論文の概要: White-Box Op-Amp Design via Human-Mimicking Reasoning

• arxiv url: http://arxiv.org/abs/2601.21321v1
• Date: Thu, 29 Jan 2026 06:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.622372
• Title: White-Box Op-Amp Design via Human-Mimicking Reasoning
• Title（参考訳）: 人体模倣推論によるホワイトボックスオプトアンプ設計
• Authors: Zihao Chen, Jiayin Wang, Ziyi Sun, Ji Zhuang, Jinyi Shen, Xiaoyue Ke, Li Shang, Xuan Zeng, Fan Yang,
• Abstract要約: 本稿では,大規模なエージェントの人間模倣推論に基づく解釈可能な動作増幅器(アンプ)設計フレームワークであるemphWhiteOpを提案する。 我々は、暗黙の人間の推論を、Emphtextbf仮説制約の明示的なステップにフォーマル化し、反復的で人間に似たEmphtextbhypothesis-decisionワークフローを開発する。
• 参考スコア（独自算出の注目度）: 13.620849219864569
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This brief proposes \emph{White-Op}, an interpretable operational amplifier (op-amp) parameter design framework based on the human-mimicking reasoning of large-language-model agents. We formalize the implicit human reasoning mechanism into explicit steps of \emph{\textbf{introducing hypothetical constraints}}, and develop an iterative, human-like \emph{\textbf{hypothesis-verification-decision}} workflow. Specifically, the agent is guided to introduce hypothetical constraints to derive and properly regulate positions of symbolically tractable poles and zeros, thus formulating a closed-form mathematical optimization problem, which is then solved programmatically and verified via simulation. Theory-simulation result analysis guides the decision-making for refinement. Experiments on 9 op-amp topologies show that, unlike the uninterpretable black-box baseline which finally fails in 5 topologies, White-Op achieves reliable, interpretable behavioral-level designs with only 8.52\% theoretical prediction error and the design functionality retains after transistor-level mapping for all topologies. White-Op is open-sourced at \textcolor{blue}{https://github.com/zhchenfdu/whiteop}.
• Abstract（参考訳）: 本稿では,大言語モデルエージェントの人間模倣推論に基づく,解釈可能な操作増幅器(op-amp)パラメータ設計フレームワークである \emph{White-Op} を提案する。 我々は,暗黙の人間の推論機構を,暗黙の「emph{\textbf{introducing hypothetical constraints}}」の明示的なステップにフォーマル化し,人間のような反復的な「emph{\textbf{hypothesis-verification-decision}}」ワークフローを開発する。 具体的には、記号的誘引可能な極と零点の位置を導出する仮説的制約を導入し、適切に制御することにより、クローズドフォームの数学的最適化問題を定式化し、プログラムで解き、シミュレーションによって検証する。 理論シミュレーションの結果分析は、洗練のための意思決定を導く。 9つのオプトアンプトポロジの実験では、最終的に5つのトポロジで失敗する解釈不能なブラックボックスベースラインとは異なり、ホワイトオフは8.52\%の理論的予測誤差しか持たない信頼性があり、全てのトポロジに対するトランジスタレベルのマッピングの後、設計機能が保持されることが示されている。 White-Op は \textcolor{blue}{https://github.com/zhchenfdu/whiteop} でオープンソース化されている。

関連論文リスト

• Thinking Before You Speak: A Proactive Test-time Scaling Approach [54.8205006555199]
  emphThinking Before You Speak (TBYS)という名前の推論フレームワークとして、私たちのアイデアを実装しています。 インテリジェンス生成のためのコンテキスト内サンプルを自動的に収集・フィルタリングするパイプラインを設計する。 挑戦的な数学的データセットの実験は、TBYSの有効性を検証する。
  論文  参考訳（メタデータ） (2025-08-26T03:43:32Z)
• Foundation Models for Logistics: Toward Certifiable, Conversational Planning Interfaces [59.80143393787701]
  大規模言語モデル(LLM)は不確実性に対処し、導入障壁を低くしながら再計画の加速を約束する。 本稿では,自然言語対話のアクセシビリティと目標解釈の検証可能な保証とを組み合わせたニューロシンボリック・フレームワークを提案する。 わずか100個の不確実性フィルタで微調整された軽量モデルは、GPT-4.1のゼロショット性能を上回り、推論遅延を50%近く削減する。
  論文  参考訳（メタデータ） (2025-07-15T14:24:01Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Learning Model Agnostic Explanations via Constraint Programming [8.257194221102225]
  解釈可能な機械学習は、不透明な分類器による予測を人間に理解可能な言葉で説明するという、繰り返し発生する課題に直面している。 本稿では,このタスクを制約最適化問題(Constraint Optimization Problem)として,入力データインスタンスの最小誤差と境界サイズの説明と,ブラックボックスが生成したサンプルの集合を求める。 提案手法は,様々なデータセット上で実証的に評価し,最先端のアンカー法よりも統計的に優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-13T09:55:59Z)
• Global Optimisation of Black-Box Functions with Generative Models in the Wasserstein Space [0.28675177318965045]
  ブラックボックスシミュレータの最適化はシミュレータや高次元では困難である。 我々は、パラメータ空間全体のブラックボックス応答をモデル化するために、深い生成的サロゲートアプローチを用いる。 次に、この知識を活用して、ワッサーシュタイン距離に基づいて提案された不確実性を推定する。
  論文  参考訳（メタデータ） (2024-07-16T17:09:47Z)
• Efficient Black-box Adversarial Attacks via Bayesian Optimization Guided by a Function Prior [36.101904669291436]
  本稿では,入力クエリの出力フィードバックのみを用いて,ブラックボックスモデルに対するサンプル生成を目的としたブラックボックス逆攻撃について検討する。 ブラックボックス攻撃前の大域関数として代理モデルを利用する事前誘導ベイズ最適化(P-BO)アルゴリズムを提案する。 後悔境界に関する理論的解析は、P-BOの性能が悪影響を受けていることを示唆している。
  論文  参考訳（メタデータ） (2024-05-29T14:05:16Z)
• High-Fidelity Guided Image Synthesis with Latent Diffusion Models [50.39294302741698]
  提案手法は, ユーザ満足度スコアを85.32%以上上回り, 従来の最先端技術よりも優れていた。 人的ユーザ調査の結果、提案手法は、全体のユーザ満足度スコアにおいて、従来の最先端技術よりも85.32%以上優れていたことが示されている。
  論文  参考訳（メタデータ） (2022-11-30T15:43:20Z)
• A framework for overparameterized learning [0.0]
  ディープニューラルネットワークの成功に関する説明は、理論的機械学習における中心的な問題である。 本稿では,多くの一般的な問題をカバーするのに十分な,プロトタイプ学習問題からなるフレームワークを提案する。 次に、教師付き学習、変分オートエンコーダ、勾配ペナルティによるトレーニングがプロトタイプ問題に変換可能であることを示す。
  論文  参考訳（メタデータ） (2022-05-26T17:17:46Z)
• Linear Temporal Logic Modulo Theories over Finite Traces (Extended Version) [72.38188258853155]
  有限トレース(LTLf)上の線形時間論理について検討する。 命題の文字は任意の理論で解釈された一階述語式に置き換えられる。 Satisfiability Modulo Theories (LTLfMT) と呼ばれる結果の論理は半決定可能である。
  論文  参考訳（メタデータ） (2022-04-28T17:57:33Z)

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。