論文の概要: CoEvoP&R: Co-Evolving Placement Objectives with Routing Feedback via Large Language Models

• arxiv url: http://arxiv.org/abs/2607.17398v1
• Date: Sun, 19 Jul 2026 20:16:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.458488
• Title: CoEvoP&R: Co-Evolving Placement Objectives with Routing Feedback via Large Language Models
• Title（参考訳）: CoEvoP&R: 大規模言語モデルによるフィードバックのルーティングを伴う配置対象の共進化
• Abstract要約: CoEvoP&Rは、大規模言語モデル(LLM)ベースのフレームワークで制限に対処し、分析的な配置目標を自動的に進化させる。 ルート後導線長と混雑を16.9%、36.7%減少させ、最悪の負のスラックでは0.70 ns、ネイティブのDREAMPlaceでは912 ns減少させる。
• 参考スコア（独自算出の注目度）: 8.816894613626845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analytical placers rely on differentiable objective functions to guide placement, typically combining intermediate surrogate metrics such as half-perimeter wirelength (HPWL) and cell-density penalties. However, these placement-stage surrogates remain misaligned with downstream routed and timing quality. Prior work reduces this gap with human-designed terms or learned black-box surrogates, but the former requires expert retuning and the latter is difficult to explain, debug, or deploy in analytical placement flows. CoEvoP&R addresses these limitations with a large language model (LLM)-based framework that automatically evolves analytical placement objectives. At each generation, the prompt combines the restricted objective interface, baseline context, and archived prior candidates with routing-related feedback from placement, timing proxy, and routing tools. The LLM proposes readable differentiable objectives, which are embedded and validated in DREAMPlace, evaluated through a timing proxy and an actual router, and stored with their feedback to guide later generations. Across eight ChiP-Bench Nangate45 designs and three seeds, CoEvoP&R reduces post-route routed wirelength and congestion by 16.9% and 36.7%, with gains of 0.70 ns in worst negative slack and a 912 ns reduction in total negative slack magnitude over native DREAMPlace. Across eight ICCAD 2015 Superblue designs, it reduces post-route routed wirelength and congestion by 5.4% and 23.2%. Code is available at https://github.com/FCHXWH823/CoEvoP-R.git.
• Abstract（参考訳）: 解析的プレーサーは、半周波線長(HPWL)や細胞密度のペナルティといった中間的代理指標を組み合わせた配置を導くために、異なる目的関数に依存している。 しかし、これらの配置段階のサロゲートは、下流の経路とタイミング品質とが一致していない。 以前の作業では、人間が設計した用語や学習したブラックボックスサロゲートとのギャップを減らしていますが、前者は専門家の再調整が必要で、後者は分析的な配置フローの説明、デバッグ、デプロイが困難です。 CoEvoP&Rは、解析的な配置目標を自動的に進化させる大規模言語モデル(LLM)ベースのフレームワークによって、これらの制限に対処する。 各世代でプロンプトは、制限された客観的インターフェース、ベースラインコンテキスト、アーカイブされた事前候補と、配置、タイミングプロキシ、ルーティングツールからのルーティング関連のフィードバックを組み合わせる。 LLMは、DREAMPlaceに埋め込まれて検証され、タイミングプロキシと実際のルータを通して評価され、フィードバックと共に保存され、後の世代をガイドする可読性微分対象を提案する。 8つのChiP-Bench Nangate45設計と3つの種のうち、CoEvoP&Rはルート後配線長と混雑を16.9%、36.7%減らし、最悪の負のスラックでは0.70 ns、DREAMPlaceでは912 ns減らした。 8つのICCAD 2015 Superblue設計で、ルート後配線長と混雑を5.4%、23.2%削減した。 コードはhttps://github.com/FCHXWH823/CoEvoP-R.gitで入手できる。

