論文の概要: Physics-Guided Geometric Diffusion for Macro Placement Generation
- arxiv url: http://arxiv.org/abs/2605.16451v1
- Date: Fri, 15 May 2026 04:01:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:46.411525
- Title: Physics-Guided Geometric Diffusion for Macro Placement Generation
- Title（参考訳）: 物理誘導幾何拡散によるマクロ配置生成
- Authors: Jongho Yoon, Jinsung Jeon, Seokhyeong Kang,
- Abstract要約: マクロ配置はVLSI物理設計において重要な段階であり、チップ全体の性能を根本的に決定する。
最近のデータ駆動配置手法は大きな可能性を示しているが、シーケンシャルな依存関係を扱うのに苦労することが多い。
物理誘導幾何拡散フレームワークであるマクロディフ+を提案する。
ISPD2005 MMSベンチマークでは、マクロディフ+は6.1-6.2%のワイヤ長で最先端のベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 5.038274171096632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Macro placement is a pivotal stage in VLSI physical design, fundamentally determining the overall chip performance. Recent data-driven placement methods have demonstrated significant potential, yet they often struggle to handle sequential dependencies and to balance topological connectivity with physical constraints. To bridge this gap, we propose MacroDiff+, a physics-guided geometric diffusion framework. Specifically, we design a dual-domain denoising architecture that couples topological connectivity encoded by heterogeneous GNNs with global geometric context modeled by a Transformer. Furthermore, we introduce Physics-Guided Sampling, an inference strategy that actively steers the generation using explicit gradients to ensure both statistical plausibility and physical validity. On the ISPD2005 MMS benchmarks, MacroDiff+ outperforms state-of-the-art baselines with a 6.1-6.2% reduction in wirelength. Notably, it exhibits superior stability and scalability on large-scale designs where prior methods fail to converge. The source code is available at https://github.com/jhy00n/MacroDiff-plus.
- Abstract（参考訳）: マクロ配置はVLSI物理設計において重要な段階であり、チップ全体の性能を根本的に決定する。
最近のデータ駆動配置法は大きな可能性を示しているが、連続的な依存関係を扱い、トポロジ的接続と物理的制約のバランスをとるのに苦労することが多い。
このギャップを埋めるために、物理誘導幾何拡散フレームワークであるマクロディフ+を提案する。
具体的には、異種GNNでエンコードされたトポロジカル接続と、トランスフォーマーでモデル化されたグローバルな幾何学的コンテキストを結合した二重ドメインデノナイズアーキテクチャを設計する。
さらに、統計的妥当性と物理的妥当性の両立を保証するために、明示的な勾配を用いて生成を積極的に制御する推論戦略である物理誘導サンプリングを導入する。
ISPD2005 MMSベンチマークでは、マクロディフ+は6.1-6.2%のワイヤ長で最先端のベースラインを上回っている。
特に、従来の手法が収束しない大規模設計では、安定性とスケーラビリティが優れている。
ソースコードはhttps://github.com/jhy00n/MacroDiff-plusで入手できる。
関連論文リスト
- A meshfree exterior calculus for generalizable and data-efficient learning of physics from point clouds [8.15594797043476]
点雲上の物理構造保存記述を学習するためのメッシュフリー外部計算(MEEC)を導入する。
私たちは、解像度、ジオメトリ、物理パラメータをまたいで転送するデータ効率のサロゲートであるMEEC-Netを構築するのに使用しています。
論文 参考訳（メタデータ） (2026-05-08T19:59:40Z) - A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。
MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。
合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-05-05T20:19:09Z) - MOC-3D: Manifold-Order Consistency for Text-to-3D Generation [23.728859313442385]
MOC-3Dは、幾何多様体とセマンティックビューオーダー整合性に基づくテキストから3D生成法である。
本手法では,セマンティック・ビュー・オーダー制約モジュールとマニフォールド・ベースの特徴継続モジュールを組み込む。
論文 参考訳（メタデータ） (2026-05-03T06:45:48Z) - Mesh Based Simulations with Spatial and Temporal awareness [2.867517731896504]
本稿では,幾何学的深層学習と厳密な数値解析のギャップを埋める統一的な枠組みを提案する。
1) ノードの全局所トポロジのフィールド値を予測するステンシルレベルの目的であるマルチノード予測,(2) 時間的微分整合性,(3) 時間的交叉による不安定な定性的スキームを予測器・コレクタに置き換える時間的補正,(3) 幾何学的インダクティブ・ビアース,3) 3次元回転位置埋め込み(RoPE)を利用して非構造メッシュの回転対称性を頑健に捉える。
論文 参考訳（メタデータ） (2026-05-02T17:09:31Z) - Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。
AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする
我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文 参考訳（メタデータ） (2026-03-12T18:19:21Z) - RIGA-Fold: A General Framework for Protein Inverse Folding via Recurrent Interaction and Geometric Awareness [14.42786271490985]
RIGA-Foldは、リカレントインタラクションと幾何学的認識を相乗化するフレームワークである。
構造的モダリティとシーケンス的モダリティのギャップを埋めるために、強化された変種RIGA-Fold*を導入する。
我々のフレームワークは、シーケンス回復と構造的整合性の両方において、最先端のベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-04T15:07:13Z) - Riemannian Flow Matching for Disentangled Graph Domain Adaptation [51.98961391065951]
グラフドメイン適応(GDA)は典型的には、ユークリッド空間におけるグラフ埋め込みの整列に逆学習を使用する。
DisRFMは、埋め込みとフローベースのトランスポートを統一する幾何学的なGDAフレームワークである。
論文 参考訳（メタデータ） (2026-01-31T11:05:35Z) - Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。
VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。
合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
論文 参考訳（メタデータ） (2026-01-30T03:59:38Z) - Diffusion-Based Hierarchical Graph Neural Networks for Simulating Nonlinear Solid Mechanics [20.95722391593829]
Rolling Diffusion-Batched Inference Network (ROBIN)は、2つの重要なイノベーションを統合する新しい学習シミュレータである。
ROBINは、ビーム曲げや多体接触のような現象に不可欠な微細な局所力学と大域的な構造効果の両方を捉えている。
幾何学的, 材料的, 接触非線形性を含む2次元および3次元固体力学ベンチマークにおいて, ROBINを検証した。
論文 参考訳（メタデータ） (2025-06-06T12:46:36Z) - Bridging Geometric States via Geometric Diffusion Bridge [79.60212414973002]
本稿では,初期および対象の幾何状態を正確にブリッジする新しい生成モデリングフレームワークであるGeometric Diffusion Bridge (GDB)を紹介する。
GDBは、幾何学的状態の接続のためにDoobの$h$-transformの修正版から派生した同変拡散ブリッジを使用している。
我々はGDBが既存の最先端のアプローチを超越し、幾何学的状態を正確にブリッジするための新しい経路を開くことを示す。
論文 参考訳（メタデータ） (2024-10-31T17:59:53Z)
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。