論文の概要: LEGO: An LLM Skill-Based Front-End Design Generation Platform
- arxiv url: http://arxiv.org/abs/2604.23355v1
- Date: Sat, 25 Apr 2026 15:44:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.29192
- Title: LEGO: An LLM Skill-Based Front-End Design Generation Platform
- Title（参考訳）: LEGO: LLMスキルベースのフロントエンドデザイン生成プラットフォーム
- Abstract要約: 私たちは、フロントエンド設計生成のための統合されたスキルベースのプラットフォームLEGOを紹介します。
デジタルフロントエンドフローを6つの独立したステップに分解し、すべてのエージェント能力を標準化された構成可能な回路スキルとして表現する。
- 参考スコア（独自算出の注目度）: 4.25658408340244
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Existing LLM-based EDA agents are often isolated task-specific systems. This leads to repeated engineering effort and limited reuse of successful design and debugging strategies. We present LEGO, a unified skill-based platform for front-end design generation. It decomposes the digital front-end flow into six independent steps and represents every agent capability as a standardized composable circuit skill within a plug-and-play architecture. To build this skill library, we survey more than 100 papers, select 11 representative open-source projects, and extract 42 executable circuit skills within a six-step finite state machine formulation. Circuit Skill Builder automates skill extraction with linear scalability. Agent Skill RAG achieves submillisecond retrieval without relying on embedding models. Empirical evaluation on a hard subset of 41 VerilogEval v2 problems that gpt-5.2-codex fails to solve under extra-high reasoning effort shows that individual circuit skills constructed within LEGO raise Pass@1 from 0.000 to 0.805. This is an 80.5% gain over the baseline. Cross-project skill compositions also reach 0.805 Pass@1. They outperform hierarchy-verilog by 14.6% and VerilogCoder by 2.5%. They also match MAGE. These results show that modular skill composition supports both effective and flexible RTL design automation. The LEGO platform and all circuit skills are publicly available at GitHub: https://github.com/loujc/LEGO-An-LLM-Skill-Based-Front-End-Design-Generation-Platform
- Abstract（参考訳）: 既存のLLMベースのEDAエージェントは、しばしばタスク固有のシステムである。
これにより、繰り返しのエンジニアリングの努力と、成功した設計とデバッグ戦略の再利用が制限される。
私たちは、フロントエンド設計生成のための統合されたスキルベースのプラットフォームLEGOを紹介します。
デジタルフロントエンドフローを6つの独立したステップに分割し、すべてのエージェント能力をプラグアンドプレイアーキテクチャ内の標準構成可能な回路スキルとして表現する。
このスキルライブラリを構築するために、100以上の論文を調査し、11のオープンソースプロジェクトを選択し、42の実行可能な回路スキルを6ステップの有限状態マシンで抽出する。
Circuit Skill Builderは、線形スケーラビリティでスキル抽出を自動化する。
Agent Skill RAGは埋め込みモデルに頼ることなく、サブミリ秒の検索を実現する。
gpt-5.2-codexで解けない41のVerilogEval v2問題のハードサブセットに関する実証的な評価は、LEGO内で構築された個々の回路技術がPass@1を0.000から0.805に引き上げていることを示している。
これはベースラインを80.5%上回った。
クロスプロジェクトスキルコンポジションも0.805 Pass@1に到達した。
ランキングは14.6%、VerilogCoderは2.5%を上回った。
また、MAGEとも一致している。
これらの結果から, モジュール型スキルコンポジションは, 有効かつ柔軟なRTL設計自動化をサポートすることがわかった。
LEGOプラットフォームとすべての回路スキルはGitHubで公開されている。
関連論文リスト
- Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning [72.09826781730662]
ロングホライゾン推論は、モデルが推論チェーン内の異なるスキルを切り替えることを要求する。
スキル・エントロピー(Skill Entropy)とは、あるスキルから別のスキルに切り替えることの難しさを測る尺度である。
本稿では,RLフレームワークであるSkill-Entropy RLを提案する。
論文 参考訳（メタデータ） (2026-08-05T17:57:16Z) - LATTEArena: An Evaluation Framework for LLM-powered Tabular Feature Engineering (Extended Version) [21.873402103599588]
LATTEArenaは、自動機能エンジニアリングのための標準化、モジュール化、およびベンチマークフレームワークである。
制御されたコンポーネントレベルの比較を可能にすることで、LATTEArenaはパラダイムをアドホックなプロンプトエンジニアリングから、システマティックなコンテキスト管理へとシフトする。
