論文の概要: Towards Reliable AI-Assisted Analog Design: Template-Constrained LLM Agents for SAR ADC Generation
- arxiv url: http://arxiv.org/abs/2607.14165v1
- Date: Wed, 15 Jul 2026 05:19:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.847836
- Title: Towards Reliable AI-Assisted Analog Design: Template-Constrained LLM Agents for SAR ADC Generation
- Title(参考訳): 信頼性の高いAI支援アナログ設計に向けて:SAR ADC生成のためのテンプレート制約LDMエージェント
- Abstract要約: 大規模言語モデル(LLM)は、ソフトウェアコード生成において重要な能力を示している。
アナログ電子設計自動化(EDA)への応用はボトルネックとなっている。
機能的逐次近似レジスタ(SAR)アナログ-ディジタル変換器(ADC)を生成可能なエンドツーエンド多段階ATLASフレームワークを提案する。
我々は,SAR ADCを技術ノードと入力スペックにまたがって開発することで,我々のフレームワークの強力な概念実証を実証する。
- 参考スコア(独自算出の注目度): 2.1765860637318606
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Large Language Models (LLMs) have demonstrated significant capability in software code generation, their application to analog Electronic Design Automation (EDA) is bottlenecked. Owing to limited circuit topology understanding and data, directly prompting LLMs and multimodal models leads to hallucinations and failure to produce schematics capable of passing rigorous SPICE simulations, as we show in our work. Instead, we propose an end-to-end, multi-step LLM agentic framework ATLAS, capable of generating a functional Successive Approximation Register (SAR) Analog-to-Digital Converter (ADC) that successfully passes simulation validation. To adhere to the rigid constraints of analog design, we utilize expert knowledge to ground the LLM in its planning, selection, parameterization, and iterative modification. As part of ATLAS, we introduce Template-Constrained Generation - which unlike other template-based works - builds towards a more generalized SAR ADC generation flow. We demonstrate a strong proof-of-concept of our framework by developing SAR ADCs across technology nodes and input specs. Overall, our expert-knowledge grounded multi-step agentic ATLAS establishes a pragmatic foundation for integrating LLMs into reliable analog design methodologies.
- Abstract(参考訳): 大規模言語モデル(LLM)は、ソフトウェアコード生成において重要な能力を示してきたが、アナログ電子設計自動化(EDA)への応用はボトルネックとなっている。
限られた回路トポロジの理解とデータにより、LLMやマルチモーダルモデルを直接的に促すことで、厳密なSPICEシミュレーションをパスできるようなスキーマを生成できないという幻覚と失敗につながります。
そこで本研究では,ADC(Analog-to-Digital Converter)を機能的に生成し,シミュレーション検証に成功させる,エンドツーエンドのマルチステップLLMエージェントフレームワークATLASを提案する。
アナログ設計の厳密な制約に固執するため,我々は専門家の知識を活用してLLMの計画,選択,パラメータ化,反復的な修正を行う。
ATLASの一部として、テンプレートベースの他の作業とは異なり、テンプレート制約付き生成を導入し、より一般化されたSAR ADC生成フローに向けて構築する。
我々は,SAR ADCを技術ノードと入力スペックにまたがって開発することで,我々のフレームワークの強力な概念実証を実証する。
総合的に, 専門家による多段階エージェントATLASは, LLMを信頼性の高いアナログ設計手法に統合するための実用的基盤を確立している。
関連論文リスト
- Model-Driven Discipline for Multi-Agent LLMs: Requirement-to-Verification Generation of Traceable System Models [62.62160094849002]
RADIANTは、MDEとMulti-Agent Large Language Modelを組み合わせたエンジニアリング方法論である。
工学的なフェーズにまたがる異種モデルを自動的に生成する。
正確かつ自動的な変更インパクト分析を提供する。
論文 参考訳(メタデータ) (2026-07-18T08:50:55Z) - AHD Agent: Agentic Reinforcement Learning for Automatic Heuristic Design [5.7547035595428255]
