論文の概要: AnalogAgent: Self-Improving Analog Circuit Design Automation with LLM Agents

• arxiv url: http://arxiv.org/abs/2603.23910v1
• Date: Wed, 25 Mar 2026 03:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.118949
• Title: AnalogAgent: Self-Improving Analog Circuit Design Automation with LLM Agents
• Title（参考訳）: AnalogAgent: LLMエージェントによる自己改善型アナログ回路設計自動化
• Authors: Zhixuan Bao, Zhuoyi Lin, Jiageng Wang, Jinhai Hu, Yuan Gao, Yaoxin Wu, Xiaoli Li, Xun Xu,
• Abstract要約: 本稿ではアナログ回路設計自動化のためのトレーニングフリーエージェントフレームワークであるAnalogAgentを提案する。 確立されたベンチマークで、AnalogAgentは92%のPass@1をGeminiで、97.4%のPass@1をGPT-5で達成した。 コンパクトモデルでは、タスク全体のPass@1の平均ゲインは+48.8%となり、全体的なPass@1は72.1%に達する。
• 参考スコア（独自算出の注目度）: 23.16076070830351
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in large language models (LLMs) suggest strong potential for automating analog circuit design. Yet most LLM-based approaches rely on a single-model loop of generation, diagnosis, and correction, which favors succinct summaries over domain-specific insight and suffers from context attrition that erases critical technical details. To address these limitations, we propose AnalogAgent, a training-free agentic framework that integrates an LLM-based multi-agent system (MAS) with self-evolving memory (SEM) for analog circuit design automation. AnalogAgent coordinates a Code Generator, Design Optimizer, and Knowledge Curator to distill execution feedback into an adaptive playbook in SEM and retrieve targeted guidance for subsequent generation, enabling cross-task transfer without additional expert feedback, databases, or libraries. Across established benchmarks, AnalogAgent achieves 92% Pass@1 with Gemini and 97.4% Pass@1 with GPT-5. Moreover, with compact models (e.g., Qwen-8B), it yields a +48.8% average Pass@1 gain across tasks and reaches 72.1% Pass@1 overall, indicating that AnalogAgent substantially strengthens open-weight models for high-quality analog circuit design automation.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、アナログ回路設計を自動化する強力な可能性を示している。 しかし、ほとんどのLCMベースのアプローチは、ドメイン固有の洞察よりも簡潔な要約を好んで、重要な技術的詳細を消去するコンテキストの誘惑に苦しむ、生成、診断、修正の単一モデルループに依存している。 これらの制約に対処するため,LLMベースのマルチエージェントシステム(MAS)と自己進化メモリ(SEM)を統合した,アナログ回路設計自動化のためのトレーニングフリーエージェントフレームワークであるAnalogAgentを提案する。 AnalogAgentは、Code Generator、Design Optimizer、Knowledge Curatorをコーディネートして、実行フィードバックをSEMの適応プレイブックに蒸留し、その後の生成のためのターゲットガイダンスを取得する。 確立されたベンチマークで、AnalogAgentは92%のPass@1をGeminiで、97.4%のPass@1をGPT-5で達成した。 さらに、コンパクトモデル(例えばQwen-8B)では、タスク間で平均のPass@1ゲインが+48.8%となり、全体的な72.1%のPass@1に達し、AnalogAgentは高品質なアナログ回路設計自動化のためのオープンウェイトモデルを大幅に強化している。

関連論文リスト

• AnalogSAGE: Self-evolving Analog Design Multi-Agents with Stratified Memory and Grounded Experience [13.371317989669782]
  我々は,4つの階層化メモリ層を通して3段階のエージェント探索をコーディネートするオープンソースのマルチエージェントフレームワークであるAnalogSAGEを提案する。 本ベンチマークでは,10の仕様駆動型動作増幅器設計問題に対して,定量的およびクロスタスク比較が可能となる。 AnalogSAGEは10$times$総合パスレート、48$times$ Pass@1、および4$times$パラメータ検索スペースを既存のフレームワークと比較して削減する。
  論文  参考訳（メタデータ） (2025-12-27T02:06:05Z)
• AnaFlow: Agentic LLM-based Workflow for Reasoning-Driven Explainable and Sample-Efficient Analog Circuit Sizing [1.2617078020344616]
  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。
  論文  参考訳（メタデータ） (2025-11-05T18:24:01Z)
• 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)
• Autonomous Control Leveraging LLMs: An Agentic Framework for Next-Generation Industrial Automation [0.0]
  本稿では,大規模言語モデル(LLM)を個別のフォールトリカバリ計画と継続的プロセス制御の両方に活用する統合エージェントフレームワークを提案する。 その結果、構造化されたフィードバックとモジュラーエージェントにより、LLMは高レベルな記号計画と低レベルな連続制御を統一できることを示した。
  論文  参考訳（メタデータ） (2025-07-03T11:20:22Z)
• QiMeng-CodeV-R1: Reasoning-Enhanced Verilog Generation [51.393569044134445]
  大きな言語モデル(LLM)は、強化学習と検証可能な報酬(RLVR)によって訓練され、明示的で自動化可能な検証を伴うタスクにおいてブレークスルーを達成した。 しかし、自然言語(NL)仕様からVerilogのようなハードウェア記述言語(HDL)を自動的に生成するRLVRの拡張には、3つの大きな課題がある。 本稿では,Verilog 生成 LLM をトレーニングするための RLVR フレームワークである CodeV-R1 を紹介する。
  論文  参考訳（メタデータ） (2025-05-30T03:51:06Z)
• LLM-Based Emulation of the Radio Resource Control Layer: Towards AI-Native RAN Protocols [28.04609776570199]
  大型AIモデル(LAM)はAI-Native Air Interface(AI-AI)の重要な実現要因である 本稿では,デコーダのみのLAMを用いた無線リソース制御層の最初の標準準拠エミュレーションを提案する。 その結果,LSMをプロトコル対応推論で拡張すると,制御プレーンの手順を直接オーケストレーションできることがわかった。
  論文  参考訳（メタデータ） (2025-05-22T15:55:56Z)
• DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
  大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。 開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。 デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-27T12:26:07Z)

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。