論文の概要: AiEDA: An Open-Source AI-Aided Design Library for Design-to-Vector

• arxiv url: http://arxiv.org/abs/2511.05823v1
• Date: Sat, 08 Nov 2025 03:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.600574
• Title: AiEDA: An Open-Source AI-Aided Design Library for Design-to-Vector
• Title（参考訳）: AiEDA:Design-to-VectorのためのAI支援設計ライブラリ
• Authors: Yihang Qiu, Zengrong Huang, Simin Tao, Hongda Zhang, Weiguo Li, Xinhua Lai, Rui Wang, Weiqiang Wang, Xingquan Li,
• Abstract要約: EDA(AI-EDA)インフラストラクチャの現在のAIは、設計実行からAI統合に至るまで、データパイプライン全体の包括的なソリューションを欠いている。 この研究は、これらの問題に対処するEDA(AiEDA)のための統一されたオープンソースライブラリを導入している。 AiEDAは、多様なチップ設計データを普遍的なマルチレベルベクトル表現に変換する複数の設計-ベクトルデータ表現技術を統合する。
• 参考スコア（独自算出の注目度）: 13.443294857996852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research has demonstrated that artificial intelligence (AI) can assist electronic design automation (EDA) in improving both the quality and efficiency of chip design. But current AI for EDA (AI-EDA) infrastructures remain fragmented, lacking comprehensive solutions for the entire data pipeline from design execution to AI integration. Key challenges include fragmented flow engines that generate raw data, heterogeneous file formats for data exchange, non-standardized data extraction methods, and poorly organized data storage. This work introduces a unified open-source library for EDA (AiEDA) that addresses these issues. AiEDA integrates multiple design-to-vector data representation techniques that transform diverse chip design data into universal multi-level vector representations, establishing an AI-aided design (AAD) paradigm optimized for AI-EDA workflows. AiEDA provides complete physical design flows with programmatic data extraction and standardized Python interfaces bridging EDA datasets and AI frameworks. Leveraging the AiEDA library, we generate iDATA, a 600GB dataset of structured data derived from 50 real chip designs (28nm), and validate its effectiveness through seven representative AAD tasks spanning prediction, generation, optimization and analysis. The code is publicly available at https://github.com/OSCC-Project/AiEDA, while the full iDATA dataset is being prepared for public release, providing a foundation for future AI-EDA research.
• Abstract（参考訳）: 近年の研究では、人工知能(AI)が電子設計自動化(EDA)を支援し、チップ設計の品質と効率を改善することが示されている。 しかし、現在のEDA(AI-EDA)インフラストラクチャは断片化されており、設計実行からAI統合に至るまで、データパイプライン全体の包括的なソリューションが欠如している。 主な課題は、生データを生成する分断フローエンジン、データ交換のための異種ファイルフォーマット、標準化されていないデータ抽出方法、整合性の低いデータストレージである。 この研究は、これらの問題に対処するEDA(AiEDA)のための統一されたオープンソースライブラリを導入している。 AiEDAは、多様なチップ設計データを普遍的なマルチレベルベクトル表現に変換する複数の設計からベクトルデータ表現技術を統合し、AI-EDAワークフローに最適化されたAI支援設計(AAD)パラダイムを確立する。 AiEDAは、プログラムデータ抽出と、EDAデータセットとAIフレームワークをブリッジする標準化されたPythonインターフェースを備えた、完全な物理設計フローを提供する。 AiEDAライブラリを活用することで、50個の実チップ設計(28nm)から得られた600GBの構造化データであるiDATAを生成し、予測、生成、最適化、分析にまたがる7つのAADタスクを通して、その有効性を検証する。 コードはhttps://github.com/OSCC-Project/AiEDAで公開されており、完全なiDATAデータセットはパブリックリリースに向けて準備されており、将来のAI-EDA研究の基礎を提供する。

関連論文リスト

• Agent Data Protocol: Unifying Datasets for Diverse, Effective Fine-tuning of LLM Agents [85.02904078131682]
  本稿では,エージェントデータセット間の"インターリングア"として機能する軽量表現言語であるエージェントデータプロトコル(ADP)を紹介する。 ADPはAPI/ツールの使用、ブラウジング、コーディング、ソフトウェアエンジニアリング、一般的なエージェントなど、さまざまなタスクを捉えるのに十分な表現力を持っている。 すべてのコードとデータが公開され、ADPが標準化され、スケーラブルで再現可能なエージェントトレーニングの障壁を低くすることを期待している。
  論文  参考訳（メタデータ） (2025-10-28T17:53:13Z)
• ForgeHLS: A Large-Scale, Open-Source Dataset for High-Level Synthesis [13.87691887333415]
  本稿では,機械学習(ML)駆動型HLS研究用に明示的に設計された大規模オープンソースデータセットであるForgeHLSを紹介する。 ForgeHLSは、広範囲のアプリケーションドメインをカバーする846のカーネルから生成される400万以上の多様な設計で構成されている。 既存のデータセットと比較して、ForgeHLSはスケール、多様性、設計カバレッジを大幅に向上する。
  論文  参考訳（メタデータ） (2025-07-04T02:23:46Z)
• DeepDiveAI: Identifying AI Related Documents in Large Scale Literature Data [4.870043547158868]
  本稿では,大規模文献データベースからAI関連文書を自動的に分類する手法を提案する。 データセット構築アプローチは、専門家の知識と高度なモデルの能力を統合する。
  論文  参考訳（メタデータ） (2024-08-23T07:05:12Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• OpenDataLab: Empowering General Artificial Intelligence with Open Datasets [53.22840149601411]
  本稿では,多様なデータソース間のギャップと統一データ処理の必要性を埋めるプラットフォームであるOpenDataLabを紹介する。 OpenDataLabは、幅広いオープンソースのAIデータセットを統合し、インテリジェントクエリと高速ダウンロードサービスを通じて、データ取得効率を向上させる。 我々は,OpenDataLabが人工知能(AGI)の研究を大幅に促進し,関連するAI分野の進歩を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-04T10:42:01Z)
• EDALearn: A Comprehensive RTL-to-Signoff EDA Benchmark for Democratized and Reproducible ML for EDA Research [7.754108359835169]
  我々はEDALearnを紹介した。EDALearnは、EDAの機械学習タスクに特化した、最初の包括的なオープンソースベンチマークスイートである。 このベンチマークスイートは、合成から物理実装までのエンドツーエンドのフローを示し、さまざまなステージにわたるデータ収集を強化する。 私たちの貢献はML-EDAドメインのさらなる進歩を促進することを目的としています。
  論文  参考訳（メタデータ） (2023-12-04T06:51:46Z)
• Zero-shot Composed Text-Image Retrieval [72.43790281036584]
  合成画像検索(CIR)の問題点を考察する。 テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
  論文  参考訳（メタデータ） (2023-06-12T17:56:01Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。