論文の概要: AutoVSR: Automatic Visual-to-Symbolic Reasoning for Symbolic Expression Generation from Circuit Schematic
- arxiv url: http://arxiv.org/abs/2607.11338v2
- Date: Wed, 22 Jul 2026 04:04:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 16:42:31.331778
- Title: AutoVSR: Automatic Visual-to-Symbolic Reasoning for Symbolic Expression Generation from Circuit Schematic
- Title（参考訳）: AutoVSR:回路スキーマからのシンボル表現生成のための視覚とシンボリック自動推論
- Abstract要約: 記号表現は、回路の挙動を効果的に特徴づけ、予測することができるが、それらを回路図学から直接導出することは困難である。
本稿では,回路表現の自動生成フレームワークであるAutoVSRを提案する。
- 参考スコア（独自算出の注目度）: 43.471910170320946
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symbolic expressions can effectively characterize and predict circuit behavior, but deriving them directly from circuit schematics is challenging. This process requires accurate visual-to-symbolic construction of circuit structure from images and correct multi-step symbolic derivation, both of which impose strict correctness requirements. This work proposes AutoVSR, an automated framework for visual-to-symbolic generation of circuit expressions using Vision Language Models (VLMs). By reconstructing circuit diagrams into an executable intermediate representation (Executable IR) and leveraging a symbolic solver for reasoning, AutoVSR significantly improves the accuracy of symbolic expression generation. AutoVSR introduces two key innovations: an IR construction method guided by component rule retrieval and verification-based feedback, and a symbolic solver implemented as a planning agent equipped with a symbolic tool library for reliable multi-step derivation. Compared with end-to-end VLM approaches and specialized methods on the main symbolic expression generation task, AutoVSR achieves accuracy improvements of 30.01--59.45% and 41.96--51.84%, respectively. Moreover, AutoVSR surpasses closed-source state-of-the-art VLMs in inference cost and computational efficiency. Code is available at https://github.com/LongfeiLi1/AutoVSR.
- Abstract（参考訳）: 記号表現は、回路の挙動を効果的に特徴づけ、予測することができるが、それらを回路図学から直接導出することは困難である。
このプロセスでは、画像から回路構造の正確な視覚的-記号的構成と、厳密な正当性要件を課す複数のステップのシンボル的導出が必要である。
本研究は,視覚言語モデル(VLM)を用いた回路表現の自動生成フレームワークであるAutoVSRを提案する。
回路図を実行可能な中間表現(Executable IR)に再構成し、推論にシンボルソルバを活用することにより、AutoVSRはシンボル表現生成の精度を大幅に向上する。
AutoVSRは、コンポーネントルール検索と検証ベースのフィードバックによってガイドされるIR構築方法と、信頼できる多段階導出のためのシンボリックツールライブラリを備えた計画エージェントとして実装されたシンボリックソルバの2つの重要なイノベーションを紹介する。
エンド・ツー・エンドのVLMアプローチとメインのシンボリック表現生成タスクの特殊な手法と比較して、AutoVSRはそれぞれ30.01--59.45%と41.96--51.84%の精度向上を実現している。
さらに、AutoVSRは推論コストと計算効率において、クローズドソースのVLMを超えている。
コードはhttps://github.com/LongfeiLi1/AutoVSRで入手できる。
関連論文リスト
- SINA: A Fully Automated Circuit Schematic Image to Netlist Generator Using Artificial Intelligence [0.0]
SINAは、オープンソースの回路スキーマ画像-ネットリスト生成器である。
SINAはICレベルのスキーマとPCBレベルのスキーマを扱い、専用のクロスワイヤ検出を組み込んでいる。
我々の実験では、全体のネットリスト生成精度は96.67%であり、最先端のアプローチに比べて2.72倍高い。
