論文の概要: Can an Actor-Critic Optimization Framework Improve Analog Design Optimization?

• arxiv url: http://arxiv.org/abs/2603.24714v1
• Date: Wed, 25 Mar 2026 18:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:47.938176
• Title: Can an Actor-Critic Optimization Framework Improve Analog Design Optimization?
• Title（参考訳）: Actor-Critic Optimization Frameworkはアナログ設計の最適化を改善できるか?
• Authors: Sounak Dutta, Fin Amin, Sushil Panda, Jonathan Rabe, Yuejiang Wen, Paul Franzon,
• Abstract要約: 本稿では,アナログサイズ化のためのアクタ批判最適化フレームワーク(ACOF)を提案する。 最適化を純粋にブラックボックス探索問題として扱う代わりに、ACOFは提案と評価の役割を分離する。 テスト回路全体では、ACOFは最強の競争ベースラインよりも平均38.9%向上している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analog design often slows down because even small changes to device sizes or biases require expensive simulation cycles, and high-quality solutions typically occupy only a narrow part of a very large search space. While existing optimizers reduce some of this burden, they largely operate without the kind of judgment designers use when deciding where to search next. This paper presents an actor-critic optimization framework (ACOF) for analog sizing that brings that form of guidance into the loop. Rather than treating optimization as a purely black-box search problem, ACOF separates the roles of proposal and evaluation: an actor suggests promising regions of the design space, while a critic reviews those choices, enforces design legality, and redirects the search when progress is hampered. This structure preserves compatibility with standard simulator-based flows while making the search process more deliberate, stable, and interpretable. Across our test circuits, ACOF improves the top-10 figure of merit by an average of 38.9% over the strongest competing baseline and reduces regret by an average of 24.7%, with peak gains of 70.5% in FoM and 42.2% lower regret on individual circuits. By combining iterative reasoning with simulation-driven search, the framework offers a more transparent path toward automated analog sizing across challenging design spaces.
• Abstract（参考訳）: アナログ設計は、デバイスサイズやバイアスの小さな変更であっても、高価なシミュレーションサイクルを必要とするため、しばしば遅くなる。 既存のオプティマイザは、こうした負担の一部を軽減しているが、デザイナーが次に検索する場所を決める際に使用する判断を使わずに、主に運用している。 本稿では,アナログサイズのためのアクタ批判最適化フレームワーク(ACOF)を提案する。 ACOFは、最適化を純粋にブラックボックス検索の問題として扱うのではなく、提案と評価の役割を分けている: アクターはデザイン空間の有望な領域を推奨する一方で、批評家はこれらの選択をレビューし、設計の合法性を強制し、進行が妨げられたときに検索をリダイレクトする。 この構造は、探索プロセスをより意図的に、安定し、解釈可能にしながら、標準的なシミュレータベースのフローとの互換性を維持する。 テスト回路全体では、ACOFは最強の競争ベースラインよりも平均38.9%、後悔は平均24.7%、FoMでは最高70.5%、個々の回路では42.2%向上している。 反復推論とシミュレーション駆動検索を組み合わせることで、このフレームワークは、挑戦的な設計空間を横断する自動アナログサイズへのより透過的なパスを提供する。

