論文の概要: AutoPPA: Automated Circuit PPA Optimization via Contrastive Code-based Rule Library Learning

• arxiv url: http://arxiv.org/abs/2604.18445v1
• Date: Mon, 20 Apr 2026 16:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.982555
• Title: AutoPPA: Automated Circuit PPA Optimization via Contrastive Code-based Rule Library Learning
• Title（参考訳）: AutoPPA: コントラストコードに基づくルールライブラリ学習による自動回路PPA最適化
• Abstract要約: 完全自動化されたPPA最適化フレームワークであるAutoPPAを提案する。 鍵となる考え方は最適化ルールを自動的に生成し、最適解の探索を強化することである。 実験の結果、AutoPPAは手動最適化とSymRTLOとRTLRewriterの両方で性能が向上していることがわかった。
• 参考スコア（独自算出の注目度）: 32.287908949214945
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Performance, power, and area (PPA) optimization is a fundamental task in RTL design, requiring a precise understanding of circuit functionality and the relationship between circuit structures and PPA metrics. Recent studies attempt to automate this process using LLMs, but neither feedback-based nor knowledge-based methods are efficient enough, as they either design without any prior knowledge or rely heavily on human-summarized optimization rules. In this paper, we propose AutoPPA, a fully automated PPA optimization framework. The key idea is to automatically generate optimization rules that enhance the search for optimal solutions. To do this, AutoPPA employs an Explore-Evaluate-Induce ($E^2I$) workflow that contrasts and abstracts rules from diverse generated code pairs rather than manually defined prior knowledge, yielding better optimization patterns. To make the abstracted rules more generalizable, AutoPPA employs an adaptive multi-step search framework that adopts the most effective rules for a given circuit. Experiments show that AutoPPA outperforms both the manual optimization and the state-of-the-art methods SymRTLO and RTLRewriter.
• Abstract（参考訳）: 性能・電力・面積最適化(PPA)はRTL設計における基本的な課題であり、回路機能と回路構造とPPAメトリクスの関係を正確に理解する必要がある。 近年の研究では、LLMを用いてこのプロセスを自動化する試みが行われているが、フィードバックベースや知識ベースの手法は、事前の知識を持たない設計や、人間に要約された最適化ルールに大きく依存しているため、効率的ではない。 本稿では,完全に自動化されたPPA最適化フレームワークであるAutoPPAを提案する。 鍵となる考え方は最適化ルールを自動的に生成し、最適解の探索を強化することである。 これを実現するためにAutoPPAではExplore-Evaluate-Induce(E^2I$)ワークフローを採用している。 抽象化されたルールをより一般化するために、AutoPPAは、与えられた回路に対して最も効果的なルールを採用する適応的な多段階探索フレームワークを採用している。 実験の結果、AutoPPAは手動最適化とSymRTLOとRTLRewriterの両方で性能が向上していることがわかった。