すべてのコード、データセット、4000以上の実行ログは、動的でコミュニティ主導のベンチマークを育むために公開されています。
論文 参考訳（メタデータ） (2026-06-08T04:03:54Z) - Maestro: Reinforcement Learning to Orchestrate Hierarchical Model-Skill Ensembles [32.54156025863882]
強化学習駆動オーケストレーションフレームワークであるMaestroを紹介します。
Maestroは、階層的なモデルスキルレジストリ上でのシーケンシャルな意思決定プロセスとして、異質なマルチモーダルタスクを再構成する。
数学的推論,チャート理解,高分解能知覚,ドメイン固有分析を対象とする10の代表的なマルチモーダルベンチマークに対して,Maestroの評価を行った。
論文 参考訳（メタデータ） (2026-05-21T08:47:49Z) - ChipMATE: Multi-Agent Training via Reinforcement Learning for Enhanced RTL Generation [55.947962672433675]
ChipMATEは、RTL生成のための最初の自己学習型マルチエージェントフレームワークである。
ChipMATEは産業的な実践に触発され、VerilogエージェントとPythonのリファレンスモデルエージェントをペアにし、相互に出力を検証する。
ChipMATEは、VerilogEval V2で75.0%と80.1%パス@1を4Bと9Bベースモデルで達成している。
論文 参考訳（メタデータ） (2026-05-13T01:04:21Z) - SkillRouter: Skill Routing for LLM Agents at Scale [18.540967600258607]
ユーザタスクが与えられたら、システムは、下流の計画や実行の前に、関連するスキルを特定する必要がある。
既存のエージェントスタックはプログレッシブな開示に依存しており、完全な実装ボディを隠蔽しながら、スキル名と記述のみを公開する。
1.2Bのコンパクトなフルテキスト検索/参照パイプラインであるSkillを提示する。
論文 参考訳（メタデータ） (2026-03-23T18:23:59Z) - VerlTool: Towards Holistic Agentic Reinforcement Learning with Tool Use [78.29315418819074]
VerlToolは、体系的な設計原則を通じて制限に対処する統一的でモジュール化されたフレームワークです。
我々のフレームワークはARLTをマルチターントラジェクトリとして定式化し、マルチモード観測トークン(テキスト/画像/ビデオ)を単一ターンRLVRパラダイムを超えて拡張する。
モジュール化されたプラグインアーキテクチャは、軽量Python定義のみを必要とする迅速なツール統合を可能にする。
論文 参考訳（メタデータ） (2025-09-01T01:45:18Z) - MAHL: Multi-Agent LLM-Guided Hierarchical Chiplet Design with Adaptive Debugging [30.305211001929496]
大きな言語モデル(LLM)は2.5Dに拡張することを約束している。
LLMはフラットな設計、高い検証コスト、不正確なパラメータ最適化といった課題に直面している。
階層型LLMベースのチップレット設計生成フレームワークであるMAHLを提案する。
論文 参考訳（メタデータ） (2025-08-08T05:47:31Z) - R-Zero: Self-Evolving Reasoning LLM from Zero Data [47.8125954446991]
自己進化型大規模言語モデル(LLM)は、自身の経験から自律的に生成、精製、学習することで、超知性へのスケーラブルなパスを提供する。
このようなモデルを訓練するための既存の方法は、いまだに膨大な人為的なタスクやラベルに大きく依存している。
R-Zeroは、完全に自律的なフレームワークで、スクラッチから独自のトレーニングデータを生成する。
論文 参考訳（メタデータ） (2025-08-07T03:38:16Z) - ComfyUI-R1: Exploring Reasoning Models for Workflow Generation [49.09090292453288]
私たちはワークフローの自動生成のための最初の大きな推論モデルであるComfyUI-R1を紹介します。
ノードの選択、ワークフロー計画、コードレベルのワークフローを含む、長いチェーン・オブ・シンク(CoT)推論データを構築します。
実験の結果、我々の7B-パラメーターモデルでは、高いパスレート、ノードレベル、グラフレベルのF1スコアとともに、97%のフォーマットの妥当性が得られた。
論文 参考訳（メタデータ） (2025-06-11T14:35:15Z) - GenEDA: Towards Generative Netlist Functional Reasoning via Cross-Modal Circuit Encoder-Decoder Alignment [8.115489346573918]
既存のトレーニング済みの回路基礎モデルは、予測タスクのスタンドアロンエンコーダや生成タスクのデコーダに限られる。
我々は,回路エンコーダとデコーダを相互に協調する最初のフレームワークであるGenEDAを提案する。
このアーキテクチャを活用して、ネットリストのための最初の生成基盤モデルを構築します。
論文 参考訳（メタデータ） (2025-04-13T08:56:22Z) - ComfyBench: Benchmarking LLM-based Agents in ComfyUI for Autonomously Designing Collaborative AI Systems [80.69865295743149]
この研究は、LLMベースのエージェントを使用して、協調AIシステムを自律的に設計する試みである。
ComfyBenchをベースとしたComfyAgentは,エージェントが自律的に協調的なAIシステムを生成して設計できるようにするフレームワークである。
ComfyAgentは、o1-previewに匹敵する解像度を達成し、ComfyBenchの他のエージェントをはるかに上回っているが、ComfyAgentはクリエイティブタスクの15%しか解決していない。
論文 参考訳（メタデータ） (2024-09-02T17:44:10Z) - Reinforcement Learning with Foundation Priors: Let the Embodied Agent Efficiently Learn on Its Own [59.11934130045106]
我々は、政策、価値、成功-回帰基盤モデルからのガイダンスとフィードバックを活用するために、RLFP(Reinforcement Learning with Foundation Priors)を提案する。
本フレームワークでは,自動報酬関数を用いてより効率的にエージェントを探索できるファウンデーション誘導型アクター・クリティカル(FAC)アルゴリズムを導入する。
本手法は,実ロボットとシミュレーションの両方において,様々な操作タスクにおいて顕著な性能を実現する。
論文 参考訳（メタデータ） (2023-10-04T07:56:42Z)
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。