論文の概要: CLDRoute: Conditional Latent Diffusion for Routability Map Generation in Physical Design

• arxiv url: http://arxiv.org/abs/2607.16674v1
• Date: Sat, 18 Jul 2026 07:10:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.224843
• Title: CLDRoute: Conditional Latent Diffusion for Routability Map Generation in Physical Design
• Title（参考訳）: CLDRoute:物理設計におけるランタビリティマップ生成のための条件付き潜時拡散
• Abstract要約: 事前学習に基づく手法では、routabilityの推定を決定論的予測、配置ステージの特徴を1つの混雑またはDRC結果にマッピングする。 本研究では,ルーティングの混雑とDRC違反の両方を空間的に構造化されたルタビリティフィールドとしてモデル化する条件生成問題として,ルタビリティ推定を定式化する。 我々のフレームワークは、期待される結果と不確実性の両方を生成することによって、配置時のルタビリティをより実践的な視点を提供する。
• 参考スコア（独自算出の注目度）: 20.750852836136012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate routability estimation during physical design is important for reducing costly post-routing iterations. Prior learning-based methods treat this task as deterministic prediction, mapping placement-stage features to a single congestion or DRC outcome. We instead formulate routability estimation as a conditional generation problem, where both routing congestion and DRC violations are modeled as spatially structured routability fields. Our framework, Conditional Latent Diffusion for Routeability estimation (CLDRoute), uses physics-aware conditioning and task-specific latent modeling to handle the different characteristics of congestion and DRC maps. This allows our method to supports sample-based inference, producing both a mean prediction and a spatial uncertainty estimate for the same input design. On CircuitNet 2.0 (N28), our method achieves, for DRC violation generation, an SSIM of 0.9678, an MAE of 0.0028, and a TopK@1% of 0.3494; for congestion generation, it achieves an SSIM of 0.9031, an MAE of 0.0286, and an NZ-Pearson of 0.3692. Overall, our framework provides a more practical view of routability at placement by generating both the expected outcome and its uncertainty.
• Abstract（参考訳）: 物理設計における正確なroutability推定は、コストのかかる遅延後のイテレーションを減らすために重要である。 事前学習に基づく手法では、このタスクを決定論的予測、配置段階の特徴を1つの混雑またはDRC結果にマッピングする。 代わりに、ルーティングの混雑とDRC違反の両方を空間的に構造化されたルタビリティフィールドとしてモデル化する条件生成問題として、ルタビリティ推定を定式化する。 筆者らのフレームワークであるConditional Latent Diffusion for Routeability Estimation (CLDRoute) は,物理学的条件付けとタスク固有の潜在モデルを用いて,混雑マップとDRCマップの異なる特性を扱う。 これにより、サンプルベース推論をサポートし、同じ入力設計に対して平均予測と空間不確かさ推定の両方を生成できる。 CircuitNet 2.0(N28)では,DRC違反の発生に対して0.9678のSSIM,0.0028のMAE,およびTopK@1%の0.3494のTopK@1%を実現し,混雑発生において0.9031のSSIM,0.0286のMAE,および0.3692のNZピアソンを実現する。 全体として、我々のフレームワークは、期待される結果と不確実性の両方を生成することによって、配置時のルタビリティをより実践的な視点を提供する。

関連論文リスト

• CRISP: Cliff-awaRe Input-adaptive Sparse Prefilling with Structural-Mass-Motivated Routing [90.63350360476294]
  本稿ではCRISP(Cliff-awaRe Input-adaptive Sparse Prefilling)を提案する。 ルーティング決定は、プロキシアテンションマップの構造から直接読み取ることができることを示す。 ソフトマックス後の質量崖を定式化し、厳密な累積被覆閾値が長い文脈でO(n)バックグラウンドノイズを蓄積することを理論的に示す。
  論文  参考訳（メタデータ） (2026-09-01T22:49:46Z)
• AlphaRoute: Large Language Models as Semantic Optimizers for Multi-Objective Routing [0.0]
  超大規模統合(VLSI)グローバルルーティングは3次元グリッド間の信号ネット割り当てを必要とするNPハード最適化問題である。 従来のオーバーフローは、複雑な混雑トポロジに失敗する静的なペナルティスケジュールに依存しているため、AlphaRouteを提示する。 SHAPをベースとしたオーバーフロー分解法を導入し,3次元迷路ルーティングによる目的部分グラフ抽出を誘導する。
  論文  参考訳（メタデータ） (2026-07-22T05:27:55Z)
• Architecture-Aware Explanation Auditing for Industrial Visual Inspection [1.3054033103300278]
  本稿では,自然読出仮説に基づくアーキテクチャを考慮した説明監査プロトコルを運用する。 WM-811Kウェハマップ(9クラス、172k画像)の3列のゼロフィル摂動プロトコルの下では、ViT-Tiny + Attention RolloutはDeletion AUC 0.211をSwin-Tinyの0.432-0.525に対して取得する。
  論文  参考訳（メタデータ） (2026-05-14T01:48:00Z)
• Neural Cluster First, Route Second: One-Shot Capacitated Vehicle Routing via Differentiable Optimal Transport [3.248584983235657]
  CVRP(Capacitated Vehicle Routing Problem)のための一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発 グローバル・フリート・キャパシティの制約を、異なるエントロピック・最適輸送層を通じてエンドツーエンドで実施し、正確な静電容量を分散させる継続的な輸送計画を生み出している。 事前学習した語彙でフレームワークを組み込むことで、極端なパラメータ効率とゼロショットスケーリングを解放する。
  論文  参考訳（メタデータ） (2026-05-10T03:53:59Z)
• Guided Path Sampling: Steering Diffusion Models Back on Track with Principled Path Guidance [5.814544128372275]
  本稿では,反復的改善のための新しいパラダイムとしてガイドパスサンプリング(GPS)を提案する。 GPSは不安定な外挿を、データ多様体上のサンプリングパスが残るように、原理化された、多様体に制約されたものに置き換える。 GPSは、知覚品質と複雑なプロンプト順守の両方において、既存の手法より優れています。
  論文  参考訳（メタデータ） (2025-12-28T11:12:56Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Travel Time and Weather-Aware Traffic Forecasting in a Conformal Graph Neural Network Framework [0.30586855806896035]
  交通流予測は渋滞の管理、安全性の向上、交通システムの最適化に不可欠である。 より良い予測には、複数の動的および複雑な相互依存因子に影響される交通変動を調節できるモデルが必要である。 本稿では,適応的隣接性を利用したグラフニューラルネットワーク(GNN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-15T15:25:43Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching [77.133400999703]
  相関に基づくステレオマッチングは優れた性能を達成した。 固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。 本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-07-26T09:47:37Z)
• Variational Voxel Pseudo Image Tracking [127.46919555100543]
  不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。 本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
  論文  参考訳（メタデータ） (2023-02-12T13:34:50Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。