関連論文リスト

• Effect of Abstractions and Prompting Strategies on LLM-Guided High-Performance Optimizations [0.0]
  大規模言語モデル(LLM)は、コードの生成と理解を可能にする。 伝統的に、この自動化にはソースコードをドメイン固有の表現に変換することが含まれる。 本稿では,自動コード最適化における従来の抽象化がLLM誘導最適化の性能と正しさを向上するかどうかを考察する。
  論文  参考訳（メタデータ） (2026-08-08T12:12:28Z)
• Step-by-Step Optimization-like Reasoning in LLMs over Expanding Search Spaces [63.82675722580452]
  OPT*は、LLMのステップバイステップ最適化のような推論を訓練し評価するための最適化スタイルのタスクのファミリーである。 各タスクは実現可能性チェッカーと評価器を提供し、一方、複雑性パラメータは新しい人間ラベルを必要とせずに検索スペースを拡大する。 OPT*のトレーニングは、ステップバイステップの最適化のような推論を改善する。
  論文  参考訳（メタデータ） (2026-06-03T21:43:38Z)
• From AI Assistant to AI Scientist: Autonomous Discovery of LLM-RL Algorithms with LLM Agents [51.12380889298618]
  POISEは、言語モデルのためのポリシー最適化アルゴリズムの自動発見のためのフレームワークである。 PoISEは構造化され、属学的にリンクされたアーカイブリンクの提案、実行可能な実装、標準化された評価、自然言語のリフレクションを維持している。
  論文  参考訳（メタデータ） (2026-03-25T05:19:23Z)
• SOCRATES: Simulation Optimization with Correlated Replicas and Adaptive Trajectory Evaluations [25.18297372152296]
  SOCRATESは、調整されたSOアルゴリズムの設計を自動化する新しい2段階のプロシージャである。 実システムのデジタルレプリカのアンサンブルは、ベースラインSOアルゴリズムのセットを評価するテストベッドとして使用される。 LLMはメタ最適化器として機能し、これらのアルゴリズムのパフォーマンストラジェクトリを分析して、最終的なハイブリッド最適化スケジュールを反復的に修正し構成する。
  論文  参考訳（メタデータ） (2025-11-01T19:57:38Z)
• Dynamic Policy Induction for Adaptive Prompt Optimization: Bridging the Efficiency-Accuracy Gap via Lightweight Reinforcement Learning [0.0]
  本稿では,1ステップのマルコフ決定プロセス(MDP)として適応戦略選択を形式化する軽量強化学習フレームワークであるPrompt Policy Network(PPN)を紹介する。 算術的推論ベンチマークの実験では、PPNは競争精度を維持しながら自己整合性よりも61.5%のトークンコスト削減を達成した。
  論文  参考訳（メタデータ） (2025-09-28T07:32:42Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Scaffolded Language Models with Language Supervision for Mixed-Autonomy: A Survey [52.00674453604779]
  本調査は,戦後のLM周辺における新規構造物の設計と最適化に関する文献を整理した。 本稿では,この階層構造を足場型LMと呼び,ツールを用いた多段階プロセスに統合されたLMに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-21T18:06:25Z)
• LLM as a Complementary Optimizer to Gradient Descent: A Case Study in Prompt Tuning [69.95292905263393]
  グラデーションベースとハイレベルなLLMは、協調最適化フレームワークを効果的に組み合わせることができることを示す。 本稿では,これらを相互に補完し,組み合わせた最適化フレームワークを効果的に連携させることができることを示す。
  論文  参考訳（メタデータ） (2024-05-30T06:24:14Z)
• Towards Efficient Exact Optimization of Language Model Alignment [93.39181634597877]
  嗜好データから直接ポリシーを最適化するために、直接選好最適化(DPO)が提案された。 問題の最適解に基づいて導出されたDPOが,現実の最適解の妥協平均探索近似に繋がることを示す。 本稿では、アライメント目的の効率的な精度最適化(EXO)を提案する。
  論文  参考訳（メタデータ） (2024-02-01T18:51:54Z)
• Sequential Information Design: Markov Persuasion Process and Its Efficient Reinforcement Learning [156.5667417159582]
  本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。 MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。 我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
  論文  参考訳（メタデータ） (2022-02-22T05:41:43Z)
• Automated Benchmark-Driven Design and Explanation of Hyperparameter Optimizers [3.729201909920989]
  マルチパラメータHPO(MF-HPO)に適用したベンチマーク駆動型自動アルゴリズム設計の原理的アプローチを提案する。 まず、一般的なHPOアルゴリズムに限らず、MF-HPO候補の豊富な空間を定式化し、その空間をカバーするフレームワークを示す。 得られた設計選択が必要かどうか、あるいはアブレーション分析を行うことで、より単純で単純である設計に置き換えられるか、という課題に挑戦する。
  論文  参考訳（メタデータ） (2021-11-29T18:02:56Z)
• Integrated Decision and Control: Towards Interpretable and Efficient Driving Intelligence [13.589285628074542]
  自動走行車のための解釈可能かつ効率的な意思決定・制御フレームワークを提案する。 駆動タスクを階層的に構造化されたマルチパス計画と最適追跡に分解する。 その結果,オンライン計算の効率性や交通効率,安全性などの運転性能が向上した。
  論文  参考訳（メタデータ） (2021-03-18T14:43:31Z)

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。