論文の概要: AnalogCoder-Pro: Unifying Analog Circuit Generation and Optimization via Multi-modal LLMs
- arxiv url: http://arxiv.org/abs/2508.02518v1
- Date: Mon, 04 Aug 2025 15:25:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:22.404261
- Title: AnalogCoder-Pro: Unifying Analog Circuit Generation and Optimization via Multi-modal LLMs
- Title（参考訳）: AnalogCoder-Pro:マルチモーダルLCMによるアナログ回路生成と最適化
- Authors: Yao Lai, Souradip Poddar, Sungyoung Lee, Guojin Chen, Mengkang Hu, Bei Yu, Ping Luo, David Z. Pan,
- Abstract要約: 大きな言語モデル(LLM)はアナログ設計の自動化に新たな約束をもたらした。
本稿では,生成機能と最適化技術を統合する統合フレームワークであるAnalogCoder-Proを提案する。
これらの手法はアナログ回路設計の成功率を大幅に向上し,回路性能を向上することを示す。
- 参考スコア（独自算出の注目度）: 30.598442053557896
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Despite advances in analog design automation, analog front-end design still heavily depends on expert intuition and iterative simulations, underscoring critical gaps in fully automated optimization for performance-critical applications. Recently, the rapid development of Large Language Models (LLMs) has brought new promise to analog design automation. However, existing work remains in its early stages, and holistic joint optimization for practical end-to-end solutions remains largely unexplored. We propose AnalogCoder-Pro, a unified multimodal LLM-based framework that integrates generative capabilities and optimization techniques to jointly explore circuit topologies and optimize device sizing, automatically generating performance-specific, fully sized schematic netlists. AnalogCoder-Pro employs rejection sampling for fine-tuning LLMs on high-quality synthesized circuit data and introduces a multimodal diagnosis and repair workflow based on functional specifications and waveform images. By leveraging LLMs to interpret generated circuit netlists, AnalogCoder-Pro automates the extraction of critical design parameters and the formulation of parameter spaces, establishing an end-to-end workflow for simultaneous topology generation and device sizing optimization. Extensive experiments demonstrate that these orthogonal approaches significantly improve the success rate of analog circuit design and enhance circuit performance.
- Abstract（参考訳）: アナログ設計自動化の進歩にもかかわらず、アナログフロントエンド設計は依然として専門家の直感と反復的なシミュレーションに大きく依存しており、パフォーマンスクリティカルなアプリケーションに対する完全自動化の最適化において重要なギャップを過小評価している。
最近、LLM(Large Language Models)の急速な開発が、アナログ設計の自動化に新たな約束をもたらした。
しかし、既存の研究はまだ初期段階にあり、実用的なエンドツーエンドソリューションに対する総合的な共同最適化はほとんど未検討のままである。
我々はAnalogCoder-Proを提案する。AnalogCoder-Proは、生成機能と最適化技術を統合し、回路トポロジを共同で探索し、デバイスサイズを最適化し、パフォーマンス固有の完全サイズのスキーマネットリストを自動生成する。
AnalogCoder-Proは、高品質な合成回路データに基づく微調整LDMのリジェクションサンプリングを採用し、機能仕様と波形画像に基づくマルチモーダル診断と修復のワークフローを導入している。
生成したサーキットネットリストの解釈にLLMを活用することで、AnalogCoder-Proは重要な設計パラメータの抽出とパラメータ空間の定式化を自動化し、同時にトポロジ生成とデバイスサイズ最適化のためのエンドツーエンドワークフローを確立する。
これらの直交的アプローチがアナログ回路設計の成功率を大幅に向上し、回路性能が向上することを示した。
関連論文リスト
- GENIAL: Generative Design Space Exploration via Network Inversion for Low Power Algorithmic Logic Units [1.5845117761091052]
本稿では,算術単位の自動生成と最適化のための機械学習ベースのフレームワークであるGENIALを紹介する。
我々は、ジェネリックは他の方法よりも一貫してサンプリング効率が高く、最適化された設計に向けてより高速に収束することを示した。
また、有限状態マシンの大幅な改善によって、我々のアプローチの汎用性を示す。
論文 参考訳（メタデータ） (2025-07-25T06:34:59Z) - CROP: Circuit Retrieval and Optimization with Parameter Guidance using LLMs [4.481239665281804]
本稿では,最初の大規模言語モデル(LLM)を用いた自動VLSI設計フローチューニングフレームワークであるCROPを提案する。
提案手法は,(1)RTLソースコードを高密度ベクトル表現に変換するスケーラブルな手法,(2)意味的に類似した回路と設計をマッチングする埋め込み型検索システム,(3)検索強化型LLM誘導パラメータ探索システムを含む。
実験の結果、CROPのQoR(Quality-of-Results)の能力は、工業設計における既存のアプローチよりも少ないイテレーションで達成され、消費電力は9.9%削減された。
論文 参考訳（メタデータ） (2025-07-02T20:25:47Z) - Leveraging Importance Sampling to Detach Alignment Modules from Large Language Models [50.19188692497892]
伝統的なアライメント手法では、しばしば大きな事前訓練されたモデルを再訓練する必要がある。
本稿では,アライメント処理を重要サンプリングの一種として形式化する新しいtextitResidual Alignment Model (textitRAM) を提案する。
本稿では,トークンレベルの復号化を反復的に行う再サンプリングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2025-05-26T08:53:02Z) - AI-Powered Agile Analog Circuit Design and Optimization [6.380907373534062]
AI技術は、デバイスレベルのチューニングを自動化し、システムレベルの共最適化を可能にすることで、アナログ回路設計を変換している。
統合された洞察は、AIがアナログパフォーマンスをどのように改善し、設計の労力を削減し、アナログコンポーネントとアプリケーションレベルのメトリクスを共同で最適化できるかを強調している。
論文 参考訳（メタデータ） (2025-04-17T05:56:14Z) - 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) - Logic Synthesis Optimization with Predictive Self-Supervision via Causal Transformers [19.13500546022262]
LSOformerは、自動回帰トランスフォーマーモデルと予測SSLを利用して、結果の質の軌道(QoR)を予測する新しいアプローチである。
LSOformerは、クロスアテンションモジュールを統合して、回路グラフと最適化シーケンスからの洞察をマージし、QoRメトリクスの予測精度を向上させる。
論文 参考訳（メタデータ） (2024-09-16T18:45:07Z) - INSIGHT: Universal Neural Simulator for Analog Circuits Harnessing Autoregressive Transformers [13.94505840368669]
INSIGHTはアナログフロントエンド設計自動化ループにおける効果的なユニバーサルニューラルネットワークシミュレータである。
アナログ回路の性能指標を数マイクロ秒の推論時間で正確に予測する。
論文 参考訳（メタデータ） (2024-07-10T03:52:53Z) - 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) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - Proximal Policy Optimization-based Transmit Beamforming and Phase-shift
Design in an IRS-aided ISAC System for the THz Band [90.45915557253385]
テラヘルツ(THz)帯で動作するIRS支援統合センシング・通信(ISAC)システムを提案し,システム容量を最大化する。
透過ビームフォーミングと位相シフト設計はエルゴード制約を伴う普遍最適化問題に変換される。
論文 参考訳（メタデータ） (2022-03-21T09:15:18Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳（メタデータ） (2021-05-06T02:22:23Z)
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。