関連論文リスト

• From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix [55.08143827481755]
  200以上の内部アプリケーションから1つのモデルにトラフィックを集約します。 我々は、各軸ごとに別々のGRPOエキスパートを訓練し、2段階のSLERPを介してそれらをマージする。 このモデルは、プラットフォームトラフィックの50%、月1億6600万リクエストをサービスコストのごく一部で吸収する。
  論文  参考訳（メタデータ） (2026-09-01T17:39:26Z)
• RecGPT-Mobile-V2 Technical Report [22.10290138930905]
  RecGPT-Mobile-V2は、意図的品質と実行効率をステージド設計の目的として扱うエンドツーエンドフレームワークである。 このフレームワークは異種間相互作用をエビデンス保存軌道に変換し、ドメイン適応と教師付きアライメントを通じてレコメンデーションネイティブ基盤を確立する。 オンライン検索分析では、クエリリコールチャネルは、確立されたリコールチャネルによってサーフェスされたインベントリに補完されるインベントリを検索することを示している。
  論文  参考訳（メタデータ） (2026-08-25T09:23:17Z)
• Navigation-Informed Embeddings: Dense-Retriever Adaptation from Agent Search Traces [0.0]
  追跡対象の家系であるNIE(Navigation-Informed Embeddings)を紹介する。 NIE-Stopは停止する文書をソフトなポジティブに変え、NIE-Pathは先行するパス文書をハードな比較として使用する。 NIE-Pathは長路性能を55.4に引き上げ、未適応のエンコーダは46.7に向上した。
  論文  参考訳（メタデータ） (2026-08-16T23:07:44Z)
• TRACE-ROUTER: Task-Consistent and Adaptive Online Routing for Agentic AI [8.291830023781403]
  本稿では,タスクレベルのルーティングフレームワークであるTRACEについて述べる。 タスクの遅延フィードバックを活用することで、TRACEはワークロードに適応するルーティングポリシを学ぶ。 精度にマッチしたトレードオフを継続的に改善し、非レイテンシフロンティアポイントを達成します。
  論文  参考訳（メタデータ） (2026-07-24T16:29:06Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)
• GeoRouteNet: Geometry-Enhanced Non-Autoregressive Neural Solver for the Traveling Salesman Problem [5.202950948929751]
  GeoRouteNetはユークリッド旅行セールスマン問題(TSP)のための幾何学強化ニューラルネットワークである モデル側では、GeoRouteNetには、中心ノード機能、学習可能なラジアル距離基底関数、距離対応グラフアテンション、LayerNorm-SwiGLUフィードフォワードブロック、層間減衰残エンコーダミキシングが組み込まれている。 トレーニング側では,インスタンス毎に複数の候補ツアーを抽出するマルチ候補自己比較強化学習(MCS-RL)を設計する。
  論文  参考訳（メタデータ） (2026-06-22T02:31:22Z)
• Weasel: Out-of-Domain Generalization for Web Agents via Importance-Diversity Data Selection [62.12561798137681]
  Weaselは、Webエージェントのオフライントレーニングのための軌道選択方法である。 トレーニングコストを削減しつつ、ドメイン外のパフォーマンスを改善し、標準的な微調整よりも約9.7-12.5$timesのトレーニングスピードアップを実現しています。
  論文  参考訳（メタデータ） (2026-05-19T09:19:01Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
  WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。 WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。 NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
  論文  参考訳（メタデータ） (2026-04-20T01:29:56Z)
• Validated Intent Compilation for Constrained Routing in LEO Mega-Constellations [1.0152838128195467]
  本稿では,高レベルな演算子の意図を低レベルなルーティング制約に変換するエンドツーエンドシステムを提案する。 我々のシステムは,運用運用に必要な安全保証を維持しつつ,オペレータ意図とネットワーク構成のセマンティックなギャップを埋める。
  論文  参考訳（メタデータ） (2026-04-08T16:29:25Z)
• A Rubric-Supervised Critic from Sparse Real-World Outcomes [87.11204512676193]
  現実のコーディングエージェントは、成功信号がノイズが多く、遅延し、スパースであるループで人間と動作します。 本稿では,RLに基づくトレーニングや推論時間スケーリングの報奨モデルとして,スパースとノイズの相互作用データから"批判的"モデルを学習するプロセスを提案する。
  論文  参考訳（メタデータ） (2026-03-04T07:23:54Z)
• LK Losses: Direct Acceptance Rate Optimization for Speculative Decoding [67.61563011564388]
  投機的復号化は自己回帰型大言語モデル(LLM)推論を加速させる。 標準トレーニングは、プロキシ目的としてKullback-Leibler(KL)の発散を最小限にする。 受入率を直接目標とする特別な訓練目標であるLK損失を提案する。
  論文  参考訳（メタデータ） (2026-02-27T10:20:11Z)
• Rethinking the Spatial Route Prior in Vision-and-Language Navigation [29.244758196643307]
  VLN(Vision-and-Language Navigation)は、知的エージェントを自然言語による予測位置へナビゲートすることを目的としたトレンドトピックである。 この研究は、VLNのタスクを、これまで無視されていた側面、すなわちナビゲーションシーンの前の空間ルートから解決する。
  論文  参考訳（メタデータ） (2021-10-12T03:55:43Z)

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。