論文の概要: PrefixAgent: An LLM-Powered Design Framework for Efficient Prefix Adder Optimization

• arxiv url: http://arxiv.org/abs/2507.06127v1
• Date: Tue, 08 Jul 2025 16:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.335234
• Title: PrefixAgent: An LLM-Powered Design Framework for Efficient Prefix Adder Optimization
• Title（参考訳）: PrefixAgent: 効率的なプレフィックスアダ最適化のためのLLM駆動設計フレームワーク
• Authors: Dongsheng Zuo, Jiadong Zhu, Yang Luo, Yuzhe Ma,
• Abstract要約: PrefixAgentは、大きな言語モデル(LLM)を使った、効率的なプレフィックス加算器最適化のためのフレームワークである。 バックボーン合成や構造改善を含むサブタスクに問題を再構成し、探索空間を効果的に削減する。 実験の結果,PrefixAgentはベースライン法に比べて一定の面積のプレフィックス加算器を合成することがわかった。
• 参考スコア（独自算出の注目度）: 11.652417515791633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prefix adders are fundamental arithmetic circuits, but their design space grows exponentially with bit-width, posing significant optimization challenges. Previous works face limitations in performance, generalization, and scalability. To address these challenges, we propose PrefixAgent, a large language model (LLM)-powered framework that enables efficient prefix adder optimization. Specifically, PrefixAgent reformulates the problem into subtasks including backbone synthesis and structure refinement, which effectively reduces the search space. More importantly, this new design perspective enables us to efficiently collect enormous high-quality data and reasoning traces with E-graph, which further results in an effective fine-tuning of LLM. Experimental results show that PrefixAgent synthesizes prefix adders with consistently smaller areas compared to baseline methods, while maintaining scalability and generalization in commercial EDA flows.
• Abstract（参考訳）: プリフィックス加算器は基本的な演算回路であるが、設計空間はビット幅で指数関数的に成長し、重要な最適化課題を呈する。 これまでの作業は、パフォーマンス、一般化、スケーラビリティの制限に直面していた。 これらの課題に対処するため,大規模言語モデル(LLM)を利用した効率的なプレフィックスアプタ最適化を実現するPrefixAgentを提案する。 具体的には、PrefixAgentは問題をバックボーン合成や構造改善を含むサブタスクに再構成し、探索空間を効果的に削減する。 さらに、この新たな設計視点により、Eグラフによる膨大な高品質なデータと推論トレースを効率よく収集することができ、LLMを効果的に微調整することが可能になる。 実験の結果,PrefixAgentは,商用EDAフローのスケーラビリティと一般化を維持しつつ,ベースライン法に比べて一定の面積のプレフィックス加算器を合成することがわかった。

関連論文リスト

• Hierarchical Verification of Speculative Beams for Accelerating LLM Inference [0.0]
  階層的検証木(Hierarchical Verification Tree、HVT)は投機的ビーム復号化を高度に優先順位付けすることで再構成する新しいフレームワークである。 HVTは既存の投機的復号法を一貫して上回り、推論時間とエネルギー消費を大幅に削減する。 発見は、大規模言語モデル推論を加速するための新しい方向として階層的検証戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2025-07-30T02:58:03Z)
• Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
  Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。 Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
  論文  参考訳（メタデータ） (2025-05-26T09:46:50Z)
• MAO: Efficient Model-Agnostic Optimization of Prompt Tuning for Vision-Language Models [37.85176585188362]
  即時チューニングのためのモデル非依存最適化(MAO)を提案する。 データ駆動型拡張フレームワークを導入し、初期データの分散を最適化する。 タスク固有の機能処理パイプラインを強化するために、Alterable Regularizationモジュールを組み込んだ。
  論文  参考訳（メタデータ） (2025-03-23T17:59:33Z)
• Towards Efficient Optimizer Design for LLM via Structured Fisher Approximation with a Low-Rank Extension [16.037614012166063]
  本稿では,Fisher InformationMatrix (FIM) のレンズによる効率的な近似の体系設計に向けて一歩進める。 我々は、多くの最先端の効率的な近似を(フロベニウスノルムの下で)特定の構造的仮定を持つFIMの解と見なせることを示した。 一般性と効率性のバランスをとるための構造的仮定を慎重に選択することを含む,LLMの実用的効率に関する2つの設計勧告を提案する。
  論文  参考訳（メタデータ） (2025-02-11T18:27:19Z)
• In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement [71.60563181678323]
  大規模言語モデル(LLM)は様々なタスクで大きな成功を収めており、生成品質をさらに向上させるためには微調整が必要である場合もある。 これらの課題に対処する直接的な解決策は、教師なしの下流タスクから高信頼のデータを生成することである。 本稿では,プロンプトと全体的な擬似スーパービジョンを両立させる新しい手法,擬似教師付きデモアライメント・アライメント・アライメント・プロンプト・最適化(PAPO)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-04T03:39:28Z)
• Revisiting Zeroth-Order Optimization for Memory-Efficient LLM Fine-Tuning: A Benchmark [166.40879020706151]
  本稿では、微調整時のメモリコスト低減のためのソリューションとして、BPフリーゼロオーダー最適化(ZO)への移行を提案する。 従来のZO-SGD法とは異なり、我々の研究はより広い範囲のZO最適化手法に探索を広げる。 本研究は,タスクアライメントの重要性,前方勾配法の役割,アルゴリズムの複雑さと微調整性能のバランスについて,これまで見過ごされてきた最適化原理を明らかにした。
  論文  参考訳（メタデータ） (2024-02-18T14:08:48Z)
• PhaseEvo: Towards Unified In-Context Prompt Optimization for Large Language Models [9.362082187605356]
  本稿では、LLMの生成能力と進化アルゴリズムのグローバル検索能力を組み合わせた効率的な自動プロンプト最適化フレームワークであるPhaseEvoについて述べる。 PhaseEvoは、優れた効率を維持しながら、最先端のベースライン手法を大きなマージンで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-02-17T17:47:10Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• Adaptive Inference through Early-Exit Networks: Design, Challenges and Directions [80.78077900288868]
  初期のネットワークの設計手法をその重要コンポーネントに分解し、各コンポーネントの最近の進歩を調査する。 我々は、他の効率的な推論ソリューションと早期に競合する立場をとり、この分野の研究における現在の課題と最も有望な今後の方向性についての洞察を提供する。
  論文  参考訳（メタデータ） (2021-06-09T12:33:02Z)
• High-Dimensional Bayesian Optimization via Tree-Structured Additive Models [40.497123136157946]
  変数の重複部分集合を持つ低次元関数を合成して高次元目標関数をモデル化する一般化加法モデルを検討する。 私たちの目標は、必要な計算リソースを減らし、より高速なモデル学習を促進することです。 我々は,合成関数と実世界のデータセットに関する様々な実験を通して,本手法の有効性を実証し,議論する。
  論文  参考訳（メタデータ） (2020-12-24T03:56:44Z)
• Efficient Semantic Image Synthesis via Class-Adaptive Normalization [116.63715955932174]
  クラス適応正規化(CLADE)は、セマンティッククラスにのみ適応する軽量かつ等価なバリアントである。 セマンティクスレイアウトから計算したクラス内位置マップエンコーディングを導入し,cladeの正規化パラメータを変調する。 提案されたCLADEは異なるSPADEベースのメソッドに一般化し、SPADEと比較して同等の生成品質を達成できる。
  論文  参考訳（メタデータ） (2020-12-08T18:59:32Z)

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。