論文 参考訳（メタデータ） (2026-07-02T02:24:00Z) - Unified Driving Tokens: Representation- and Geometry-Guided Discrete Tokenizer for Driving World Models and Planning [13.385292682258147]
共同管理下で離散トークンを学習する表現誘導型および幾何学強化型トークン化器を提案する。
NAVSIMの実験では、再構成の忠実度と表現整合性、固定デコーダによる競合計画性能、一致した設定での生成品質が向上した。
論文 参考訳（メタデータ） (2026-06-01T09:02:32Z) - Molecular Identifier Visual Prompt and Verifiable Reinforcement Learning for Chemical Reaction Diagram Parsing [52.825281124618535]
反応図解析(RxnDP)は、文献から化学合成情報を抽出するために重要である。
近年の視覚言語モデル(VLM)はこの複雑な視覚的推論タスクを自動化するための有望なパラダイムとして登場した。
この研究はVLMベースのRxnDPを2つの相補的視点、すなわち表現の促進と学習パラダイムから強化する。
論文 参考訳（メタデータ） (2026-03-16T09:17:05Z) - ResTok: Learning Hierarchical Residuals in 1D Visual Tokenizers for Autoregressive Image Generation [64.84095852784714]
Residual Tokenizer (ResTok)は、画像トークンと潜在トークンの両方の階層的残基を構築する1Dビジュアルトークンライザである。
視覚的トークン化における階層的残差の復元はAR画像生成を著しく改善し,ImageNet-256ではわずか9ステップで2.34gFIDを達成した。
論文 参考訳（メタデータ） (2026-01-07T14:09:18Z) - Hierarchical Process Reward Models are Symbolic Vision Learners [56.94353087007494]
記号型コンピュータビジョンは、明示的な論理規則と構造化された表現を通して図を表現し、機械ビジョンの解釈可能な理解を可能にする。
これは、ピクセルベースのビジュアルモデルと根本的に異なる学習パラダイムを必要とする。
本稿では, インプットダイアグラムをプリミティブにエンコードし, インプットダイアグラムを再構築する自己教師型オートエンコーダを提案する。
論文 参考訳（メタデータ） (2025-12-02T18:46:40Z) - Zero-Shot Vehicle Model Recognition via Text-Based Retrieval-Augmented Generation [1.2031796234206136]
本稿では、ゼロショット認識をサポートするために、視覚言語モデル(VLM)とRetrieval-Augmented Generation(RAG)を統合するパイプラインを提案する。
VLMは、車両画像を記述属性に変換し、テキスト特徴のデータベースと比較する。
この設計は、大規模な再訓練を回避し、新しい車両のテキスト記述を追加することで、迅速な更新を可能にする。
論文 参考訳（メタデータ） (2025-10-21T10:39:39Z) - FastDriveVLA: Efficient End-to-End Driving via Plug-and-Play Reconstruction-based Token Pruning [75.80110543049783]
我々は,自律運転のための再建型視覚トークンプルーニングフレームワークであるFastDriveVLAを提案する。
VLAモデルの視覚的エンコーダにReconPrunerを訓練するために, 新たなフォアグラウンド逆バックグラウンド再構築戦略を考案した。
提案手法は,異なるプルーニング比におけるnuScenesオープンループ計画ベンチマークの最先端結果を実現する。
論文 参考訳（メタデータ） (2025-07-31T07:55:56Z) - LIFT: Automating Symbolic Execution Optimization with Large Language Models for AI Networks [31.69036961288122]
LIFT(Large- Language-model Integrated Functional-equivalent-IR Transformation)は、シンボル実行における中間表現(IR)の最適化を自動化する新しいフレームワークである。
実世界のバイナリの実験では、パフォーマンスが大幅に向上した。
論文 参考訳（メタデータ） (2025-07-07T12:26:56Z) - Symbolic Rule Extraction from Attention-Guided Sparse Representations in Vision Transformers [1.3812010983144802]
最近のニューロシンボリックアプローチは、解釈可能性を高めるためにCNNベースのモデルからシンボリック・ルールセットを抽出することに成功している。
本稿では、スパースオートエンコーダ(SAE)にインスパイアされたスパース概念層を導入し、視覚変換器(ViT)からシンボルルールを抽出するフレームワークを提案する。
本手法は,記号的推論が可能でありながら,標準のViTよりも5.14%の精度で分類できる。
論文 参考訳（メタデータ） (2025-05-10T19:45:15Z) - Symbolic Visual Reinforcement Learning: A Scalable Framework with
Object-Level Abstraction and Differentiable Expression Search [63.3745291252038]
DiffSESは、離散的なシンボルポリシーを発見する新しいシンボリック学習手法である。
生のピクセルレベルの入力の代わりにオブジェクトレベルの抽象化を使用することで、DiffSESはシンボリック表現の単純さとスケーラビリティの利点を活用することができる。
我々の実験は、DiffSESが最先端のシンボルRL法よりもシンプルでスケーラブルなシンボリックポリシーを生成することができることを示した。
論文 参考訳（メタデータ） (2022-12-30T17:50:54Z)
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。