論文の概要: MAGE: Human-Like Macro Placement via Agentic Multimodal Reasoning

• arxiv url: http://arxiv.org/abs/2607.18536v1
• Date: Mon, 20 Jul 2026 22:02:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.250776
• Title: MAGE: Human-Like Macro Placement via Agentic Multimodal Reasoning
• Title（参考訳）: MAGE: エージェントマルチモーダル推論によるヒューマンライクなマクロ配置
• Abstract要約: マクロ配置改善のためのマルチエージェントフレームワークであるMAGEを提案する。 MAGEはマクロ配置タスクを6フェーズのワークフローに分解し、構造化フロアプランニングルール、ビジュアルチェック、反復的な改善を組み合わせた。 人間の類似度測定では、MAGEはすべてのベースラインに対して、全体のスコアを6%-48%改善する。
• 参考スコア（独自算出の注目度）: 1.5102260054654923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Macro placement still requires substantial manual refinement in industrial physical design flows. We present MAGE (Macro Placement Agentic Engine), a multimodal multi-agent framework for macro placement refinement. MAGE decomposes the macro placement task into a six-phase workflow that combines structured floorplanning rules, visual checks, and iterative refinement. Expert floorplanning knowledge is encoded through natural-language directives and validation criteria, rather than learned from labeled placement data. A tournament-style refinement mode evaluates multiple candidate placements and propagates feedback from higher-quality solutions. We also introduce four metrics for quantifying human-likeness in macro placement: notch score, whitespace score, pocket score, and alignment score. These metrics capture structural properties used by expert designers but not directly measured by conventional PPA metrics. Across nine designs in NanGate45 and GlobalFoundries 12nm enablements, MAGE achieves geometric-mean improvements of 11.1%-19.3% in WNS and 70.0%-74.0% in TNS over commercial macro placers. On the three NanGate45 designs, for which human-expert and Hier-RTLMP baselines are available, MAGE improves WNS and TNS by 18.3% and 72.5% over the human expert, and by 47.0% and 80.4% over Hier-RTLMP, with comparable wirelength and power. On human-likeness metrics, MAGE improves the overall score by 6%-48% over all baselines. Additional case studies on anonymized netlists, unseen designs, dense rectilinear floorplans, and high-utilization settings show that the framework transfers to new placement settings without design-specific retraining.
