論文の概要: Evolution of Optimization Algorithms for Global Placement via Large Language Models

• arxiv url: http://arxiv.org/abs/2504.17801v1
• Date: Fri, 18 Apr 2025 09:57:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.499223
• Title: Evolution of Optimization Algorithms for Global Placement via Large Language Models
• Title（参考訳）: 大規模言語モデルによるグローバル配置最適化アルゴリズムの進化
• Authors: Xufeng Yao, Jiaxi Jiang, Yuxuan Zhao, Peiyu Liao, Yibo Lin, Bei Yu,
• Abstract要約: 本稿では,グローバル配置のための最適化アルゴリズムを進化させる自動フレームワークを提案する。 まず,大規模言語モデル(LLM)を用いて多種多様な候補アルゴリズムを生成する。 検出された最適化アルゴリズムは、多くのベンチマークで大幅に性能が向上した。
• 参考スコア（独自算出の注目度）: 18.373855320220887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimization algorithms are widely employed to tackle complex problems, but designing them manually is often labor-intensive and requires significant expertise. Global placement is a fundamental step in electronic design automation (EDA). While analytical approaches represent the state-of-the-art (SOTA) in global placement, their core optimization algorithms remain heavily dependent on heuristics and customized components, such as initialization strategies, preconditioning methods, and line search techniques. This paper presents an automated framework that leverages large language models (LLM) to evolve optimization algorithms for global placement. We first generate diverse candidate algorithms using LLM through carefully crafted prompts. Then we introduce an LLM-based genetic flow to evolve selected candidate algorithms. The discovered optimization algorithms exhibit substantial performance improvements across many benchmarks. Specifically, Our design-case-specific discovered algorithms achieve average HPWL improvements of \textbf{5.05\%}, \text{5.29\%} and \textbf{8.30\%} on MMS, ISPD2005 and ISPD2019 benchmarks, and up to \textbf{17\%} improvements on individual cases. Additionally, the discovered algorithms demonstrate good generalization ability and are complementary to existing parameter-tuning methods.
• Abstract（参考訳）: 最適化アルゴリズムは複雑な問題に対処するために広く使われているが、手動で設計することはしばしば労働集約的であり、かなりの専門知識を必要とする。 グローバル配置は電子設計自動化(EDA)の基本的なステップである。 解析的アプローチは、グローバルな配置における最先端(SOTA)を表現しているが、そのコア最適化アルゴリズムは、初期化戦略、プレコンディショニング手法、ラインサーチ技術など、ヒューリスティックとカスタマイズされたコンポーネントに大きく依存している。 本稿では,大規模言語モデル(LLM)を活用し,グローバル配置のための最適化アルゴリズムを進化させる自動フレームワークを提案する。 提案手法は,まずLLMを用いて多種多様な候補アルゴリズムを生成する。 次に、選択された候補アルゴリズムを進化させるために、LLMに基づく遺伝的フローを導入する。 検出された最適化アルゴリズムは、多くのベンチマークで大幅に性能が向上した。 具体的には, MMS, ISPD 2005 および ISPD2019 ベンチマークでは, 平均HPWL の改善が達成され, 個々のケースでは \textbf{5.05\%}, \text{5.29\%} および \textbf{8.30\%} が向上した。 さらに,本アルゴリズムは,既存のパラメータチューニング手法を補完し,優れた一般化能力を示す。

関連論文リスト

• Combinatorial Optimization for All: Using LLMs to Aid Non-Experts in Improving Optimization Algorithms [0.9668407688201361]
  大規模言語モデル(LLM)は最適化アルゴリズムのためのコード生成において顕著な可能性を示している。 本稿では,アルゴリズムをスクラッチから作成するのではなく,専門知識を必要とせずに既存のものを改善する方法について検討する。
  論文  参考訳（メタデータ） (2025-03-14T00:26:00Z)
• From Understanding to Excelling: Template-Free Algorithm Design through Structural-Functional Co-Evolution [39.42526347710991]
  大規模言語モデル(LLM)はアルゴリズム生成と最適化の自動化を大幅に加速した。 LLMに基づくエンドツーエンドのアルゴリズム生成と最適化フレームワークを提案する。 我々のアプローチは、LLMの深い意味理解を利用して、自然言語の要求や人間による論文をコードソリューションに変換する。
  論文  参考訳（メタデータ） (2025-03-13T08:26:18Z)
• Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
  オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。 我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。 実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-12T16:58:41Z)
• LLaMEA: A Large Language Model Evolutionary Algorithm for Automatically Generating Metaheuristics [0.023020018305241332]
  本稿では,Large Language Model Evolutionary Algorithm (LLaMEA) フレームワークを紹介する。 一連の基準とタスク定義(検索空間)が与えられた後、LLaMEAは反復的にアルゴリズムを生成し、変更し、選択する。 我々は,このフレームワークを用いて,新しいブラックボックスメタヒューリスティック最適化アルゴリズムを自動生成する方法を示す。
  論文  参考訳（メタデータ） (2024-05-30T15:10:59Z)
• Unleashing the Potential of Large Language Models as Prompt Optimizers: Analogical Analysis with Gradient-based Model Optimizers [108.72225067368592]
  本稿では,大規模言語モデル(LLM)に基づくプロンプトの設計について検討する。 モデルパラメータ学習における2つの重要な要素を同定する。 グラディエントにインスパイアされた Prompt ベースの GPO を開発した。
  論文  参考訳（メタデータ） (2024-02-27T15:05:32Z)

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。