論文の概要: LLM-Guided Strategy Synthesis for Scalable Equality Saturation

• arxiv url: http://arxiv.org/abs/2604.17364v1
• Date: Sun, 19 Apr 2026 10:21:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.488063
• Title: LLM-Guided Strategy Synthesis for Scalable Equality Saturation
• Title（参考訳）: スケーラブルな等質飽和のためのLCM誘導戦略合成
• Authors: Chenyun Yin, Youwei Xiao, Yuze Luo, Yuyang Zou, Yun Liang,
• Abstract要約: EggMindは、再利用可能なEqSat戦略を合成するためのエンドツーエンドフレームワークである。 EggMindの中核となるのは、EqSat戦略を明示的で検査可能なアーティファクトとして表現するための、ドメイン固有の言語であるEqSatLである。 EggMindは、ベクトル化ベンチマークにおけるリソース品質のトレードオフを大幅に改善し、最終的なコストを45.1%削減し、ピークRAMをフルEqSatと比較して69.1%削減する。
• 参考スコア（独自算出の注目度）: 2.016500455428144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Equality saturation (EqSat) is a powerful optimization paradigm that compactly represents many equivalent programs in an e-graph and delays commitment until extraction selects a lowest-cost program. Making EqSat effective, therefore, requires not only domain-specific rewrite rules but also domain-specific strategies. Today, much of this strategy design is still manual, making it a major obstacle to automating e-graph-based compilers. Recent rule-synthesis frameworks can automatically infer large rewrite vocabularies from semantic specifications, but they also enlarge the rewrite space and further exacerbate e-graph explosion. Although large language models (LLMs) make automated strategy synthesis plausible, directly evolving backend code remains ineffective in practice. The search lacks reusable strategy abstractions and actionable feedback, and can easily trigger e-graph explosion or converge to poor designs. We present EggMind, an LLM-guided, end-to-end framework for synthesizing reusable EqSat strategies. At its core, EggMind introduces a domain-specific language, EqSatL, to represent EqSat strategies as explicit and inspectable artifacts. It then proposes an LLM-guided agentic workflow, equipped with novel techniques including proof-derived rewrite motif caching and tractability guidance, to search efficiently for high-quality strategies while keeping synthesis stable under e-graph growth. Evaluation shows that EggMind substantially improves the resource-quality trade-off on vectorization benchmarks, reducing final cost by 45.1% and peak RAM by 69.1% relative to full EqSat. We further show that the same methodology transfers effectively to an XLA-based tensor compiler, and demonstrate its practical potential in a logic-synthesis case study with augmented rewrite spaces.
• Abstract（参考訳）: EqSat(Equality saturation)は、電子グラフ内の多くの等価プログラムをコンパクトに表現し、低コストプログラムを選択するまでコミットメントを遅らせる強力な最適化パラダイムである。 したがって、EqSatを効果的にするには、ドメイン固有の書き換えルールだけでなく、ドメイン固有の戦略も必要です。 現在、この戦略設計の多くは手作業で行われており、電子グラフベースのコンパイラを自動化する上で大きな障害となっている。 最近のルール合成フレームワークは、セマンティック仕様から大規模なリライト語彙を自動推論するが、リライト空間を拡大し、電子グラフの爆発をさらに悪化させる。 大規模言語モデル(LLM)は、自動化された戦略合成を確実なものにしますが、バックエンドコードを直接進化させることは、実際には効果がありません。 検索には再利用可能な戦略抽象化と行動可能なフィードバックが欠如しており、簡単に電子グラフの爆発を引き起こすか、悪い設計に収束させることができる。 我々は、再利用可能なEqSat戦略を合成するLLM誘導のエンドツーエンドフレームワークであるEggMindを紹介する。 EggMindの中核となるのは、EqSat戦略を明示的で検査可能なアーティファクトとして表現するための、ドメイン固有の言語であるEqSatLである。 次に,LLM誘導型エージェントワークフローを提案し,電子グラフ成長下での合成を安定に保ちつつ,高品質な戦略を効率的に探索するために,証明由来の書き直しモチーフキャッシングやトラクタビリティガイダンスなどの新しい手法を備える。 評価の結果、EggMindはベクター化ベンチマークにおけるリソース品質のトレードオフを大幅に改善し、最終的なコストを45.1%削減し、ピークRAMをフルEqSatと比較して69.1%削減した。 さらに、この手法がXLAベースのテンソルコンパイラに効果的に移行し、拡張書き直し空間を用いた論理合成ケーススタディにおいて、その実現可能性を示す。

関連論文リスト

• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• Quantum Circuit Generation via test-time learning with large language models [0.0]
  大規模言語モデル(LLM)は構造化されたアーティファクトを生成することができるが、科学的設計の信頼性として使用するにはブラックボックス評価の下で反復的改善のメカニズムが必要である。 LLMは固定長ゲートリストへの編集を提案し、外部シミュレータはMeyer-Wallach(MW)グローバルエンタングルメント尺度を用いて結果の状態を評価する。 従来のハイパフォーマンスな候補を明示的なメモリトレースとして再利用できる軽量なテスト時間学習レシピを導入し、スコア差フィードバックでプロンプトを強化し、再起動する。
  論文  参考訳（メタデータ） (2026-02-03T12:41:25Z)
• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• Unleashing Degradation-Carrying Features in Symmetric U-Net: Simpler and Stronger Baselines for All-in-One Image Restoration [52.82397287366076]
  オールインワン画像復元は、統合された枠組み内で様々な劣化(ノイズ、ぼかし、悪天候など)を扱うことを目的としている。 本研究では, 優れた特徴抽出法により, 劣化伝達情報を本質的にエンコードする, 重要な知見を明らかにする。 我々の対称設計は固有の劣化信号を頑健に保存し、スキップ接続に単純な加法融合を施す。
  論文  参考訳（メタデータ） (2025-12-11T12:20:31Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• SymRTLO: Enhancing RTL Code Optimization with LLMs and Neuron-Inspired Symbolic Reasoning [30.938876549335067]
  本稿では,新しいニューロン-シンボリックRTL最適化フレームワークであるSymRTLOを提案する。 有限状態機械(FSM)論理の解析と最適化のための記号モジュールを提案する。 Synopsys Design Compiler と Yosys による RTL-Rewriter ベンチマークの実験では、SymRTLO は 43.9% と 62.5% と 51.1% に向上している。
  論文  参考訳（メタデータ） (2025-04-14T16:15:55Z)

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。