論文の概要: FlowPlace: Flow Matching for Chip Placement

• arxiv url: http://arxiv.org/abs/2604.23658v1
• Date: Sun, 26 Apr 2026 11:25:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.48542
• Title: FlowPlace: Flow Matching for Chip Placement
• Title（参考訳）: FlowPlace: チップ配置のためのフローマッチング
• Authors: Peng Xie, Ke Xue, Yunqi Shi, Ruo-Tong Chen, Chengrui Gao, Siyuan Xu, Chenjian Ding, Mingxuan Yuan, Chao Qian,
• Abstract要約: FlowPlaceは、チップ配置の現在の生成モデルの限界を克服することを目的としている。 マスク誘導合成データ生成、フレキシブルなプレインジェクションによるフローベース効率的なトレーニング、オーバーラップのないレイアウトのためのハード制約サンプリングが特徴である。 OpenROADとICCAD 2015ベンチマークの実験では、FlowPlaceはより優れたPPAメトリクス、より高速なサンプリング効率10-50$times、オーバーラップゼロを実現している。
• 参考スコア（独自算出の注目度）: 37.01468620035496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chip placement plays an important role in physical design. While generative models like diffusion models offer promising learning-based solutions, current methods have the following limitations: they use random synthetic data for pre-training, require long sampling times, and often result in overlaps due to their dependence on gradient-based solvers during the sampling process. To overcome these issues, we propose FlowPlace, which features mask-guided synthetic data generation, flow-based efficient training with flexible prior injection, and hard constraint sampling for overlap-free layouts. Experiments on OpenROAD and ICCAD 2015 benchmarks show FlowPlace achieves better PPA metrics, 10-50$\times$ faster sampling efficiency, and zero overlaps.
• Abstract（参考訳）: チップ配置は物理設計において重要な役割を果たす。 拡散モデルのような生成モデルは有望な学習ベースのソリューションを提供するが、現在の手法には次のような制限がある: 彼らは事前学習にランダムな合成データを使用し、長いサンプリング時間を必要とし、しばしばサンプリングプロセス中に勾配に基づく解法に依存するために重複する。 これらの問題を解決するために、マスク誘導合成データ生成、フレキシブルな事前注入によるフローベース効率的なトレーニング、重複のないレイアウトのためのハード制約サンプリングを特徴とするFlowPlaceを提案する。 OpenROADとICCAD 2015ベンチマークの実験では、FlowPlaceはより優れたPPAメトリクス、より高速なサンプリング効率10-50$\times、オーバーラップゼロを実現している。

関連論文リスト

• Few-Step Diffusion Sampling Through Instance-Aware Discretizations [16.93105640007355]
  正規あるいは微分方程式(ODEs/SDEs)で定義される経路をシミュレートして拡散・流れマッチングモデルにより高忠実度データを生成する 本稿では、入力依存の事前情報に基づいてタイムステップアロケーションを適応させることを学習する、インスタンス対応の離散化フレームワークを提案する。 提案手法は,トレーニングや無視可能な推論オーバーヘッドと比較して,限界チューニングコストで生成品質を継続的に向上する。
  論文  参考訳（メタデータ） (2026-03-18T12:49:38Z)
• Formalizing the Sampling Design Space of Diffusion-Based Generative Models via Adaptive Solvers and Wasserstein-Bounded Timesteps [4.397130429878499]
  拡散に基づく生成モデルは、様々な領域で顕著な性能を達成してきたが、その実践的展開は、しばしば高いサンプリングコストによって制限されている。 本稿では,数値解法を拡散軌道の固有特性と整合する原理的枠組みであるSDMを提案する。 ODE のダイナミクスを解析することにより,低次解法は初期高雑音で十分であり,高次解法は後段の非線形性の増加に対応するために段階的に展開可能であることを示す。
  論文  参考訳（メタデータ） (2026-02-13T05:02:07Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)

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。