論文の概要: A Large Language Model-based Multi-Agent Framework for Analog Circuits' Sizing Relationships Extraction

• arxiv url: http://arxiv.org/abs/2506.18424v1
• Date: Mon, 23 Jun 2025 09:03:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.915463
• Title: A Large Language Model-based Multi-Agent Framework for Analog Circuits' Sizing Relationships Extraction
• Title（参考訳）: アナログ回路サイズ関係抽出のための大規模言語モデルに基づくマルチエージェントフレームワーク
• Authors: Chengjie Liu, Weiyu Chen, Huiyao Xu, Yuan Du, Jun Yang, Li Du,
• Abstract要約: 本稿では,学術論文から抽出したアナログ回路のサイズ関係のための大規模言語モデル(LLM)に基づくマルチエージェントフレームワークを提案する。 3種類の回路でテストを行い、最適化効率を2.32 sim 26.6 倍に改善した。
• 参考スコア（独自算出の注目度）: 15.623880398190103
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the design process of the analog circuit pre-layout phase, device sizing is an important step in determining whether an analog circuit can meet the required performance metrics. Many existing techniques extract the circuit sizing task as a mathematical optimization problem to solve and continuously improve the optimization efficiency from a mathematical perspective. But they ignore the automatic introduction of prior knowledge, fail to achieve effective pruning of the search space, which thereby leads to a considerable compression margin remaining in the search space. To alleviate this problem, we propose a large language model (LLM)-based multi-agent framework for analog circuits' sizing relationships extraction from academic papers. The search space in the sizing process can be effectively pruned based on the sizing relationship extracted by this framework. Eventually, we conducted tests on 3 types of circuits, and the optimization efficiency was improved by $2.32 \sim 26.6 \times$. This work demonstrates that the LLM can effectively prune the search space for analog circuit sizing, providing a new solution for the combination of LLMs and conventional analog circuit design automation methods.
• Abstract（参考訳）: アナログ回路プリレイアウトフェーズの設計プロセスにおいて、アナログ回路が要求される性能指標を満たすことができるかどうかを決定する上で、デバイスサイズ化は重要なステップである。 既存の多くの技術は、数理的な観点から最適化効率を継続的に改善する数学的最適化問題として回路サイズタスクを抽出する。 しかし、彼らは事前知識の自動導入を無視し、検索空間を効果的に刈り取ることができず、それによって検索空間にかなりの圧縮マージンが残ることになる。 この問題を軽減するために,学術論文から抽出したアナログ回路のサイズ関係を分類するための大規模言語モデル(LLM)に基づくマルチエージェントフレームワークを提案する。 このフレームワークにより抽出されたサイズ関係に基づいて、サイズ化過程における探索空間を効果的に切断することができる。 最終的に3種類の回路の実験を行い、最適化効率を2.32 \sim 26.6 \times$で改善した。 本研究は、LLMがアナログ回路サイズを求める探索空間を効果的に作成できることを示し、LLMと従来のアナログ回路設計自動化手法を組み合わせた新しいソリューションを提供する。

関連論文リスト

• Tiered Acquisition for Constrained Bayesian Optimization: An Application to Analog Circuits [5.353688923855625]
  本稿では,獲得関数の結合アンサンブルを用いたベイズ最適化アルゴリズムを提案する。 この方法は、65nmの2段ミラー補償動作増幅器の利得と面積最適化に有効である。 頑健なベースラインと最先端のアルゴリズムと比較して、制約違反を最大38%削減し、目標目標を最大43%改善する。
  論文  参考訳（メタデータ） (2024-12-23T07:41:43Z)
• Automated Placement of Analog Integrated Circuits using Priority-based Constructive Heuristic [0.0]
  われわれは,いわゆるポケット,合併の可能性,デバイス間のパラメトリジブルな最小距離を必要とする,特定の種類のアナログ配置に注目した。 我々の解は回路の境界ボックスの周長と近似ワイヤ長を最小化する。 本手法は,手作業による設計を伴い,合成された産業事例と実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実物実
  論文  参考訳（メタデータ） (2024-10-18T07:16:59Z)
• Finding Transformer Circuits with Edge Pruning [71.12127707678961]
  自動回路発見の効率的かつスケーラブルなソリューションとしてエッジプルーニングを提案する。 本手法は,従来の手法に比べてエッジ数の半分未満のGPT-2の回路を探索する。 その効率のおかげで、Edge PruningをCodeLlama-13Bにスケールしました。
  論文  参考訳（メタデータ） (2024-06-24T16:40:54Z)
• Machine Learning Driven Global Optimisation Framework for Analog Circuit Design [0.0]
  アナログ回路設計のための機械学習駆動最適化フレームワークを提案する。 最適化アルゴリズムを指向するために,機械学習モデルとスパイスシミュレーションを用いる。
  論文  参考訳（メタデータ） (2024-02-27T03:51:00Z)
• Adaptive Planning Search Algorithm for Analog Circuit Verification [53.97809573610992]
  シミュレーションの少ない機械学習(ML)アプローチを提案する。 提案手法により,OCCを全回路の仕様に近づけることができることを示す。
  論文  参考訳（メタデータ） (2023-06-23T12:57:46Z)
• Can SAM Boost Video Super-Resolution? [78.29033914169025]
  単純な有効モジュールであるSAM-guidEd refinEment Module (SEEM)を提案する。 この軽量プラグインモジュールは、セマンティック・アウェア機能の生成にアテンションメカニズムを活用するように設計されている。 我々はSEEMをEDVRとBasicVSRの2つの代表的手法に適用し、最小限の実装労力で継続的に性能を向上する。
  論文  参考訳（メタデータ） (2023-05-11T02:02:53Z)

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。