論文の概要: AnaFlow: Agentic LLM-based Workflow for Reasoning-Driven Explainable and Sample-Efficient Analog Circuit Sizing

• arxiv url: http://arxiv.org/abs/2511.03697v1
• Date: Wed, 05 Nov 2025 18:24:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.519724
• Title: AnaFlow: Agentic LLM-based Workflow for Reasoning-Driven Explainable and Sample-Efficient Analog Circuit Sizing
• Title（参考訳）: AnaFlow: Reasoning-Driven Explainable and Sample-Efficient Analog Circuit SizeのためのエージェントLDMベースのワークフロー
• Authors: Mohsen Ahmadzadeh, Kaichang Chen, Georges Gielen,
• Abstract要約: サンプル効率と説明可能なアナログ回路サイズのための新しいエージェントAIフレームワークを提案する。 AnaFlowフレームワークは、複雑さの異なる2つの回路で実証されており、サイズタスクを完全に完了することができる。 固有の説明可能性により、アナログ設計空間探索の強力なツールとなり、アナログEDAの新しいパラダイムとなる。
• 参考スコア（独自算出の注目度）: 1.2617078020344616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analog/mixed-signal circuits are key for interfacing electronics with the physical world. Their design, however, remains a largely handcrafted process, resulting in long and error-prone design cycles. While the recent rise of AI-based reinforcement learning and generative AI has created new techniques to automate this task, the need for many time-consuming simulations is a critical bottleneck hindering the overall efficiency. Furthermore, the lack of explainability of the resulting design solutions hampers widespread adoption of the tools. To address these issues, a novel agentic AI framework for sample-efficient and explainable analog circuit sizing is presented. It employs a multi-agent workflow where specialized Large Language Model (LLM)-based agents collaborate to interpret the circuit topology, to understand the design goals, and to iteratively refine the circuit's design parameters towards the target goals with human-interpretable reasoning. The adaptive simulation strategy creates an intelligent control that yields a high sample efficiency. The AnaFlow framework is demonstrated for two circuits of varying complexity and is able to complete the sizing task fully automatically, differently from pure Bayesian optimization and reinforcement learning approaches. The system learns from its optimization history to avoid past mistakes and to accelerate convergence. The inherent explainability makes this a powerful tool for analog design space exploration and a new paradigm in analog EDA, where AI agents serve as transparent design assistants.
• Abstract（参考訳）: アナログ/混合信号回路は、物理的世界とエレクトロニクスを相互接続するための鍵である。 しかし、その設計はほとんど手作りのプロセスであり、長い設計サイクルとエラーを起こしている。 最近のAIベースの強化学習と生成AIは、このタスクを自動化する新しいテクニックを生み出しているが、多くの時間を要するシミュレーションの必要性は、全体的な効率を妨げる重要なボトルネックである。 さらに、結果として得られる設計ソリューションの説明可能性の欠如は、ツールの普及を妨げている。 これらの問題に対処するために、サンプル効率と説明可能なアナログ回路サイズのための新しいエージェントAIフレームワークを提案する。 特殊なLarge Language Model(LLM)ベースのエージェントが協調して回路トポロジを解釈し、設計目標を理解し、人間の解釈可能な推論によってターゲット目標に向けて回路の設計パラメータを反復的に洗練する、マルチエージェントワークフローを採用している。 適応シミュレーション戦略は、高いサンプル効率をもたらすインテリジェントな制御を生成する。 AnaFlowフレームワークは、複雑さの異なる2つの回路に対して実証されており、純粋なベイズ最適化と強化学習アプローチとは違い、サイズタスクを完全に完了することができる。 システムは、過去のミスを避け、収束を加速するために、最適化履歴から学習する。 アナログデザイン空間探索のための強力なツールであり、AIエージェントが透明なデザインアシスタントとして機能するアナログEDAの新しいパラダイムである。

関連論文リスト

• Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
  大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。 これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。 また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
  論文  参考訳（メタデータ） (2025-08-12T09:45:19Z)
• AnalogCoder-Pro: Unifying Analog Circuit Generation and Optimization via Multi-modal LLMs [40.14708895187017]
  本稿では,多モーダル大規模言語モデル(LLM)フレームワークであるAnalogCoder-Proについて述べる。 このフレームワークは、シミュレーションエラーメッセージと波形画像を使って自動で設計エラーを補正するマルチモーダルな診断・修復フィードバックループを備えている。 13種類の回路を網羅したベンチマークスイートで、AnalogCoder-Proは28個の回路を設計し、既存のLCMベースの手法よりも一貫して性能を向上した。
  論文  参考訳（メタデータ） (2025-08-04T15:25:48Z)
• 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 [5.611060564629618]
  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)
• AUTOCIRCUIT-RL: Reinforcement Learning-Driven LLM for Automated Circuit Topology Generation [6.2730802180534155]
  AUTOCIRCUIT-RLは、アナログ回路の自動合成のための新しい強化学習ベースのフレームワークである。 有効回路は12%増加し、最高のベースラインに比べて効率が14%向上する。 トレーニングデータに制限のある有効な回路で60%以上の成功を達成し、強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-06-03T17:54:30Z)
• 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)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。