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

• Evolution of Benchmark: Black-Box Optimization Benchmark Design through Large Language Model [14.96004052012247]
  初期のベンチマークは主に人間によるものであり、専門家の偏見と多様性の制約を導入している。 大規模言語モデル(LLLL)によって強化された自動BBOベンチマークデザイナであるEoB(Evolution of Benchmark)を提案する。 このパラダイムの下で、EoBはLLLLを反復的にベンチマークプログラムの個体群を進化させ、ランドスケープとそれに対応するプログラムを共進化させるためにリフレクションベースのスキームを使用する。
  論文  参考訳（メタデータ） (2026-01-29T15:45:11Z)
• Dimensionality Reduction Techniques for Global Bayesian Optimisation [1.433758865948252]
  減次元部分空間におけるBOの実行に次元還元を適用した潜在空間ベイズ最適化について検討する。 我々は、より複雑なデータ構造や一般的なDRタスクを管理するために、変分オートエンコーダ(VAE)を使用している。 そこで本研究では,分子生成などのタスク用に設計され,より広い最適化目的のためにアルゴリズムを再構成する実装において,いくつかの重要な補正を提案する。
  論文  参考訳（メタデータ） (2024-12-12T11:27:27Z)
• 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)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• 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)
• Evidence that PUBO outperforms QUBO when solving continuous optimization problems with the QAOA [4.670374869377859]
  量子アルゴリズムによる最適化問題の解決における中核的なステップは、問題の定式化である。 近年の研究では、多くの問題を自然の多項式非制約最適化形式でより効率的に解けることが示されている。 適切なベンチマーク関数の評価では、PUBOの定式化は一般により良い結果をもたらすが、キュービットは少ない。
  論文  参考訳（メタデータ） (2023-05-05T09:37:48Z)
• Design-Bench: Benchmarks for Data-Driven Offline Model-Based Optimization [82.02008764719896]
  ブラックボックスモデルに基づく最適化問題は、タンパク質、DNA配列、航空機、ロボットの設計など、幅広い領域で広く使われている。 本稿では,統合評価プロトコルと最近の手法の参照実装を備えたオフラインMBOのためのベンチマークであるDesign-Benchを提案する。 私たちのベンチマークには、生物学、材料科学、ロボット工学における現実世界の最適化問題から派生した、多種多様な現実的なタスクが含まれています。
  論文  参考訳（メタデータ） (2022-02-17T05:33:27Z)
• Near-linear Time Gaussian Process Optimization with Adaptive Batching and Resparsification [119.41129787351092]
  BBKBは非回帰GP最適化アルゴリズムで、ほぼ直線的に実行し、バッチで候補を選択する。 また,同じバウンダリを用いて,スパルスGP近似の更新コストを適応的に遅延させることで,ステップ毎の償却コストをほぼ一定に抑えることができることを示した。
  論文  参考訳（メタデータ） (2020-02-23T17:43:29Z)

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。