system and generates a reduced-order model (ROM) to represent the original one. Readers will gain in-depth knowledge of machine learning and model order reduction concepts, the tradeoffs involved with using various algorithms, and how to apply the techniques presented to circuit simulations and numerical analysis.

• Introduces machine learning algorithms at the architecture level and the algorithm levels of abstraction;
  
• Describes new, hybrid solutions for model order reduction;
  
• Presents machine learning algorithms in depth, but simply;
  
• Uses real, industrial applications to verify algorithms.