論文の概要: AlphaRoute: Large Language Models as Semantic Optimizers for Multi-Objective Routing

• arxiv url: http://arxiv.org/abs/2607.19768v1
• Date: Wed, 22 Jul 2026 05:27:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.983373
• Title: AlphaRoute: Large Language Models as Semantic Optimizers for Multi-Objective Routing
• Title（参考訳）: AlphaRoute:多目的ルーティングのためのセマンティックオプティマイザとしての大規模言語モデル
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Very Large Scale Integration (VLSI) global routing is an NP-hard combinatorial optimization problem requiring signal net assignment across capacity-constrained 3D grids while minimizing congestion, wirelength, and via transitions. Because traditional heuristics rely on static penalty schedules that fail on complex congestion topologies, we present AlphaRoute: a multi-objective adaptive search framework reformulating rip-up and reroute (R&R) into a dynamic optimization system. We introduce SHAP-based overflow decomposition to isolate per-net congestion, driving targeted subgraph extraction via 3D Dijkstra maze routing and an adaptive PathFinder policy. Crucially, AlphaRoute employs Large Language Models (LLMs) as semantic policy optimizers. Bounded by a deterministic knowledge graph, the LLMs interpret congestion metrics to dynamically adjust penalty parameters. Evaluated on ISPD 2025 benchmarks, AlphaRoute reduces overflow by 98.6% on MEMPOOL. On the constrained ARIANE design, we achieve an overflow of 146,109 (a 29.8x reduction in overflow over the state of the art), yielding a penalized score of S_orig = 0.0538 versus the State-of-the-art (SOTA) 1.780. These results demonstrate that superior algorithmic search geometry can overcome the latency of interpreted Python implementations.
• Abstract（参考訳）: Very Large Scale Integration (VLSI) グローバルルーティングは、容量制限された3Dグリッド間の信号ネット割り当てを必要とするNPハード組合せ最適化問題である。 従来のヒューリスティックスは、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するため、マルチオブジェクト適応検索フレームワークであるAlphaRouteを動的最適化システムに変換する。 SHAPに基づくオーバーフロー分解を導入し,3次元Dijkstramazeルーティングと適応型PathFinderポリシを通じて,ターゲットサブグラフ抽出を駆動する。 AlphaRouteは、セマンティックポリシーオプティマイザとしてLarge Language Models (LLM)を採用している。 決定論的知識グラフによってバウンドされ、LLMはペナルティパラメータを動的に調整するために混雑指標を解釈する。 ISPD 2025ベンチマークで評価すると、AlphaRouteはMEMPOOL上でのオーバーフローを98.6%削減する。 制約されたARIANE設計では、146,109(最先端の29.8倍のオーバーフロー)のオーバーフローを実現し、S_orig = 0.0538と最先端(SOTA) 1.780のペナル化スコアを得る。 これらの結果は,Python実装の遅延を克服するアルゴリズム的探索手法が優れていることを証明している。

関連論文リスト

• ATLAS: Automated Approximation of Transformers for Efficient Homomorphic Inference in One Hour [23.72956569553183]
  ホモモルフィック暗号化(FHE)は、プライベート推論に対して強力な暗号化保証を提供する。 FHEの下でトランスフォーマーモデルをデプロイすることは、依然として高価である。 我々は、層ごとの近似設定を自動で設定するATLASを提案する。
  論文  参考訳（メタデータ） (2026-07-26T06:08:13Z)
• CLDRoute: Conditional Latent Diffusion for Routability Map Generation in Physical Design [20.750852836136012]
  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。
  論文  参考訳（メタデータ） (2026-07-18T07:10:42Z)
• 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)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• Enhanced UAV Path Planning Using the Tangent Intersection Guidance (TIG) Algorithm [0.0]
  Tangent Intersection Guidance (TIG) は、静的および動的環境の両方において、UAV経路計画の先進的なアプローチである。 脅威ごとに2つのサブパスを生成し、アルゴリズムルールに基づいて最適な経路を選択し、目標に到達するまで経路を反復的に洗練する。 TIGは衝突回避のための効率的なリアルタイムパス計画機能を示し、APFおよびダイナミックAPPATTアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2025-08-26T12:11:59Z)
• Communication- and Computation-Efficient Distributed Submodular Optimization in Robot Mesh Networks [2.8936428431504164]
  ロボットメッシュネットワークにおける分散サブモジュール最適化のための通信効率と計算効率の両立手法を提案する。 我々の手法であるResource-Aware Distributed Greedy (RAG)は、新しい分散最適化パラダイムを導入する。 RAGの決定時間はネットワークサイズと線形にスケールするが、最先端の準モジュラ最適化アルゴリズムは3倍にスケールする。
  論文  参考訳（メタデータ） (2024-07-15T01:25:39Z)
• Qubit efficient quantum algorithms for the vehicle routing problem on NISQ processors [48.68474702382697]
  時間窓付き車両ルーティング問題(VRPTW)は、ロジスティクス業界で直面する一般的な最適化問題である。 そこで本研究では,以前に導入した量子ビット符号化方式を用いて,バイナリ変数の数を削減した。
  論文  参考訳（メタデータ） (2023-06-14T13:44:35Z)
• Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [68.7863363109948]
  本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。 問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。 他のTE加速方式と比較して、Tealは需要を6～32%増やし、197～625倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2022-10-25T04:46:30Z)
• Automatic Mapping of the Best-Suited DNN Pruning Schemes for Real-Time Mobile Acceleration [71.80326738527734]
  本稿では,汎用的,きめ細かな構造化プルーニング手法とコンパイラの最適化を提案する。 提案手法は,より微細な構造化プルーニング手法とともに,最先端のDNN最適化フレームワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-22T23:53:14Z)
• DHP: Differentiable Meta Pruning via HyperNetworks [158.69345612783198]
  本稿では,ネットワークの自動プルーニングのためのハイパーネットによる識別可能なプルーニング手法を提案する。 遅延ベクトルは、バックボーンネットワーク内の畳み込み層の出力チャネルを制御し、レイヤのプルーニングのハンドルとして機能する。 画像分類、単一画像超解像、復調のための様々なネットワークで実験が行われた。
  論文  参考訳（メタデータ） (2020-03-30T17:59:18Z)
• Reinforcement Learning Based Vehicle-cell Association Algorithm for Highly Mobile Millimeter Wave Communication [53.47785498477648]
  本稿では,ミリ波通信網における車とセルの関連性について検討する。 まず、ユーザ状態(VU)問題を離散的な非車両関連最適化問題として定式化する。 提案手法は,複数のベースライン設計と比較して,ユーザの複雑性とVUEの20%削減の合計で最大15%のゲインが得られる。
  論文  参考訳（メタデータ） (2020-01-22T08:51:05Z)

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。