論文の概要: Report for NSF Workshop on AI for Electronic Design Automation

• arxiv url: http://arxiv.org/abs/2601.14541v1
• Date: Tue, 20 Jan 2026 23:45:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.184288
• Title: Report for NSF Workshop on AI for Electronic Design Automation
• Title（参考訳）: NSF Workshop on AI for Electronic Design Automation 参加報告
• Authors: Deming Chen, Vijay Ganesh, Weikai Li, Yingyan, Lin, Yong Liu, Subhasish Mitra, David Z. Pan, Ruchir Puri, Jason Cong, Yizhou Sun,
• Abstract要約: 本報告は、電子設計自動化のためのAIワークショップ(NSF Workshop on AI for Electronic Design Automation, EDA)の議論とレコメンデーションを精査するものである。 機械学習とEDAを専門とするワークショップでは、AIが拡張する大規模言語モデル(LLM)、グラフニューラルネットワーク(GNN)、強化学習(RL)、ニューロシンボリックメソッドなどについて調査した。 報告書では、AI/EDAコラボレーションの促進、EDAのための基礎的AIへの投資、堅牢なデータインフラストラクチャの開発、スケーラブルなコンピューティングインフラストラクチャの促進、ハードウェア設計の民主化と次世代ハードウェアシステムの実現のための労働力開発への投資をNSFが推奨している。
• 参考スコア（独自算出の注目度）: 50.16347379271179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This report distills the discussions and recommendations from the NSF Workshop on AI for Electronic Design Automation (EDA), held on December 10, 2024 in Vancouver alongside NeurIPS 2024. Bringing together experts across machine learning and EDA, the workshop examined how AI-spanning large language models (LLMs), graph neural networks (GNNs), reinforcement learning (RL), neurosymbolic methods, etc.-can facilitate EDA and shorten design turnaround. The workshop includes four themes: (1) AI for physical synthesis and design for manufacturing (DFM), discussing challenges in physical manufacturing process and potential AI applications; (2) AI for high-level and logic-level synthesis (HLS/LLS), covering pragma insertion, program transformation, RTL code generation, etc.; (3) AI toolbox for optimization and design, discussing frontier AI developments that could potentially be applied to EDA tasks; and (4) AI for test and verification, including LLM-assisted verification tools, ML-augmented SAT solving, security/reliability challenges, etc. The report recommends NSF to foster AI/EDA collaboration, invest in foundational AI for EDA, develop robust data infrastructures, promote scalable compute infrastructure, and invest in workforce development to democratize hardware design and enable next-generation hardware systems. The workshop information can be found on the website https://ai4eda-workshop.github.io/.
• Abstract（参考訳）: このレポートは、2024年12月10日にバンクーバーで開催されたNSF Workshop on AI for Electronic Design Automation (EDA)から、NeurIPS 2024と共に議論とレコメンデーションを掘り下げるものである。 機械学習とEDAに専門家を集結させることで、ワークショップでは、AIが拡大する大規模言語モデル(LLM)、グラフニューラルネットワーク(GNN)、強化学習(RL)、ニューロシンボリックな方法などがEDAを促進し、設計のターンアラウンドを短縮する方法について検討した。 ワークショップには、(1)製造のための物理合成と設計のためのAI(DFM)、物理製造プロセスと潜在的なAI応用の課題について議論するAI、(2)高レベルかつ論理レベルの合成のためのAI(HLS/LLS)、プラグマ挿入、プログラム変換、RTLコード生成など、4つのテーマが含まれている。 (3) 最適化と設計のためのAIツールボックス、EDAタスクに適用可能なフロンティアAI開発、(4) LLM支援検証ツール、ML強化SAT解決、セキュリティ/信頼性問題など、テストと検証のためのAI。 報告書では、AI/EDAコラボレーションの促進、EDAのための基礎的AIへの投資、堅牢なデータインフラストラクチャの開発、スケーラブルなコンピューティングインフラストラクチャの促進、ハードウェア設計の民主化と次世代ハードウェアシステムの実現のための労働力開発への投資をNSFが推奨している。 ワークショップ情報はWebサイトhttps://ai4eda-workshop.github.io/で見ることができる。

関連論文リスト

• Can Artificial Intelligence Accelerate Technological Progress? Researchers' Perspectives on AI in Manufacturing and Materials Science [0.0]
  本稿は、AIおよび機械学習(ML)技術に経験した研究者を対象に、米国拠点の学術的製造・材料科学への32回のインタビューの結果を報告する。 インタビュアーは主に、材料や製造プロセスのモデリングにAIを使用し、材料や製造プロセスなどのデザインスペースのより安価で迅速な探索を可能にした。 インタビュアーは、AI/MLツールは、高密度データがすでに利用可能であるデザインスペースの外では信頼できない、古い研究手法と相まって熟練した司法的応用を必要とする、AI/MLツールは破壊的な理論的進歩の機会を有害に回避できる、と報告している。
  論文  参考訳（メタデータ） (2025-11-18T00:19:37Z)
• Engineering.ai: A Platform for Teams of AI Engineers in Computational Design [8.217119500224284]
  計算設計におけるAIエンジニアのチームのためのプラットフォームであるEngineering.aiを紹介します。 このフレームワークは階層的なマルチエージェントアーキテクチャを採用しており、チーフエンジニアが特殊エージェントをコーディネートする。 このシステムはFreeCAD、Gmsh、OpenFOAM、CalculiX、BPM音響解析を統合し、並列多分野シミュレーションを可能にする。
  論文  参考訳（メタデータ） (2025-10-31T08:00:48Z)
• How Software Engineers Engage with AI: A Pragmatic Process Model and Decision Framework Grounded in Industry Observations [1.516251872371896]
  GitHub CopilotとChatGPTが"バイブコーディング"を実施 本稿では2つの補完的貢献について述べる。 まず、現実世界のAI支援SEアクティビティをキャプチャする実用的なプロセスモデル。 第二に、2Dの意思決定フレームワークは、開発者が労力の節約と品質のアウトプットのトレードオフを判断するのに役立ちます。
  論文  参考訳（メタデータ） (2025-07-23T21:00:21Z)
• Report on NSF Workshop on Science of Safe AI [75.96202715567088]
  機械学習の新たな進歩は、社会問題に対する技術ベースのソリューションを開発する新たな機会につながっている。 AIの約束を果たすためには、正確でパフォーマンスが高く、安全で信頼性の高いAIベースのシステムを開発する方法に取り組む必要がある。 本報告はワークショップの安全性の異なる側面に対処した作業グループにおける議論の結果である。
  論文  参考訳（メタデータ） (2025-06-24T18:55:29Z)
• Exploring Gen-AI applications in building research and industry: A review [10.154329382433213]
  本稿では,建築業界におけるジェネレーティブAI(Gen-AI)技術の変革の可能性について検討する。 これらの先進的なAIツールを活用することで、自動コンプライアンスチェックや設計支援の構築など、主要な領域にわたるアプリケーションについて調査する。 この論文は、建築業界におけるGen-AIの現在の能力に関する包括的分析で締めくくっている。
  論文  参考訳（メタデータ） (2024-10-01T21:59:08Z)
• Networking Systems for Video Anomaly Detection: A Tutorial and Survey [55.28514053969056]
  ビデオ異常検出(VAD)は人工知能(AI)コミュニティにおける基本的な研究課題である。 ディープラーニングとエッジコンピューティングの進歩により、VADは大きな進歩を遂げた。 この記事では、NSVADの初心者向けの包括的なチュートリアルを紹介します。
  論文  参考訳（メタデータ） (2024-05-16T02:00:44Z)
• Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
  非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。 NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)

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。