論文の概要: AgenticPD: A Stage-Aware Agentic Framework for Physical Design QoR Optimization

• arxiv url: http://arxiv.org/abs/2607.04758v1
• Date: Mon, 06 Jul 2026 07:55:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.074288
• Title: AgenticPD: A Stage-Aware Agentic Framework for Physical Design QoR Optimization
• Title（参考訳）: AgenticPD:QoR最適化のための段階対応エージェントフレームワーク
• Abstract要約: 本稿では,物理設計QoR最適化のためのエージェントフレームワークであるAgenticPDを提案する。 試験毎にフルフローを再実行するのではなく、AgenticPDは物理的なデザインフローのステージバウンダリを中心に構成されている。 AgenticPDは、電力と面積の競争力を維持しながら、ルート後の強いタイミングを達成する。
• 参考スコア（独自算出の注目度）: 25.310471744315837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical design quality-of-results~(QoR) optimization is hard and expensive. Choices made at one stage can help or hurt later stages. Each evaluation requires a costly EDA run through the full flow. While existing methods still treat optimization as flat parameter tuning or a LLM-based script generation task, we present AgenticPD, a stage-aware agentic framework for physical design QoR optimization. Instead of re-running the full flow after every trial, AgenticPD is organized around the stage boundaries of the physical design flow, where a Judge Agent navigates the search and stage-specialized agents make local decisions within their own stage using stage-local tools. Additionally, the agent harness in AgenticPD provides structured observations, execution history, and agent context management. As a result, the system can branch from prior intermediate states and reuse checkpoints to continue the optimization procedure, and every candidate is evaluated at the post-route signoff. Across these baselines, AgenticPD achieves strong post-route timing while remaining competitive in power and area.
• Abstract（参考訳）: 物理的設計品質~(QoR)最適化は困難で高価である。 ある段階での選択は、後期のステージを助けたり傷つけたりすることができる。 それぞれの評価には、フルフローを通した費用のかかるEDAが必要です。 既存の手法では、パラメータチューニングやLLMベースのスクリプト生成タスクとして最適化を処理しているが、AgenticPDは物理設計のQoR最適化のための段階対応のエージェントフレームワークである。 治験後に全フローを再実行するのではなく、AgenticPDは物理的なデザインフローのステージ境界を中心に組織され、審査員が検索をナビゲートし、ステージ固有のエージェントがステージローカルツールを使用して自身のステージ内でローカル決定を行う。 さらに、AgenticPDのエージェントハーネスは、構造化された観察、実行履歴、エージェントコンテキスト管理を提供する。 その結果、システムは事前の中間状態から分岐し、チェックポイントを再利用して最適化手順を継続することができ、各候補はルート後サインオフで評価される。 これらベースライン全体にわたって、AgenticPDは、電力と面積の競争力を維持しながら、ルート後の強いタイミングを達成する。

