論文の概要: GENIE-ASI: Generative Instruction and Executable Code for Analog Subcircuit Identification

• arxiv url: http://arxiv.org/abs/2508.19393v1
• Date: Tue, 26 Aug 2025 19:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.410572
• Title: GENIE-ASI: Generative Instruction and Executable Code for Analog Subcircuit Identification
• Title（参考訳）: genIE-ASI:アナログサブ回路同定のための生成命令と実行可能コード
• Authors: Phuoc Pham, Arun Venkitaraman, Chia-Yu Hsieh, Andrea Bonetti, Stefan Uhlich, Markus Leibl, Simon Hofmann, Eisaku Ohbuchi, Lorenzo Servadei, Ulf Schlichtmann, Robert Wille,
• Abstract要約: 本稿では,最初の学習自由大言語モデル(LLM)に基づくアナログサブ回路同定手法であるGENIE-ASIを提案する。 GENIE-ASIは2つのフェーズで動作する: 最初は、いくつかの実演例から自然言語命令を導出するためにコンテキスト内学習を使用し、次にこれらを実行可能なPythonコードに変換して、目に見えないSPICEネットリスト内のサブ回路を識別する。 実験結果から、GENIE-ASIは単純な構造上での規則に基づく性能と一致し、適度な抽象化において競争力を持ち、複雑なサブ回路上でもポテンシャルを示すことが示された。
• 参考スコア（独自算出の注目度）: 10.596711617836887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analog subcircuit identification is a core task in analog design, essential for simulation, sizing, and layout. Traditional methods often require extensive human expertise, rule-based encoding, or large labeled datasets. To address these challenges, we propose GENIE-ASI, the first training-free, large language model (LLM)-based methodology for analog subcircuit identification. GENIE-ASI operates in two phases: it first uses in-context learning to derive natural language instructions from a few demonstration examples, then translates these into executable Python code to identify subcircuits in unseen SPICE netlists. In addition, to evaluate LLM-based approaches systematically, we introduce a new benchmark composed of operational amplifier netlists (op-amps) that cover a wide range of subcircuit variants. Experimental results on the proposed benchmark show that GENIE-ASI matches rule-based performance on simple structures (F1-score = 1.0), remains competitive on moderate abstractions (F1-score = 0.81), and shows potential even on complex subcircuits (F1-score = 0.31). These findings demonstrate that LLMs can serve as adaptable, general-purpose tools in analog design automation, opening new research directions for foundation model applications in analog design automation.
• Abstract（参考訳）: アナログサブ回路識別は、アナログ設計における中核的なタスクであり、シミュレーション、サイズ、レイアウトに必須である。 従来の手法では、人間の専門知識、ルールベースのエンコーディング、あるいは大きなラベル付きデータセットを必要とすることが多い。 これらの課題に対処するため,最初の学習自由大言語モデル(LLM)に基づくアナログサブ回路同定手法であるGENIE-ASIを提案する。 GENIE-ASIは2つのフェーズで動作する: 最初は、いくつかの実演例から自然言語命令を導出するためにコンテキスト内学習を使用し、次にこれらを実行可能なPythonコードに変換して、目に見えないSPICEネットリスト内のサブ回路を識別する。 さらに, LLMに基づくアプローチを体系的に評価するために, 幅広いサブ回路変動をカバーするオペアンプネットリスト(オプトアンプ)からなる新しいベンチマークを導入する。 提案したベンチマーク実験の結果, GENIE-ASI は単純な構造上でのルールベース性能 (F1-score = 1.0) と一致し, 適度な抽象化 (F1-score = 0.81) と競合し, 複雑なサブ回路上でもポテンシャル (F1-score = 0.31) を示すことがわかった。 これらの結果から、LLMはアナログ設計自動化において適応的で汎用的なツールとして機能し、アナログ設計自動化における基礎モデル応用のための新たな研究方向を開くことができることが示された。

関連論文リスト

• Robust Hypothesis Generation: LLM-Automated Language Bias for Inductive Logic Programming [3.641087660577424]
  大規模言語モデル(LLM)とインダクティブ論理プログラミング(ILP)を組み合わせたマルチエージェントシステムを統合する新しいフレームワークを提案する。 我々のLLMエージェントは、構造化されたシンボル語彙(述語)と関係テンプレートを自律的に定義する。 多様な、挑戦的なシナリオの実験は、優れたパフォーマンスを検証し、自動化され、説明可能で、検証可能な仮説生成のための新しいパスを舗装する。
  論文  参考訳（メタデータ） (2025-05-27T17:53:38Z)
• Self-Steering Language Models [113.96916935955842]
  DisCIPL は "self-steering" 言語モデル (LM) の手法である。 DisCIPLは、Followerモデルの集団によって実行されるタスク固有の推論プログラムを生成する。 我々の研究は、高度に並列化されたモンテカルロ推論戦略の設計空間を開く。
  論文  参考訳（メタデータ） (2025-04-09T17:54:22Z)
• Adaptive Circuit Behavior and Generalization in Mechanistic Interpretability [3.138731415322007]
  GPT-2小領域における間接物体識別(IOI)回路の汎用性について検討する。 その結果、回路は驚くほどよく一般化し、全ての部品と機構を再利用し、入力エッジを追加するだけでよいことがわかった。
  論文  参考訳（メタデータ） (2024-11-25T05:32:34Z)
• Uncovering Intermediate Variables in Transformers using Circuit Probing [28.81226181942661]
  本稿では,仮説化中間変数を演算する低レベル回路を自動的に発見する回路探索手法を提案する。 本手法は,(1)モデルが学習したアルゴリズムの解読,(2)モデル内のモジュラ構造を明らかにすること,(3)学習中の回路の発達を追跡することなどにおいて,単純な算術課題で訓練されたモデルに適用する。
  論文  参考訳（メタデータ） (2023-11-07T21:27:17Z)
• Large Language Models as General Pattern Machines [64.75501424160748]
  我々は,事前訓練された大規模言語モデル (LLM) が,複雑なトークンシーケンスを自動回帰的に完了することを示す。 驚いたことに、語彙からランダムにサンプリングされたトークンを用いてシーケンスが表現された場合でも、パターン完了の習熟度を部分的に保持することができる。 本研究では,ロボット工学における問題に対して,これらのゼロショット機能がどのように適用されるかを検討する。
  論文  参考訳（メタデータ） (2023-07-10T17:32:13Z)
• Transformers as Statisticians: Provable In-Context Learning with In-Context Algorithm Selection [88.23337313766353]
  この研究はまず、変換器がICLを実行するための包括的な統計理論を提供する。 コンテクストにおいて、トランスフォーマーは、幅広い種類の標準機械学習アルゴリズムを実装可能であることを示す。 エンフィングル変換器は、異なるベースICLアルゴリズムを適応的に選択することができる。
  論文  参考訳（メタデータ） (2023-06-07T17:59:31Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Synthetic Datasets for Neural Program Synthesis [66.20924952964117]
  本稿では,プログラムと仕様の両方で合成データ分布のバイアスを制御し,評価するための新しい手法を提案する。 そこで我々は,Karel DSLと小さなCalculator DSLを用いて,これらの分布上でのディープネットワークのトレーニングにより,分散一般化性能が向上することが実証された。
  論文  参考訳（メタデータ） (2019-12-27T21:28:10Z)

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。