論文の概要: PhysEDA: Physics-Aware Learning Framework for Efficient EDA With Manhattan Distance Decay

• arxiv url: http://arxiv.org/abs/2605.10547v1
• Date: Mon, 11 May 2026 13:24:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.846559
• Title: PhysEDA: Physics-Aware Learning Framework for Efficient EDA With Manhattan Distance Decay
• Title（参考訳）: PhysEDA: マンハッタン距離減少を伴う効率的なEDAのための物理知識学習フレームワーク
• Authors: Zetao Yang,
• Abstract要約: 物理構造線形注意(PSLA)と電位ベースリワード整形(PBRS)の2成分からなるPhysEDAを提案する。 PSLAは、分離可能なマンハッタンの崩壊を乗法バイアスとして線形アテンション核に折り畳み、二次から線型への複雑性を減少させる。 PBRSは同じカーネルから物理ポテンシャルを構築し、スパースRLの下で高密度の報酬信号を提供する。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electronic design automation (EDA) addresses placement, routing, timing analysis, and power-integrity verification for integrated circuits. Learning methods -- attention (Transformer) and reinforcement learning (RL) -- have recently emerged on EDA tasks, yet face two common bottlenecks: vanilla attention's quadratic complexity limits scaling, and data-scarce models overfit statistical noise and amplify weak long-range correlations against the underlying physics. We observe that EDA tasks share a physical prior -- pairwise electrical and routing interactions decay exponentially along Manhattan distance -- and integrate it as a unified inductive bias into both architecture and training. We propose PhysEDA, comprising two components Physics-Structured Linear Attention (PSLA) folds the separable Manhattan decay into the linear-attention kernel as a multiplicative bias, reducing complexity from quadratic to linear; Potential-Based Reward Shaping (PBRS) constructs a physical potential from the same kernel, providing dense reward signal under sparse RL while preserving the optimal policy via the policy-invariance theorem. Across three EDA scenarios -- decoupling-capacitor placement, macro placement, and IR-drop prediction -- PhysEDA improves zero-shot cross-scale transfer by 56.8% and achieves 14x inference speedup with 98.5% memory savings on 100x100 grids; PBRS adds another 10.8% in sparse-reward DPP.
• Abstract（参考訳）: 電子設計自動化(EDA)は、集積回路の配置、ルーティング、タイミング解析、電力積分性検証に対処する。 学習手法 -- 注意 (Transformer) と強化学習 (RL) -- は、最近EDAタスクに現れたが、2つの一般的なボトルネックに直面している。 我々は,EDAタスクが,マンハッタンからの距離に沿って指数関数的に崩壊する物理的前兆 – 電気的およびルーティング的相互作用 – を共有していることを観察し,アーキテクチャとトレーニングの両方に統一的帰納バイアスとして統合する。 本稿では,PSLA(PhysEDA)とPysEDA(PhysEDA)とPSLA(PhysEDA)の2つのコンポーネントについて,分割可能なマンハッタンの崩壊を乗法バイアスとして線形アテンションカーネルに折り畳み,複雑性を2次から線形に低減する。 3つのEDAシナリオ -- 疎結合キャパシタ配置、マクロ配置、IR-drop予測 -- PhysEDAは、ゼロショットのクロススケール転送を56.8%改善し、100x100グリッドで98.5%のメモリ節約で14倍の高速化を実現している。

関連論文リスト

• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Causal AI For AMS Circuit Design: Interpretable Parameter Effects Analysis [1.9739269019020032]
  本研究では,SPICEシミュレーションデータから有向非巡回グラフ(DAG)を最初に検出する因果推論フレームワークを提案する。 このアプローチは、設計ノブの人間解釈可能なランク付けと明示的な「What-if」予測をもたらす。 すべての回路にわたって、因果モデルは平均的な絶対誤差が25%未満のシミュレーションベースのATEを再現するが、ニューラルネットワークは80%以上ずれ、しばしば間違った符号を予測する。
  論文  参考訳（メタデータ） (2026-03-24T20:10:58Z)
• Multi-Scenario Highway Lane-Change Intention Prediction: A Temporal Physics-Informed Multi-Modal Framework [7.719990052862356]
  車線変更意図予測は、自動運転とADASにとって安全に欠かせないものである。 本稿では,物理に着想を得たインタラクションキューと深部時間表現を融合するハイブリッドフレームワークであるTPI-AIを提案する。 TPI-AIはスタンドアローンのLightGBMとBi-LSTMベースラインより優れており、マクロF1は0.9562、0.9124、0.8345、ハイDは0.9247、0.8197、0.7605、T = 1, 2, 3 sである。
  論文  参考訳（メタデータ） (2025-12-30T08:36:35Z)
• Physics Enhanced Deep Surrogates for the Phonon Boltzmann Transport Equation [0.0]
  物理強化深部サロゲート(PEDS) ネットワークは、幾何学に依存した補正と、マクロとナノスケールの挙動を補間する混合係数を学ぶ。 PEDSは、純粋なデータ駆動ベースラインと比較して、トレーニングデータ要求を最大70%削減する。
  論文  参考訳（メタデータ） (2025-11-25T16:25:24Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Enhancing Reinforcement Learning for the Floorplanning of Analog ICs with Beam Search [0.32985979395737786]
  本稿では,強化学習(RL)とビーム(BS)戦略を組み合わせたハイブリッド手法を提案する。 BSアルゴリズムはエージェントの推論プロセスを強化し、フレキシブルなフロアプランを生成する。 実験結果から, 標準RL法と比較すると, 面積, 死空間, 線長が約5～85%向上した。
  論文  参考訳（メタデータ） (2025-05-08T08:50:32Z)
• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。 提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• PTPI-DL-ROMs: pre-trained physics-informed deep learning-based reduced order models for nonlinear parametrized PDEs [0.6827423171182154]
  本稿では,物理インフォームメントによるPOD-DL-ROMの大幅な拡張について考察する。 まず,POD-DL-ROMをトランクネットアーキテクチャで補完し,空間領域内の各点における問題の解を計算する能力を付与する。 特に、利用可能な数少ないデータを活用して、低コストの事前学習手順を開発する。
  論文  参考訳（メタデータ） (2024-05-14T12:46:12Z)

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。