• Abstract（参考訳）: マクロ配置は依然として工業用物理デザインフローにおいてかなりの手作業による改良を必要としている。 マクロ配置改善のためのマルチモーダルマルチエージェントフレームワークであるMAGE(Macro Placement Agentic Engine)を提案する。 MAGEはマクロ配置タスクを6フェーズのワークフローに分解し、構造化フロアプランニングルール、ビジュアルチェック、反復的な改善を組み合わせた。 専門家のフロアプランニング知識は、ラベル付き配置データから学ぶのではなく、自然言語の指示と検証基準によって符号化される。 トーナメントスタイルのリファインメントモードは、複数の候補の配置を評価し、高品質なソリューションからのフィードバックを伝搬する。 また,マクロ配置における人間の類似度を定量化するための指標として,ノッチスコア,ホワイトスペーススコア,ポケットスコア,アライメントスコアの4つを紹介した。 これらのメトリクスは、エキスパートデザイナーが使用する構造特性をキャプチャするが、従来のPPAメトリクスでは直接測定されない。 NanGate45 と GlobalFoundries 12nm の9つの設計のうち、MAGE は WNS の 11.1%-19.3% と TNS の 70.0%-74.0% の幾何平均的な改善を実現している。 人間のエキスパートとHier-RTLMPのベースラインが利用できる3つのNanGate45の設計では、MAGEは人間の専門家よりWNSとNSを18.3%、72.5%改善し、Hier-RTLMPより47.0%、80.4%改善した。 人間の類似度測定では、MAGEはすべてのベースラインに対して、全体のスコアを6%-48%改善する。 匿名化されたネットリスト、見えない設計、密集したリチニアフロアプラン、高利用率設定に関する追加ケーススタディは、フレームワークが設計固有のリトレーニングなしで新しい配置設定に転送されることを示している。

関連論文リスト

• MacroAgent: Regularity-Aware Macro Legalization with LLM-Agent-Designed Contour Algorithms [21.59953270787966]
  大規模言語モデル(LLM)を用いたマクロ合法化のための新しいフレームワークを提案する。 TILOSとChipyardベンチマークの実験結果は、最先端のマクロ正規化作業と比較すると、レイアウトの正則性は2倍から8倍改善されている。 Cadence Innovus place-and-routeによるエンドツーエンド評価では、正規性の改善が有形PPAゲインに変換されることを確認した。
  論文  参考訳（メタデータ） (2026-08-24T15:31:52Z)
• MAPLE: MoE Adaptive Plug-and-play Layer-wise Expert allocation [8.26092809964631]
  スパースアクティベートされたMixture-of-Experts (MoE) トランスフォーマーは、すべての層にまたがる同じ数のルーティングされた専門家を普遍的に修正する。 我々は,事前訓練されたMOE LLMの層にまたがって,経路付きエキスパート予算を均質に再配置するプラグイン・アンド・プレイ・フレームワークであるMAPLEを提案する。
  論文  参考訳（メタデータ） (2026-08-15T16:10:28Z)
• AgentOmnia: Scaling Agentic Models for Full-Scenario Applications [36.656762500581216]
  大規模言語モデルエージェントは急速に進歩しているが、ドメイン、機能、タスクの難しさ、インタラクション設定にはまだ進歩が断片化されている。 これはTo-Consumer(ToC)、To-Business(ToB)、To-Employee(ToE)アプリケーション間でタスク空間の定義、データ合成、ポストトレーニング、評価、改善を調整するフレームワークです。
  論文  参考訳（メタデータ） (2026-07-25T09:58:24Z)
• Mind the Gap: Can Frontier LLMs Pass a Standardized Office Proficiency Exam? [90.39633603556767]
  コンピュータ自動化のための大規模言語モデル(LLM)エージェントは加速しているが、複雑なプロフェッショナルグレードの生産性ソフトウェアをナビゲートする能力はほとんどテストされていない。 この能力を定量化するために,中国のコンピュータランク試験(NCRE)に基づく評価を導入する。 我々は7つのフロンティア LLM をベンチマークし、スターク制限を観測した。 より強力なエージェントシステムであり、実行フィードバック、反復的修復、より広いオフィス自動化アクセスは68.8%に達するが、スコアの正当性チェックとして使われる95.5%のコミュニティ基準スコアを下回っている。
  論文  参考訳（メタデータ） (2026-06-09T14:59:14Z)
• Consistent and Distinctive: LLM Benchmark Efficiency via Maximum Independent Set Prompt Selection on Similarity Graphs [4.397020178702767]
  本稿では,大規模言語モデル(LLM)を総合ベンチマークで評価するためのグラフベースのプロンプト選択フレームワークを提案する。 6つの埋め込みモデル,3つの距離測度,6%のしきい値,および4つのベンチマーク(GPQA, IFEval, MMLU-Pro, Omni-MATH)にまたがる4つのMISソルバを評価した。
  論文  参考訳（メタデータ） (2026-05-31T18:45:12Z)
• PHMForge: A Scenario-Driven Agentic Benchmark for Industrial Asset Lifecycle Maintenance [2.532228247215641]
  PHMForge は Prognostics and Health Management (PHM) タスクの大規模言語モデル (LLM) エージェントを評価するために特別に設計されたベンチマークである。 当社のベンチマークでは、7つの産業資産クラス(ファンエンジン、ベアリング、電動モーター、ギアボックス、エアエンジン)にまたがる75のシナリオを5つのコアタスクカテゴリでカバーしています。 我々は,2つのMPPサーバに65の専門ツールを構築し,タスク・コメンシュレート・メトリクスを用いた実行ベースの評価器を実装した。