AHD(Automatic Design)は、NP-hard最適化問題を解決するための有望なパラダイムとして登場した。
既存のAHDフレームワークは通常、固定されたコンテキスト内で大きな言語モデル(LLM)を受動的ジェネレータとして扱う。
本稿では,新たなツール統合多ターンフレームワークであるAHD Agentを提案する。
論文 参考訳(メタデータ) (2026-05-09T07:36:45Z) - On Integrating Resilience and Human Oversight into LLM-Assisted Modeling Workflows for Digital Twins [0.0]
ディジタルツインにレジリエンスと監視を統合するための重要な設計原則を3つ提示する。
重要な貢献は、様々な詳細と複雑さのモデル記述にまたがるLCMによるエラーの詳細な評価である。
論文 参考訳(メタデータ) (2026-03-26T20:38:03Z) - RAVEL: Reasoning Agents for Validating and Evaluating LLM Text Synthesis [78.32151470154422]
テスト担当者が自律的に設計し、典型的な合成操作を実行できるようにするためのエージェントフレームワークであるRAVELを紹介する。
C3EBenchは、プロの人間の文章から1,258個のサンプルを抽出したベンチマークである。
SOTA LLMを演算子としてRAVELを増強することにより、そのようなエージェントテキスト合成はLLMの推論能力に支配されていることがわかった。
論文 参考訳(メタデータ) (2026-02-28T14:47:34Z) - OSIRIS: Bridging Analog Circuit Design and Machine Learning with Scalable Dataset Generation [1.6249267147413524]
アナログIC設計のためのデータセット生成パイプラインOSIRISを提案する。
OSIRISは、包括的なパフォーマンスメトリクスとメタデータを生成する。
我々はOSIRISで生成された87,100の回路変動からなるデータセットをリリースする。
論文 参考訳(メタデータ) (2026-01-27T10:18:46Z) - Speed Always Wins: A Survey on Efficient Architectures for Large Language Models [51.817121227562964]
大規模言語モデル(LLM)は、言語理解、生成、推論、マルチモーダルモデルの能力境界の押し付けにおいて、素晴らしい結果をもたらしている。
トランスフォーマーモデルは、現代のLLMの基礎として、優れたスケーリング特性を備えた強力なベースラインを提供する。
従来のトランスフォーマーアーキテクチャは、相当な計算を必要とし、大規模なトレーニングと実践的なデプロイメントに重大な障害を生じさせる。
論文 参考訳(メタデータ) (2025-08-13T14:13:46Z) - Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。
古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。
コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
論文 参考訳(メタデータ) (2025-07-21T10:52:14Z) - JARVIS: A Multi-Agent Code Assistant for High-Quality EDA Script Generation [3.6946337486060776]
JARVISは、LLM(Large Language Models)とドメインの専門知識を活用して、EDAタスクのための高品質なスクリプトを生成する、新しいマルチエージェントフレームワークである。
合成データを用いて訓練されたドメイン固有LLM, 構造検証, ルール強制, コード修正機能, 高度な検索機構のカスタムコンパイラを組み合わせることにより, 本手法は最先端のドメイン固有モデルよりも大幅に改善されている。
論文 参考訳(メタデータ) (2025-05-20T23:40:57Z) - A Text-Based Knowledge-Embedded Soft Sensing Modeling Approach for General Industrial Process Tasks Based on Large Language Model [16.842988666530204]
データ駆動型ソフトセンサー(DDSS)は、プロセス産業において重要なパフォーマンス指標を予測する主要な手法となっている。
開発には、モデリングプロセス中に様々なタスクに合わせてカスタマイズされた複雑でコストがかかる設計が必要である。
本稿では,LLM-TKESS(テキストベース知識埋め込み型ソフトセンシングのための大規模言語モデル)というフレームワークを提案する。
論文 参考訳(メタデータ) (2025-01-09T08:59:14Z) - SynerGen-VL: Towards Synergistic Image Understanding and Generation with Vision Experts and Token Folding [66.74446220401296]
画像の理解と生成の両方が可能なシンプルだが強力なエンコーダのないMLLMであるSynerGen-VLを提案する。
トークンの折り畳み機構と,高分解能画像理解を効果的に支援するビジョンエキスパートベースのプログレッシブアライメント事前学習戦略を導入する。
コードとモデルはリリースされます。
論文 参考訳(メタデータ) (2024-12-12T18:59:26Z) - Reference Trustable Decoding: A Training-Free Augmentation Paradigm for Large Language Models [79.41139393080736]
大規模言語モデル(LLM)は急速に進歩し、印象的な機能を示している。
In-Context Learning (ICL) など。
効率的なファインチューニング(PEFT)は、現在2つの主要な拡張方法である。
下流タスクへのLLM。
我々は、モデルが微調整なしで新しいタスクに迅速に適応できるパラダイムである参照信頼復号(RTD)を提案する。
論文 参考訳(メタデータ) (2024-09-30T10:48:20Z)
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。