論文の概要: RAG-Enhanced Kernel-Based Heuristic Synthesis (RKHS): A Structured Methodology Using Large Language Models for Hardware Design

• arxiv url: http://arxiv.org/abs/2604.26153v1
• Date: Tue, 28 Apr 2026 22:29:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.190554
• Title: RAG-Enhanced Kernel-Based Heuristic Synthesis (RKHS): A Structured Methodology Using Large Language Models for Hardware Design
• Title（参考訳）: RAG強化カーネルベースヒューリスティック合成(RKHS):大規模言語モデルを用いたハードウェア設計のための構造化手法
• Authors: Shiva Ahir, Alex Doboli,
• Abstract要約: ヒューリスティック設計は、現代の電子設計自動化(EDA)ツールを支持しているが、効果的な配置、ルーティング、スケジューリングにはかなりの専門知識が必要である。 本稿では、検索拡張生成(RAG)、コンパクトカーネルテンプレート、反復自己フィードバックにインスパイアされたLCM駆動リファインメントループを統合したRAG拡張ベースヒューリスティック合成(RKHS)を提案する。 プロトタイプは1.3倍のオーバーヘッドでベースラインスケジューラ上で平均スケジュール長を最大11%削減し、構造化された検索合成ループは他のEDA最適化問題に一般化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Heuristic design upholds modern electronic design automation (EDA) tools, yet crafting effective placement, routing, and scheduling strategies entails substantial expertise. We study how large language models (LLMs) can systematically synthesize reusable optimization heuristics beyond one-shot code generation. We propose RAG-Enhanced Kernel-Based Heuristic Synthesis (RKHS), which integrates retrieval-augmented generation (RAG), compact kernel heuristic templates, and an LLM-driven refinement loop inspired by iterative self-feedback. Applied to latency-minimizing list scheduling in high-level synthesis (HLS), a prototype reduces average schedule length by up to 11 percent over a baseline scheduler with only 1.3x runtime overhead, and the structured retrieval-synthesis loop generalizes to other EDA optimization problems.
• Abstract（参考訳）: ヒューリスティック設計は、現代の電子設計自動化(EDA)ツールを支持しているが、効果的な配置、ルーティング、スケジューリング戦略は、かなりの専門知識を必要とする。 大規模言語モデル (LLM) が, ワンショットコード生成を超えて再利用可能な最適化ヒューリスティックを体系的に合成する方法について検討する。 本稿では、検索拡張生成(RAG)、コンパクトカーネルヒューリスティックテンプレート、反復自己フィードバックにインスパイアされたLLM駆動の洗練ループを統合するRAG強化カーネルベースヒューリスティック合成(RKHS)を提案する。 高レベル合成(HLS)における遅延最小化リストスケジューリングに適用すると、プロトタイプは1.3倍のオーバーヘッドでベースラインスケジューラ上で平均スケジュール長を最大11%削減し、構造化された検索合成ループは他のEDA最適化問題に一般化する。

関連論文リスト

• A2DEPT: Large Language Model-Driven Automated Algorithm Design via Evolutionary Program Trees [8.49373236378493]
  大規模言語モデル(LLM)に基づく自動ヒューリスティックデザイン(AHD)は、人間の介入を最小限に抑えて、自律的にコンポーネントを生成することを約束している。 剛性テンプレートを超えたオープンエンドソルバを実現するために,A2DEPT(Automated Evolutionary Program Trees)を提案する。 A2DEPTは、ハイブリッド選択と階層演算子による木構造進化探索を通じて広大なプログラム空間を探索し、完全なアルゴリズムを反復的に洗練することができる。
  論文  参考訳（メタデータ） (2026-04-27T05:07:10Z)
• Towards Cold-Start Drafting and Continual Refining: A Value-Driven Memory Approach with Application to NPU Kernel Synthesis [68.7701048879757]
  EvoKernelは、カーネル合成のライフサイクルを自動化する自己進化型エージェントフレームワークである。 ステージ固有のQ値を学び、現在の目標への貢献に基づいて経験を優先する。 モデルの正しさを11.0%から83.0%に改善し、初期ドラフトよりも3.60倍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） (2026-03-11T14:57:06Z)
• 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)
• K-Search: LLM Kernel Generation via Co-Evolving Intrinsic World Model [57.440609834690385]
  既存のアプローチでは、進化ループ内の高速コードジェネレータとして、LLM(Large Language Models)を扱います。 我々は,共進化的世界モデルによる検索を提案し,この手法に基づいてK-Searchを構築する。 GQA, MLA, MoE カーネルを含む多種多様な複雑なカーネル上で K-Search を評価する。
  論文  参考訳（メタデータ） (2026-02-22T11:06:22Z)
• Principled RL for Diffusion LLMs Emerges from a Sequence-Level Perspective [85.06838178922791]
  強化学習(RL)は自己回帰言語モデルに非常に効果的であることが証明されている。 しかし、これらの手法を拡散大言語モデル(dLLM)に適応させることは、根本的な課題を提起する。 本稿では,全シーケンス生成を単一アクションとして扱い,ELBOを抽出可能なシークエンスレベル確率プロキシとして利用する,原則的RLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-03T13:05:32Z)
• CROP: Circuit Retrieval and Optimization with Parameter Guidance using LLMs [5.611060564629618]
  本稿では,最初の大規模言語モデル(LLM)を用いた自動VLSI設計フローチューニングフレームワークであるCROPを提案する。 提案手法は,(1)RTLソースコードを高密度ベクトル表現に変換するスケーラブルな手法,(2)意味的に類似した回路と設計をマッチングする埋め込み型検索システム,(3)検索強化型LLM誘導パラメータ探索システムを含む。 実験の結果、CROPのQoR(Quality-of-Results)の能力は、工業設計における既存のアプローチよりも少ないイテレーションで達成され、消費電力は9.9%削減された。
  論文  参考訳（メタデータ） (2025-07-02T20:25:47Z)
• AUTOCIRCUIT-RL: Reinforcement Learning-Driven LLM for Automated Circuit Topology Generation [6.2730802180534155]
  AUTOCIRCUIT-RLは、アナログ回路の自動合成のための新しい強化学習ベースのフレームワークである。 有効回路は12%増加し、最高のベースラインに比べて効率が14%向上する。 トレーニングデータに制限のある有効な回路で60%以上の成功を達成し、強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-06-03T17:54:30Z)
• ARCS: Agentic Retrieval-Augmented Code Synthesis with Iterative Refinement [1.980982378865332]
  ARCSは凍結モデル上で、予算化された合成実行再生ループを介して動作する。 生成前に関連するコードコンテキストを検索し、候補を提案し、テストに対して実行し、実行フィードバックに基づいて修正する。 LANLの科学コーパスでは、ベースラインRAGよりも+0.115改良されている。
  論文  参考訳（メタデータ） (2025-04-29T05:15:52Z)

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。