論文の概要: RF-Agent: A Practical Framework for Building Language Agents for RFIC Design

• arxiv url: http://arxiv.org/abs/2607.18772v1
• Date: Tue, 21 Jul 2026 06:53:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.34073
• Title: RF-Agent: A Practical Framework for Building Language Agents for RFIC Design
• Title（参考訳）: RF-Agent: RFIC設計のための言語エージェント構築のための実践的フレームワーク
• Abstract要約: 大規模言語モデル(LLM)は電子設計自動化(EDA)の急速な進歩を促している RF-Agentは教科書による知識蒸留によってこのギャップに対処する。 7つの標準RF教科書のサブセクションレベルのコーパスは、第一種RFドメイン推論データセットに変換される。
• 参考スコア（独自算出の注目度）: 1.6944059328267054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have driven rapid progress in electronic design automation (EDA), yet their application to radio-frequency (RF) circuit design remains limited by the scarcity of domain-specific datasets and standardized benchmarks. We present RF-Agent, which addresses this gap through textbook-driven knowledge distillation. A multi-agent Question-Thinking-Solution-Answer (QTSA) pipeline converts a subsection-level corpus from seven canonical RF textbooks into the first-of-its-kind RF-domain reasoning dataset (over 11,000 samples) with a dedicated multiple-choice benchmark. On this benchmark we study two adaptation strategies: supervised fine-tuning (SFT) and three retrieval-augmented generation (RAG) configurations (semantic, keyword, hybrid). Across multiple LLM families, domain-specific SFT significantly improves RF reasoning, especially for small and medium-sized models; among RAG configurations, semantic retrieval performs best, indicating embedding-based context alignment suits RF reasoning better than naive fusion. The dataset and benchmark provide a reusable foundation for future work on LLM-aided RF circuit design.
• Abstract（参考訳）: 大規模言語モデル (LLM) は電子設計自動化 (EDA) の急速な進歩を導いてきたが、その無線周波数回路設計への応用は、ドメイン固有のデータセットや標準化されたベンチマークの不足によって制限されている。 RF-Agentは教科書による知識蒸留によってこのギャップに対処する。 マルチエージェントQTSAパイプラインは、7つの標準RF教科書のサブセクションレベルのコーパスを、専用のマルチチョイスベンチマークで11,000以上のサンプルのRFドメイン推論データセットに変換する。 本ベンチマークでは、教師付き微調整(SFT)と3つの検索拡張生成(RAG)構成(セマンティック、キーワード、ハイブリッド)の2つの適応戦略について検討する。 複数のLLMファミリー全体で、ドメイン固有のSFTはRF推論を大幅に改善し、特に中小モデルのRAG構成では、セマンティック検索が最善である。 データセットとベンチマークは将来のLLM支援RF回路設計のための再利用可能な基盤を提供する。

関連論文リスト

• Effective Receptive Field Ordering Matters for Infrared Small Target Detection [4.164968462221666]
  我々は、ERFの組織は、受容的フィールドデザインそのものとは無関係に、アーキテクチャの次元を構成すると論じる。 本稿では,マルチグリッド型Vサイクル戦略により階層型RFFスケジューリングを実現するReceptive Field Ordering Network (RFONet)を提案する。 RFONetは1.16Mパラメータと157 FPSの推論速度しか持たない複数のベンチマークのパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-07-27T04:40:57Z)
• RF-GPT: Teaching AI to See the Wireless World [48.294819966466044]
  大規模言語モデル(LLM)とマルチモーダルモデルは、強力な汎用推論システムとなっている。 RF-GPT(RF-GPT)は、マルチモーダルの視覚エンコーダを用いて、RFスペクトログラムの処理と理解を行う無線言語モデルである。 テキストのみのLLMは、これらのキャプションをRF地上の命令回答ペアに変換し、約12,000のRFシーンと2500万のサンプルを生成する。
  論文  参考訳（メタデータ） (2026-02-16T15:24:56Z)
• MOTIF-RF: Multi-template On-chip Transformer Synthesis Incorporating Frequency-domain Self-transfer Learning for RFIC Design Automation [6.037841678034353]
  我々は、マルチテンプレート機械学習(ML)サロゲートモデルを開発し、それを高周波集積回路(RFIC)の変換器(XFMR)の逆設計に適用する。 新しい周波数領域の自己伝達学習技術は、隣接する周波数帯域間の相関を利用しており、S-s予測の精度が約30%-50%向上する。 逆設計フレームワークは、複数のインピーダンスマッチングタスクを使用して検証される。
  論文  参考訳（メタデータ） (2025-11-26T23:03:34Z)
• MARAG-R1: Beyond Single Retriever via Reinforcement-Learned Multi-Tool Agentic Retrieval [50.30107119622642]
  大規模言語モデル(LLM)は推論と生成において優れているが、本質的には静的事前学習データによって制限されている。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識に基盤を置くことでこの問題に対処する。 MarAG-R1は、LLMが複数の検索機構を動的に調整できる強化学習型マルチツールRAGフレームワークである。
  論文  参考訳（メタデータ） (2025-10-31T15:51:39Z)
• Domain-Specific Data Generation Framework for RAG Adaptation [58.20906914537952]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデルの言語理解と推論能力と外部検索を組み合わせ、ドメイン基底応答を可能にする。 本稿では,様々なRAG適応手法に合わせて,ドメイン基底型質問応答コンテキスト(QAC)トリプルを生成するフレームワークであるRAGenを提案する。
  論文  参考訳（メタデータ） (2025-10-13T09:59:49Z)
• 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)
• R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [65.04475956174959]
  Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLにおける重要な課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータの敵ジャミングに対する感受性である。 本稿では,無線ネットワーク上での大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いたレジリエンスSFLのための物理層フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-07-16T12:21:29Z)
• Deep-Learned Compression for Radio-Frequency Signal Classification [0.49109372384514843]
  次世代の細胞概念は、大量の高周波サンプルの処理に依存している。 RF信号の複雑な値のサンプルを圧縮する深層学習圧縮モデルHQARFを提案する。 RF信号の変調クラスを推定するために訓練されたAIモデルの性能に対するHQARFの効果を評価する。
  論文  参考訳（メタデータ） (2024-03-05T17:42:39Z)
• One-shot Generative Distribution Matching for Augmented RF-based UAV Identification [0.0]
  この研究は、限られたRF環境下でRFフィンガープリントを用いて無人航空機(UAV)を特定するという課題に対処する。 RF信号の複雑さと可変性は、環境干渉やハードウェアの不完全性の影響を受け、従来のRFベースの識別手法を効果的にしないことが多い。 変換されたRF信号を増強するためのワンショット生成法は、UAV識別を著しく改善する。
  論文  参考訳（メタデータ） (2023-01-20T02:35:43Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• RF-Net: a Unified Meta-learning Framework for RF-enabled One-shot Human Activity Recognition [9.135311655929366]
  デバイスフリー(または非接触)センシングは、デバイスベース(またはウェアラブル)センシングよりも環境変化に敏感である。 RF-HARの既存のソリューションは、新しい環境に適応するための努力的なデータ収集プロセスを必要とする。 本稿では,1ショットのRF-HARに対するメタラーニングに基づくアプローチとしてRF-Netを提案する。
  論文  参考訳（メタデータ） (2021-10-29T01:58:29Z)

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。