論文の概要: MappingEvolve: LLM-Driven Code Evolution for Technology Mapping

• arxiv url: http://arxiv.org/abs/2604.26591v1
• Date: Wed, 29 Apr 2026 12:17:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.389874
• Title: MappingEvolve: LLM-Driven Code Evolution for Technology Mapping
• Title（参考訳）: MappingEvolve: テクノロジマッピングのためのLLM駆動のコード進化
• Authors: Rongliang Fu, Yi Liu, Qiang Xu, Tsung-Yi Ho,
• Abstract要約: 我々は,大規模言語モデルを用いた技術マッピングコードを直接進化させる,オープンソースのフレームワークである MappingEvolveを紹介した。 提案手法は,提案手法を最適化演算子に抽象化し,階層的エージェントベースアーキテクチャを用いる。 実験の結果,本手法は直接進化と強いベースラインを著しく上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 27.257835790783172
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Technology mapping is a critical yet challenging stage in logic synthesis. While Large Language Models (LLMs) have been applied to generate optimization scripts, their potential for core algorithm enhancement remains untapped. We introduce MappingEvolve, an open-source framework that pioneers the use of LLMs to directly evolve technology mapping code. Our method abstracts the mapping process into distinct optimization operators and employs a hierarchical agent-based architecture, comprising a Planner, Evolver, and Evaluator, to guide the evolutionary search. This structured approach enables strategic and effective code modifications. Experiments show our method significantly outperforms direct evolution and strong baselines, achieving 10.04\% area reduction versus ABC and 7.93\% versus mockturtle, with 46.6\%--96.0\% $S_{overall}$ improvement on EPFL benchmarks, while explicitly navigating the area--delay trade-off. Our code and data are available at https://github.com/Flians/MappingEvolve.
• Abstract（参考訳）: 技術マッピングは論理合成における重要な段階であるが挑戦的な段階である。 LLM(Large Language Models)は最適化スクリプトを生成するために応用されているが、コアアルゴリズムの強化の可能性は未解決のままである。 我々は、LLMを使って直接技術マッピングコードを進化させるオープンソースのフレームワークである MappingEvolveを紹介します。 提案手法では,提案手法を最適化演算子に抽象化し,Planner,Evolver,Evaluatorからなる階層的エージェントベースアーキテクチャを用いて進化的探索を導出する。 この構造化されたアプローチは、戦略的かつ効果的なコード修正を可能にする。 実験の結果,提案手法は直接進化と強いベースラインを著しく上回り,ABCに対して10.04.%,モックタートルに対して7.93.%,EPFLベンチマークにおいて46.6.%-96.0.%$S_{overall}$の改善が得られた。 私たちのコードとデータはhttps://github.com/Flians/MappingEvolve.comで公開されています。

関連論文リスト

• Evolution of Optimization Methods: Algorithms, Scenarios, and Evaluations [98.44542103979735]
  勾配勾配降下法(SGD)とアダム(Adam)による1次勾配勾配降下法は、現代の訓練パイプラインの基礎となる。 大規模モデルトレーニング、厳格なプライバシ要件、分散学習パラダイムは、プライバシ保護とメモリ効率に関する従来のアプローチにおける重要な制限を明らかにする。 深層学習最適化アルゴリズムの進化軌道を振り返って分析し、様々なモデルアーキテクチャやトレーニングシナリオの主流を包括的に評価する。 我々は、重要な新興トレンドと基本設計のトレードオフを抽出し、将来の研究の有望な方向性を示唆する。
  論文  参考訳（メタデータ） (2026-04-14T17:01:36Z)
• FlowRL: A Taxonomy and Modular Framework for Reinforcement Learning with Diffusion Policies [51.53039275043005]
  本稿では,拡散/フローポリシを備えたアルゴリズムRLの包括的分類法を提案する。 Gym-Locomotion、DeepMind Control Suite、IsaacLabのベンチマークを提供しています。 私たちの研究は、理解とアルゴリズム設計の明確な基盤を確立します。
  論文  参考訳（メタデータ） (2026-03-29T00:02:50Z)
• Large Language Model-Powered Evolutionary Code Optimization on a Phylogenetic Tree [17.08113692977552]
  PhyloEvolveは、GPU指向のアルゴリズム最適化をIn-Context Reinforcement Learning問題として再設計するシステムである。 本稿では,アルゴリズムの変種間の継承,分岐,組換えを捉える系統木表現を提案する。 我々は、PDEソルバ、多様体学習、スペクトルグラフアルゴリズムを含む科学計算処理のPhyloEvolveを評価する。
  論文  参考訳（メタデータ） (2026-01-20T22:32:52Z)
• GigaEvo: An Open Source Optimization Framework Powered By LLMs And Evolution Algorithms [7.228213026504935]
  GigaEvoはオープンソースのフレームワークで、研究者はLLM-進化のハイブリッドアプローチを研究、実験することができる。 今後の研究を支援するために,システムアーキテクチャ,実装決定,実験方法論の詳細な説明を行う。
  論文  参考訳（メタデータ） (2025-11-17T14:44:47Z)
• REvolution: An Evolutionary Framework for RTL Generation driven by Large Language Models [2.127921199213507]
  LLM(Large Language Models)は、レジスター-トランスファーレベル(RTL)コード生成に使用される。 本稿では,進化計算(EC)とLLMを組み合わせて自動RTL生成と最適化を行うフレームワークであるRevolutionを紹介する。
  論文  参考訳（メタデータ） (2025-10-24T12:50:35Z)
• LLM-Meta-SR: In-Context Learning for Evolving Selection Operators in Symbolic Regression [11.760077969729055]
  大規模言語モデル (LLM) はアルゴリズム開発に革命をもたらしたが、シンボリック回帰への応用は限定的である。 進化的シンボリック回帰アルゴリズムの選択演算子を自動的に設計するメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-24T08:52:56Z)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• Unleashing the Potential of Large Language Models as Prompt Optimizers: Analogical Analysis with Gradient-based Model Optimizers [108.72225067368592]
  本稿では,大規模言語モデル(LLM)に基づくプロンプトの設計について検討する。 モデルパラメータ学習における2つの重要な要素を同定する。 グラディエントにインスパイアされた Prompt ベースの GPO を開発した。
  論文  参考訳（メタデータ） (2024-02-27T15:05:32Z)

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。