関連論文リスト

• DyACE: Dynamic Algorithm Co-evolution for Online Automated Heuristic Design with Large Language Model [12.490525543266807]
  非定常バイレベル制御問題としてDyACE(Dynamic Co-evolution)を導入する。 DyACEの中核となる要素はLook-Ahead Rollout Searchである。 結果は、DyACEが最先端の静的ベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-07T06:46:53Z)
• $\nabla$-Reasoner: LLM Reasoning via Test-Time Gradient Descent in Latent Space [71.23672814629448]
  $nabla$-Reasonerは、トークンログに対する差別化可能な最適化をデコードループに統合する反復生成フレームワークである。 $nabla$-Reasonerは、挑戦的な数学的推論ベンチマークで20%以上の精度の向上を実現している。
  論文  参考訳（メタデータ） (2026-03-05T08:42:54Z)
• AutoSizer: Automatic Sizing of Analog and Mixed-Signal Circuits via Large Language Model (LLM) Agents [4.28109763423665]
  AutoSizerは、回路理解、適応的な検索空間の構築、クローズドループでの最適化オーケストレーションを統合するメタ最適化フレームワークである。 実験により、様々な回路困難に対して、より高い溶液品質、より高速な収束、高い成功率を達成できる。
  論文  参考訳（メタデータ） (2026-02-02T21:51:55Z)
• A Large Language Model-based Multi-Agent Framework for Analog Circuits' Sizing Relationships Extraction [15.623880398190103]
  本稿では,学術論文から抽出したアナログ回路のサイズ関係のための大規模言語モデル(LLM)に基づくマルチエージェントフレームワークを提案する。 3種類の回路でテストを行い、最適化効率を2.32 sim 26.6 倍に改善した。
  論文  参考訳（メタデータ） (2025-06-23T09:03:58Z)
• Don't Think Longer, Think Wisely: Optimizing Thinking Dynamics for Large Reasoning Models [68.96619605651155]
  大規模推論モデル(LRM)は、過度に考えることによって出力長を大幅に増加させる可能性がある。 モデル生成推論経路を異なる思考パターンに分割する動的最適化フレームワークを提案する。 提案手法は, 最大12%の精度向上を実現し, トークン使用量を約5,000から3,000に削減する。
  論文  参考訳（メタデータ） (2025-05-27T20:59:29Z)
• ScoreFlow: Mastering LLM Agent Workflows via Score-based Preference Optimization [51.280919773837645]
  エージェントワークフロー最適化のための高性能フレームワークであるScoreFlowを開発した。 ScoreFlowは、量的フィードバックを考慮に入れた直接選好最適化手法の新たな変種であるScore-DPOを組み込んでいる。 質問応答、コーディング、数学的推論を通じて、既存のベースラインよりも8.2%改善されている。
  論文  参考訳（メタデータ） (2025-02-06T18:47:49Z)
• Tiered Acquisition for Constrained Bayesian Optimization: An Application to Analog Circuits [5.353688923855625]
  本稿では,獲得関数の結合アンサンブルを用いたベイズ最適化アルゴリズムを提案する。 この方法は、65nmの2段ミラー補償動作増幅器の利得と面積最適化に有効である。 頑健なベースラインと最先端のアルゴリズムと比較して、制約違反を最大38%削減し、目標目標を最大43%改善する。
  論文  参考訳（メタデータ） (2024-12-23T07:41:43Z)
• FuzzyFlow: Leveraging Dataflow To Find and Squash Program Optimization Bugs [92.47146416628965]
  FuzzyFlowはプログラム最適化をテストするために設計されたフォールトローカライゼーションとテストケース抽出フレームワークである。 我々は、データフロープログラム表現を活用して、完全に再現可能なシステム状態と最適化のエリア・オブ・エフェクトをキャプチャする。 テスト時間を削減するため,テスト入力を最小限に抑えるアルゴリズムを設計し,再計算のためのメモリ交換を行う。
  論文  参考訳（メタデータ） (2023-06-28T13:00:17Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)
• Evolving Search Space for Neural Architecture Search [70.71153433676024]
  最適化された検索空間サブセットを維持することにより,前回の取り組みから得られた結果を増幅するニューラルサーチ空間進化(NSE)方式を提案する。 我々は333万のFLOPでImageNet上で77.3%のトップ1リトレーニング精度を実現し、最先端の性能を得た。 遅延制約が適用された場合、我々の結果は、77.9%のTop-1再トレーニング精度を持つ、以前の最高のパフォーマンスのモバイルモデルよりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2020-11-22T01:11:19Z)

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。