関連論文リスト

• The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
  推論駆動最適化のための統合フレームワークであるReASearchを提案する。 共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。 我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
  論文  参考訳（メタデータ） (2026-08-07T02:15:39Z)
• AgentHPOBench: A Benchmark For Evaluating LLM Agents as Sequential Hyperparameter Optimizers [39.39345650320786]
  AgentHPOBenchは、7つの研究カテゴリにわたる30の実行可能な機械学習タスクからなる逐次ベンチマークである。 広範に使用されている12のエージェントと従来型のHPOベースラインを統一プロトコルで評価した。 その結果、現在のエージェントは、ドメイン間で測定可能な実験最適化能力を示すが、継続的改善、複雑なログ診断、報告された参照性能への一貫した進歩において、明確な制限に直面していることがわかった。
  論文  参考訳（メタデータ） (2026-07-31T16:58:00Z)
• Agentic AI for Bilevel Long-Term Optimization of Policy-Driven Physical Layer Systems [56.931625543734306]
  Agentic-Oは、適応的な物理層問題設定に適用可能なネストされた双方向最適化フレームワークである。 Agentic-Oは動的演算子ポリシーに強い適応性を示し、従来の手法と比較してシステムの長期性能を57.2%向上させる。
  論文  参考訳（メタデータ） (2026-06-23T10:53:12Z)
• The Meta-Agent Challenge: Are Current Agents Capable of Autonomous Agent Development? [80.24951682268332]
  本稿では,自律エージェント開発のためのフロンティアモデルのキャパシティをテストするための評価フレームワークであるMeta-Agent Challenge(MAC)を紹介する。 評価の整合性を確保するため、このフレームワークは報奨ハッキングに対する多層防御によって確保される。 メタエージェントは人間工学的な基本方針とほとんど一致せず、その一部はプロプライエタリなフロンティアモデルに支配されている。
  論文  参考訳（メタデータ） (2026-06-03T04:58:17Z)
• IterInject: Indirect Prompt Injection Against LLM Agents via Feedback-Guided Iterative Optimization [33.58630045185762]
  既存の攻撃は、エージェント固有の防御に適応できない静的ペイロードに依存している。 インジェクション,診断,診断のループを閉じるフィードバック誘導反復型フレームワークである oursys を導入する。 ステップは、失敗パターンから新しい偽の種を生成し、戦略空間を自己進化させる。
  論文  参考訳（メタデータ） (2026-05-23T17:00:06Z)
• AI Planning Framework for LLM-Based Web Agents [2.9376953730570197]
  現代のエージェントアーキテクチャを従来の計画パラダイムにマッピングする分類法を導入する。 簡単な成功率を超える軌道品質を評価する5つの新しい評価指標を提案する。 以上の結果から, ステップ・バイ・ステップ・エージェントはヒトのゴールドトラジェクトリとより密に連携するが, フル・プラン・イン・アドバンス・エージェントは技術的に優れていることがわかった。
  論文  参考訳（メタデータ） (2026-03-13T06:46:32Z)
• VeRO: An Evaluation Harness for Agents to Optimize Agents [5.227525836910522]
  我々は、バージョン管理されたエージェントスナップショット、予算管理された評価、構造化された実行トレースを備えた再現可能な評価手法であるVERO(Versioning, Rewards, Observations)を紹介する。 本研究では,ターゲットエージェントの比較実験を行い,どの修正がターゲットエージェントの性能を確実に向上させるか分析する。
  論文  参考訳（メタデータ） (2026-02-25T23:40:22Z)
• RocqSmith: Can Automatic Optimization Forge Better Proof Agents? [0.07696728525672149]
  我々は,Rocqの証明生成エージェントを最適化するタスクに適用した場合に,異なる自動エージェントがどのように機能するかを評価する。 以上の結果から,いくつかのブートストラップが測定可能な改善をもたらす一方で,単純な数発ブートストラップが最も有効であることが示唆された。
  論文  参考訳（メタデータ） (2026-02-05T15:28:26Z)
• AgentPRM: Process Reward Models for LLM Agents via Step-Wise Promise and Progress [71.02263260394261]
  大規模言語モデル(LLM)は、マルチターン意思決定タスクにおいて依然として課題に直面している。 プロセス報酬モデル(PRM)を構築し、各意思決定を評価し、エージェントの意思決定プロセスを導く。 AgentPRMは、シーケンシャルな決定と最終的な目標への貢献の間の相互依存の両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-11-11T14:57:54Z)
• Process-Level Trajectory Evaluation for Environment Configuration in Software Engineering Agents [71.85020581835042]
  大規模言語モデルベースのエージェントは、ソフトウェアエンジニアリングの約束を示すが、環境構成はボトルネックのままである。 既存のベンチマークでは、エンドツーエンドのビルド/テストの成功のみを評価し、エージェントが成功または失敗する場所と理由を見極めている。 本研究では,環境設定計画中の細粒度エージェントのプロセスレベルの軌道評価を行うEnconda-benchを紹介する。
  論文  参考訳（メタデータ） (2025-10-29T16:59:07Z)
• Alita-G: Self-Evolving Generative Agent for Agent Generation [54.49365835457433]
  汎用エージェントをドメインエキスパートに変換するフレームワークであるALITA-Gを提案する。 このフレームワークでは、ジェネラリストエージェントが対象ドメインタスクのキュレートされたスイートを実行する。 計算コストを削減しながら、大きな利益を得ることができます。
  論文  参考訳（メタデータ） (2025-10-27T17:59:14Z)
• Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
  Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。 Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
  論文  参考訳（メタデータ） (2025-05-26T09:46:50Z)

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。