  論文  参考訳（メタデータ） (2026-04-02T02:09:27Z)
• Re$^{\text{2}}$MaP: Macro Placement by Recursively Prototyping and Packing Tree-based Relocating [67.49674976434322]
  この研究は、エキスパート品質のマクロ配置を生成するRe$text2$MaPメソッドを導入している。 我々はDREAMPlaceを使って、混合サイズの配置プロトタイプを構築し、マクロとクラスタごとに参照位置を取得する。 次に、パッキングツリーベースの移動手順を設計し、各グループ内のマクログループとマクロの位置を共同で調整する。
  論文  参考訳（メタデータ） (2025-11-11T09:56:10Z)
• BEAR: Benchmarking and Enhancing Multimodal Language Models for Atomic Embodied Capabilities [61.173773299032746]
  身体能力とは、エージェントが物理的世界を理解し、理解し、相互作用する一連の基本的な能力を指す。 我々は,原子エンボディド能力のMLLMを評価する,包括的できめ細かなベンチマークであるBEARを紹介する。 BEARは、低レベルポインティング、軌跡理解、空間的推論、高レベルプランニングといったタスクを含む、14のドメインにまたがる4,469のインターリーブイメージビデオテキストエントリで構成されている。 我々は,MLLM知覚,3D理解,計画能力を強化するために,事前学習された視覚モデルを統合するマルチモーダル・コンバータブルエージェントであるBEAR-Agentを提案する。
  論文  参考訳（メタデータ） (2025-10-09T19:18:36Z)
• The Digital Sous Chef -- A Comparative Study on Fine-Tuning Language Models for Recipe Generation [2.497854684676663]
  本稿では,GPT-2大モデル(774M)とGPT-2小モデル(124M)と,RecipeDB 5-cuisineコーパス上の従来のLSTM/RNNベースラインとを比較検討した。 キーとなるコントリビューションは、23個の共通分数トークンとカスタム構造マーカーで語彙を拡大するトークン化戦略です。
  論文  参考訳（メタデータ） (2025-08-20T13:53:13Z)
• OrderChain: Towards General Instruct-Tuning for Stimulating the Ordinal Understanding Ability of MLLM [28.249198952483685]
  本稿では,MLLMの規則的理解能力を,特異性と共通性モデリングにより向上させる,新規で汎用的なプロンプトパラダイムであるOrderChainを提案する。 総合的な実験により、我々のOrderChainを用いたLLaVAモデルは、多様なORデータセットのベースラインLLaVAを大幅に改善することが示された。 OrderChainによるLLaVAは、Adienceデータセットの精度で27%、MAEで0.24で、最先端の手法よりも著しく優れています。
  論文  参考訳（メタデータ） (2025-04-07T07:53:44Z)
• EACO: Enhancing Alignment in Multimodal LLMs via Critical Observation [58.546205554954454]
  臨界観測(EACO)によるMLLMのアライメント向上を提案する。 EACOは、経済的に5k画像のみを使用して、MLLMを自己生成の選好データで整列する。 EACOは幻覚全体の65.6%をHalusionBenchで減らし、MME-Cognitionで21.8%改善する。
  論文  参考訳（メタデータ） (2024-12-06T09:59:47Z)
• Building Math Agents with Multi-Turn Iterative Preference Learning [56.71330214021884]
  本稿では,モデル性能をさらに向上させるために,補完的な直接選好学習手法について検討する。 既存の直接選好学習アルゴリズムは、もともとシングルターンチャットタスク用に設計されている。 この文脈に合わせたマルチターン直接選好学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-04T02:41:04Z)
• Exposing Limitations of Language Model Agents in Sequential-Task Compositions on the Web [69.6913064185993]
  言語モデルエージェント(LMA)は、ミューティステップ決定タスクにおける有望なパラダイムとして登場した。 約束にもかかわらず、現実世界のアプリケーションでの彼らのパフォーマンスはまだ過小評価されている。 既存のLMAはベースタスクで平均94.0%の成功率を達成したが、その性能は構成タスクで平均24.9%に低下した。
  論文  参考訳（メタデータ） (2023-11-30T17:50:47Z)

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。