論文の概要: TOPCELL: Topology Optimization of Standard Cell via LLMs

• arxiv url: http://arxiv.org/abs/2604.14237v1
• Date: Wed, 15 Apr 2026 00:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.936147
• Title: TOPCELL: Topology Optimization of Standard Cell via LLMs
• Title（参考訳）: TOPCELL: LLMによる標準セルのトポロジー最適化
• Authors: Zhan Song, Yu-Tung Liu, Chen Chen, Guoheng Sun, Jiaqi Yin, Chia-tung Ho, Ang Li, Haoxing Ren, Cunxi Yu,
• Abstract要約: 本稿では,大規模言語モデル(LLM)を用いた高次元トポロジー探索を生成タスクとして再構成する新しいフレームワークであるTOPCELLを紹介する。 先進的な2nm技術ノードをターゲットとした産業用フローにおける実験結果から,TOPCELLは粗悪で物理的に認識可能なトポロジを発見する上で,基礎モデルよりも著しく優れていた。 7nmライブラリ生成タスクのための最先端(SOTA)自動化フローに統合されると、TOPCELLは堅牢なゼロショットの一般化を示し、85.91倍のスピードアップを達成しつつ、抜本的なソルバのレイアウト品質に適合する。
• 参考スコア（独自算出の注目度）: 18.076256744558087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transistor topology optimization is a critical step in standard cell design, directly dictating diffusion sharing efficiency and downstream routability. However, identifying optimal topologies remains a persistent bottleneck, as conventional exhaustive search methods become computationally intractable with increasing circuit complexity in advanced nodes. This paper introduces TOPCELL, a novel and scalable framework that reformulates high-dimensional topology exploration as a generative task using Large Language Models (LLMs). We employ Group Relative Policy Optimization (GRPO) to fine-tune the model, aligning its topology optimization strategy with logical (circuit) and spatial (layout) constraints. Experimental results within an industrial flow targeting an advanced 2nm technology node demonstrate that TOPCELL significantly outperforms foundation models in discovering routable, physically-aware topologies. When integrated into a state-of-the-art (SOTA) automation flow for a 7nm library generation task, TOPCELL exhibits robust zero-shot generalization and matches the layout quality of exhaustive solvers while achieving an 85.91x speedup.
• Abstract（参考訳）: トランジスタトポロジー最適化は標準セル設計における重要なステップであり、拡散共有効率と下流のルータビリティを直接予測する。 しかし、従来の網羅的探索法は、先進ノードの回路複雑性を増大させ、計算的に難解になるため、最適なトポロジの同定はいまだに永続的なボトルネックである。 本稿では,高次元トポロジ探索を大規模言語モデル(LLM)を用いた生成タスクとして再構成する,新規でスケーラブルなフレームワークであるTOPCELLを紹介する。 グループ相対政策最適化(GRPO)を用いてモデルを微調整し、そのトポロジ最適化戦略を論理的(回路)および空間的(レイアウト)制約と整合させる。 先進的な2nm技術ノードをターゲットとした産業フローにおける実験結果から,TOPCELLは,不規則で物理的に認識されたトポロジの発見において,基礎モデルよりも著しく優れていることが示された。 7nmライブラリ生成タスクのための最先端(SOTA)自動化フローに統合されると、TOPCELLは堅牢なゼロショットの一般化を示し、85.91倍のスピードアップを達成しつつ、抜本的なソルバのレイアウト品質に適合する。

関連論文リスト

• TL-GRPO: Turn-Level RL for Reasoning-Guided Iterative Optimization [97.18886232580131]
  大規模言語モデルは、ツール統合による複雑なタスクにおいて強力な推論能力を示している。 そこで我々はターンレベルグループサンプリングを行う軽量RLアルゴリズムであるTurn-Level GRPOを提案する。
  論文  参考訳（メタデータ） (2026-01-23T06:21:33Z)
• Efficient Beamforming Optimization for STAR-RIS-Assisted Communications: A Gradient-Based Meta Learning Approach [29.972987396713126]
  STAR-RISは次世代無線ネットワークにおける全空間カバレッジとスペクトル効率を実現するための有望な技術である。 ニューラルネットワークに直接フィードを最適化し,事前学習の必要性を排除し,迅速な適応を可能にする,勾配に基づくメタラーニング(GML)を開発した。
  論文  参考訳（メタデータ） (2025-12-09T16:28:15Z)
• Hierarchical Alignment: Surgical Fine-Tuning via Functional Layer Specialization in Large Language Models [4.935224714809964]
  階層的アライメント(Hierarchical Alignment)は、モデルレイヤの異なる機能ブロックにターゲットDPOを適用する新しい手法である。 具体的には、局所的な層(ローカル・アライン)の整列は文法的な流感を高める。 グローバル層(Global-Align)の整合性は、仮説として事実整合性を改善するが、論理的コヒーレンスを強化するための最も効果的な戦略であることを証明している。
  論文  参考訳（メタデータ） (2025-10-14T00:58:34Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
  現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。 本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。 本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
  論文  参考訳（メタデータ） (2025-03-24T13:11:22Z)
• STAR: Synthesis of Tailored Architectures [61.080157488857516]
  本稿では, 適合型アーキテクチャ (STAR) の新規な合成手法を提案する。 提案手法は線形入力可変系の理論に基づく新しい探索空間を結合し,階層的な数値エンコーディングをアーキテクチャゲノムに支持する。STARゲノムは,複数のモデル品質と効率の指標に最適化するために,勾配のない進化的アルゴリズムで自動的に精製・組換えされる。 STARを用いて、多種多様な計算単位と相互接続パターンを活用し、品質、パラメータサイズ、および自動回帰言語モデリングのための推論キャッシュのフロンティアにおける高度に最適化されたトランスフォーマーとストライプハイブリッドモデルを改善する。
  論文  参考訳（メタデータ） (2024-11-26T18:42:42Z)
• Understanding Token-level Topological Structures in Transformer-based Time Series Forecasting [52.364260925700485]
  Transformer-based method has achieved state-of-the-art performance in time series forecasting (TSF) 既存のトランスフォーマーが中間層全体を通してトークン間の固有位相構造を完全に活用しているかどうかは不明である。 トークンレベルのトポロジを明示的にかつ適応的に保存するトランスフォーマーベースの新しいTSF手法であるトポロジ拡張法(TEM)を提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:21:39Z)
• Learning Regions of Interest for Bayesian Optimization with Adaptive Level-Set Estimation [84.0621253654014]
  本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。 理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
  論文  参考訳（メタデータ） (2023-07-25T09:45:47Z)
• Diffusing the Optimal Topology: A Generative Optimization Approach [6.375982344506753]
  トポロジ最適化は、システム性能を最大化しながら制約セットを満たす最良の設計を見つけようとしている。 SIMPのような従来の反復最適化手法は計算コストがかかり、ローカルのミニマに留まることがある。 本研究では、SIMPのような古典最適化を深い生成モデルによって生成されるトポロジの精製機構として統合する生成最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-03-17T03:47:10Z)

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。