論文の概要: BBOPlace-Bench: Benchmarking Black-Box Optimization for Chip Placement

• arxiv url: http://arxiv.org/abs/2510.23472v1
• Date: Mon, 27 Oct 2025 16:10:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.605598
• Title: BBOPlace-Bench: Benchmarking Black-Box Optimization for Chip Placement
• Title（参考訳）: BBOPlace-Bench: チップ配置のためのブラックボックス最適化のベンチマーク
• Authors: Ke Xue, Ruo-Tong Chen, Rong-Xi Tan, Xi Lin, Yunqi Shi, Siyuan Xu, Mingxuan Yuan, Chao Qian,
• Abstract要約: チップ配置のためのブラックボックス最適化(BBO)は数十年の歴史がある。 近年の進歩はチップ配置におけるBBOの有効性と効率性を示している。 これらの進歩にもかかわらず、この分野には統合されたBBO固有のベンチマークが欠けている。 BBOPlace-Benchは、チップ配置タスクのためのBBOアルゴリズムの評価と開発に特化した最初のベンチマークである。
• 参考スコア（独自算出の注目度）: 37.42100258084977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chip placement is a vital stage in modern chip design as it has a substantial impact on the subsequent processes and the overall quality of the final chip. The use of black-box optimization (BBO) for chip placement has a history of several decades. However, early efforts were limited by immature problem formulations and inefficient algorithm designs. Recent progress has shown the effectiveness and efficiency of BBO for chip placement, proving its potential to achieve state-of-the-art results. Despite these advancements, the field lacks a unified, BBO-specific benchmark for thoroughly assessing various problem formulations and BBO algorithms. To fill this gap, we propose BBOPlace-Bench, the first benchmark designed specifically for evaluating and developing BBO algorithms for chip placement tasks. It integrates three problem formulations of BBO for chip placement, and offers a modular, decoupled, and flexible framework that enables users to seamlessly implement, test, and compare their own algorithms. BBOPlace-Bench integrates a wide variety of existing BBO algorithms, including simulated annealing (SA), evolutionary algorithms (EAs), and Bayesian optimization (BO). Experimental results show that the problem formulations of mask-guided optimization and hyperparameter optimization exhibit superior performance than the sequence pair problem formulation, while EAs demonstrate better overall performance than SA and BO, especially in high-dimensional search spaces, and also achieve state-of-the-art performance compared to the mainstream chip placement methods. BBOPlace-Bench not only facilitates the development of efficient BBO-driven solutions for chip placement but also broadens the practical application scenarios (which are urgently needed) for the BBO community. The code of BBOPlace-Bench is available at https://github.com/lamda-bbo/BBOPlace-Bench.
• Abstract（参考訳）: チップ配置は、その後のプロセスと最終チップの全体的な品質に大きな影響を与えるため、現代のチップ設計において重要な段階である。 チップ配置におけるブラックボックス最適化(BBO)の使用は、数十年の歴史がある。 しかし、初期の努力は未熟な問題定式化と非効率なアルゴリズム設計によって制限された。 近年の進歩は、チップ配置におけるBBOの有効性と効率を示し、最先端の結果を得る可能性を示している。 これらの進歩にもかかわらず、フィールドには様々な問題定式化とBBOアルゴリズムを徹底的に評価するための統合されたBBO固有のベンチマークが欠けている。 このギャップを埋めるために,チップ配置タスクのためのBBOアルゴリズムの評価と開発に特化した最初のベンチマークであるBBOPlace-Benchを提案する。 チップ配置のためのBBOの3つの問題の定式化を統合し、モジュール式で分離された柔軟なフレームワークを提供し、ユーザは自身のアルゴリズムをシームレスに実装し、テストし、比較することができる。 BBOPlace-Benchは、シミュレーションアニール(SA)、進化的アルゴリズム(EA)、ベイズ最適化(BO)など、さまざまな既存のBBOアルゴリズムを統合している。 実験の結果、マスク誘導最適化とハイパーパラメータ最適化の問題はシーケンスペア問題よりも優れた性能を示し、EAはSAやBOよりも総合的な性能を示し、特に高次元の探索空間では、メインストリームのチップ配置法よりも最先端のパフォーマンスを実現していることがわかった。 BBOPlace-Benchは、チップ配置のための効率的なBBO駆動ソリューションの開発を促進するだけでなく、BBOコミュニティのための実践的なシナリオ(緊急に必要とされる)を広げる。 BBOPlace-Benchのコードはhttps://github.com/lamda-bbo/BBOPlace-Benchで公開されている。

関連論文リスト

• Benchmarking End-To-End Performance of AI-Based Chip Placement Algorithms [77.71341200638416]
  ChiPBenchはAIベースのチップ配置アルゴリズムの有効性を評価するために設計されたベンチマークである。 評価のために、さまざまなドメイン(CPU、GPU、マイクロコントローラなど)から20の回路を集めました。 その結果, 単点アルゴリズムの中間距離が支配的であったとしても, 最終的なPPA結果は満足できないことがわかった。
  論文  参考訳（メタデータ） (2024-07-03T03:29:23Z)
• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• LABCAT: Locally adaptive Bayesian optimization using principal-component-aligned trust regions [0.0]
  信頼領域に基づくBOを拡張した LABCAT アルゴリズムを提案する。 このアルゴリズムは、最先端のBOや他のブラックボックス最適化アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-19T13:56:24Z)
• Optimizing with Low Budgets: a Comparison on the Black-box Optimization Benchmarking Suite and OpenAI Gym [2.511157007295545]
  Black-box Optimization (BO)アルゴリズムは機械学習(ML)で人気がある MLのためのBBOツールと、より古典的なCOCOの比較を行う。 BBOコミュニティのアルゴリズムの中には、MLタスクで驚くほどうまく機能するものもある。
  論文  参考訳（メタデータ） (2023-09-29T18:33:10Z)

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。