論文の概要: LEDRO: LLM-Enhanced Design Space Reduction and Optimization for Analog Circuits

• arxiv url: http://arxiv.org/abs/2411.12930v1
• Date: Tue, 19 Nov 2024 23:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:11:32.427685
• Title: LEDRO: LLM-Enhanced Design Space Reduction and Optimization for Analog Circuits
• Title（参考訳）: LEDRO:LLMによるアナログ回路の設計空間削減と最適化
• Authors: Dimple Vijay Kochar, Hanrui Wang, Anantha Chandrakasan, Xin Zhang,
• Abstract要約: アナログ回路サイズの設計空間を反復的に洗練する最適化手法とともに,Large Language Models (LLMs) を用いたLEDROを導入する。 LEDROは、他のRLやBOベースラインと比較して非常に一般化可能であり、異なるトポロジや技術ノードの設計アノテーションやモデルトレーニングは不要である。 結果,LEDROは平均13%のFoM改善,2.15倍のOp-Amp,48%のFoM改善,1.7倍のOp-Ampを向上した。
• 参考スコア（独自算出の注目度）: 5.055279645400405
• License:
• Abstract: Traditional approaches for designing analog circuits are time-consuming and require significant human expertise. Existing automation efforts using methods like Bayesian Optimization (BO) and Reinforcement Learning (RL) are sub-optimal and costly to generalize across different topologies and technology nodes. In our work, we introduce a novel approach, LEDRO, utilizing Large Language Models (LLMs) in conjunction with optimization techniques to iteratively refine the design space for analog circuit sizing. LEDRO is highly generalizable compared to other RL and BO baselines, eliminating the need for design annotation or model training for different topologies or technology nodes. We conduct a comprehensive evaluation of our proposed framework and baseline on 22 different Op-Amp topologies across four FinFET technology nodes. Results demonstrate the superior performance of LEDRO as it outperforms our best baseline by an average of 13% FoM improvement with 2.15x speed-up on low complexity Op-Amps and 48% FoM improvement with 1.7x speed-up on high complexity Op-Amps. This highlights LEDRO's effective performance, efficiency, and generalizability.
• Abstract（参考訳）: アナログ回路を設計する従来のアプローチは時間を要するものであり、人間の専門知識を必要とする。 Bayesian Optimization (BO) や Reinforcement Learning (RL) といった手法を使った既存の自動化作業は、さまざまなトポロジや技術ノードをまたいで一般化するために、サブ最適でコストがかかる。 そこで本研究では,Large Language Models (LLMs) と協調して,アナログ回路サイズの設計空間を反復的に洗練するための新しいアプローチ LEDRO を提案する。 LEDROは、他のRLやBOベースラインと比較して非常に一般化可能であり、異なるトポロジや技術ノードの設計アノテーションやモデルトレーニングは不要である。 提案するフレームワークとベースラインを4つのFinFET技術ノードにまたがる22種類のOP-Ampトポロジで包括的に評価する。 結果,LEDROは平均13%のFoM改善,2.15倍のOp-Amp,48%のFoM改善,1.7倍のOp-Ampを向上した。 これはLEDROの効果的な性能、効率、一般化性を強調している。

関連論文リスト

• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• STAR: Synthesis of Tailored Architectures [61.080157488857516]
  本稿では, 適合型アーキテクチャ (STAR) の新規な合成手法を提案する。 提案手法は線形入力可変系の理論に基づく新しい探索空間を結合し,階層的な数値エンコーディングをアーキテクチャゲノムに支持する。STARゲノムは,複数のモデル品質と効率の指標に最適化するために,勾配のない進化的アルゴリズムで自動的に精製・組換えされる。 STARを用いて、多種多様な計算単位と相互接続パターンを活用し、品質、パラメータサイズ、および自動回帰言語モデリングのための推論キャッシュのフロンティアにおける高度に最適化されたトランスフォーマーとストライプハイブリッドモデルを改善する。
  論文  参考訳（メタデータ） (2024-11-26T18:42:42Z)
• Multiobjective Vehicle Routing Optimization with Time Windows: A Hybrid Approach Using Deep Reinforcement Learning and NSGA-II [52.083337333478674]
  本稿では、時間窓を用いた多目的車両ルーティング問題(MOVRPTW)に対処するために、ウェイト・アウェア・ディープ・強化学習(WADRL)手法を提案する。 WADRLの結果を最適化するために非支配的ソート遺伝的アルゴリズム-II (NSGA-II) 法を用いる。
  論文  参考訳（メタデータ） (2024-07-18T02:46:06Z)
• CIRCUITSYNTH: Leveraging Large Language Models for Circuit Topology Synthesis [7.131266114437393]
  有効な回路トポロジの自動合成を容易にするためにLCMを利用する新しい手法であるCIRCUITSYNTHを導入する。 提案手法は,回路効率の向上と出力電圧の特定を目的とした今後の研究の基盤となる。
  論文  参考訳（メタデータ） (2024-06-06T01:59:59Z)
• Automated Design and Optimization of Distributed Filtering Circuits via Reinforcement Learning [20.500468654567033]
  そこで本研究では,DFC設計のための新しいエンドツーエンド自動手法を提案する。 提案手法は強化学習(RL)アルゴリズムを利用して,技術者の設計経験への依存を解消する。 本手法は, 複雑もしくは急速に発展するDFCの設計において, 優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-02-22T02:36:14Z)
• Energy Efficiency Maximization in IRS-Aided Cell-Free Massive MIMO System [2.9081408997650375]
  本稿では、入射点におけるビームフォーミングとIRSにおける位相シフトを共同最適化してエネルギー効率(EE)を最大化する、インテリジェント反射面(IRS)を用いたセルレス大規模マルチインプット多重出力システムについて考察する。 EE問題を解くために,2次変換とラグランジアン双対変換を用いて最適ビームフォーミングと位相シフトを求める反復最適化アルゴリズムを提案する。 さらに,共同ビームフォーミングと位相シフト設計のための深層学習に基づくアプローチを提案する。具体的には,教師なし学習方式を用いて2段階の深層ニューラルネットワークをオフラインでトレーニングし,オンラインに展開する。
  論文  参考訳（メタデータ） (2022-12-24T14:58:15Z)
• Domain Knowledge-Infused Deep Learning for Automated Analog/Radio-Frequency Circuit Parameter Optimization [6.599793419469274]
  本稿では,アナログ回路パラメータの最適化を自動化する強化学習手法を提案する。 これはアナログ回路設計のドメイン知識に依存する人間の専門家にインスパイアされている。 模範回路の実験結果から, 既存の最適性能手法の人間レベルの設計精度 (99%) 1.5倍の効率を達成できた。
  論文  参考訳（メタデータ） (2022-04-27T13:58:51Z)
• DNN-Opt: An RL Inspired Optimization for Analog Circuit Sizing using Deep Neural Networks [8.594866288023036]
  本稿では、アナログ回路サイズ化のための強化学習インスパイアされたディープニューラルネットワーク(DNN)に基づくブラックボックス最適化フレームワークを提案する。 我々の知る限りでは、DNNベースの回路サイズを産業規模の回路に適用するのはこれが初めてである。
  論文  参考訳（メタデータ） (2021-10-01T04:44:06Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。