論文の概要: Arcane: An Assertion Reduction Framework through Semantic Clustering and MCTS-Guided Rule Exploring

• arxiv url: http://arxiv.org/abs/2605.10107v1
• Date: Mon, 11 May 2026 07:20:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.597927
• Title: Arcane: An Assertion Reduction Framework through Semantic Clustering and MCTS-Guided Rule Exploring
• Title（参考訳）: Arcane: セマンティッククラスタリングとMCTSガイドによるルール探索によるアクセレーション削減フレームワーク
• Authors: Hongqin Lyu, Yonghao Wang, Zhiteng Chao, Tiancheng Wang, Huawei Li,
• Abstract要約: 本稿では,冗長なアサーションによるシミュレーションオーバーヘッドを軽減するためのフレームワークを提案する。 これは2層アサーションクラスタリングアプローチを統合し、大きなアサーション集合の正確なセマンティック分類を行う。 これは、公式なカバレッジと突然変異検出能力を保ちながら、アサーション数において最大76.2%の減少を達成する。
• 参考スコア（独自算出の注目度）: 4.596514272069197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assertion-based Verification (ABV) is essential for ensuring that hardware designs conform to their intended specifications. However, existing automated assertion-generation approaches, such as LLM-based frameworks, often generate large numbers of redundant assertions, which significantly degrade simulation efficiency. To mitigate the simulation overhead caused by redundant assertions, this paper proposes Arcane, an efficient assertion reduction framework. It integrates a two-tier assertion clustering approach for accurate semantic classification of large assertion sets, and employs Monte Carlo Tree Search (MCTS) to explore optimal rule-application sequences for efficient assertion reduction. The experimental results on Assertionbench [20] show that Arcane achieves a reduction of up to 76.2% in the assertion count while fully preserving formal coverage and mutation-detection ability. Further simulation studies demonstrate a speedup of 2.6x to 6.1x speedup in simulation time. The proposed framework is released at https://anonymous.4open.science/r/Arcane1-0A6F/.
• Abstract（参考訳）: Assertion-based Verification (ABV) は、ハードウェア設計が意図した仕様に準拠していることを保証するために不可欠である。 しかし、LLMベースのフレームワークのような既存の自動アサーション生成アプローチは、しばしば大量の冗長なアサーションを生成し、シミュレーション効率を著しく低下させる。 本稿では, 冗長なアサーションによるシミュレーションオーバーヘッドを軽減するために, 効率的なアサーション低減フレームワークであるArcaneを提案する。 大規模なアサーション集合の正確なセマンティック分類のための2層アサーションクラスタリングアプローチを統合し、MCTS(Monte Carlo Tree Search)を用いて効率的なアサーション還元のための最適なルールアプリケーションシーケンスを探索する。 Assertionbench [20] 実験の結果,Arcan はアサーション数 76.2% まで減少し,形式的カバレッジと突然変異検出能力は保たれている。 さらなるシミュレーション研究は、シミュレーション時間における2.6倍から6.1倍のスピードアップを示す。 提案されたフレームワークはhttps://anonymous.4open.science/r/Arcane1-0A6F/でリリースされる。

関連論文リスト

• Efficient Test-Time Inference via Deterministic Exploration of Truncated Decoding Trees [68.04613115686509]
  自己整合性は、複数の推論トレースを並列にサンプリングし、投票することで、推論時間のパフォーマンスを向上させる。 そこで本研究では,切り落された標本を伐採木として扱う決定論的復号法であるDLE(Distinct Leafion)を提案する。 DLEは高品質な推論トレースを調査し、数学、コーディング、一般的な推論タスクのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2026-04-22T12:42:03Z)
• PROMISE: Proof Automation as Structural Imitation of Human Reasoning [15.113069562646302]
  ProMISEは,証明状態遷移に対するステートフルな探索として,証明生成を再構成する構造認識フレームワークである。 複数のLLMバックエンドにまたがるSEL4ベンチマークのPROMISEを評価し,SeleneやRangoといった先行システムと比較した。
  論文  参考訳（メタデータ） (2026-04-07T03:49:12Z)
• Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
  LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。 テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。 そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
  論文  参考訳（メタデータ） (2026-02-02T09:14:51Z)
• SPARC-RAG: Adaptive Sequential-Parallel Scaling with Context Management for Retrieval-Augmented Generation [8.00733338569737]
  Retrieval-Augmented Generationは、大規模な言語モデルのアウトプットを外部のエビデンスに根拠付けている。 最近の研究は、2つの相補的な次元に沿って推論時にRAGをスケールする。 逐次的および並列な推論時間スケーリングを協調するマルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-22T20:18:55Z)
• Tree Reward-Aligned Search for TReASURe in Masked Diffusion Language Models [13.433506313486701]
  ツリー検索は、生成モデルとタスク固有の報酬をテスト時に整合させる強力なフレームワークとして登場した。 これらの問題に対処する木探索テスト時間アライメント手法であるTReASUReを提案する。 TReASUReは、パープレキシティ、言語受容性、感情と毒性の制御に関する最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-09-27T06:22:45Z)
• Learning Adaptive Parallel Reasoning with Language Models [70.1745752819628]
  本稿では,適応並列推論(Adaptive Parallel Reasoning, APR)を提案する。 APRは、spawn()とjoin()操作を使用して適応的なマルチスレッド推論を可能にすることで、既存の推論メソッドを一般化する。 鍵となる革新は、親と子の両方の推論スレッドを最適化して、事前に定義された推論構造を必要とせずにタスクの成功率を高める、エンドツーエンドの強化学習戦略である。
  論文  参考訳（メタデータ） (2025-04-21T22:29:02Z)
• ProofAug: Efficient Neural Theorem Proving via Fine-grained Proof Structure Analysis [50.020850767257095]
  本稿では,LLMに様々な粒度で自動化手法を付加するProofAugを提案する。 本手法は,オープンソースのDeep-math-7bベースモデルとIsabelle証明アシスタントを用いて,MiniF2Fベンチマークで検証した。 また、ProofAugのLean 4バージョンを実装し、Kimina-Prover-seek-Distill-1.5Bのパス@1のパフォーマンスを44.3%から50.4%に改善します。
  論文  参考訳（メタデータ） (2025-01-30T12:37:06Z)
• Efficient Inference for Large Language Model-based Generative Recommendation [78.38878421030522]
  LLM(Large Language Model)ベースの生成レコメンデーションは目覚ましい成功を収めた。 ジェネレーティブレコメンデーションにSD(Speculative Decoding)を適用すると、トップKアイテムを生成する必要があるため、ユニークな課題が提示される。 我々は,厳密なトップK検証の下でトップKアライメントを最適化する AtSpeed-S というアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-07T16:23:36Z)

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。