論文の概要: EvoDRC: A Self-Evolving Agentic Framework for Automated DRC Violation Repair

• arxiv url: http://arxiv.org/abs/2607.20019v1
• Date: Wed, 22 Jul 2026 10:59:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.062269
• Title: EvoDRC: A Self-Evolving Agentic Framework for Automated DRC Violation Repair
• Title（参考訳）: EvoDRC - DRC自動換気修復のための自己進化型エージェントフレームワーク
• Abstract要約: EvoDRCはエージェントブロックレベルのDRC修復のためのスキル進化フレームワークである。 EvoDRCは報告されたベースラインに比べて73.5%の削減を実現している。
• 参考スコア（独自算出の注目度）: 10.171947271419858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Design rule check (DRC) closure remains a major bottleneck in advanced-node physical design. Although detailed routers are rule-aware, residual design rule violations (DRVs) often require manual engineering change order iterations. Automating this process is challenging because repairs must account for complex geometric interactions, preserve circuit connectivity, and avoid introducing new violations. We present EvoDRC, a skill-evolution framework for agentic block-level DRC repair. EvoDRC initializes layer-specific repair skills using knowledge distilled from an unrelated reference design and continuously evolves these skills using traceable repair experience collected from the target design. EvoDRC decomposes the layout into bounded repair regions and assigns an LLM repair agent to each region. Local DRC analysis, connectivity-checking, and impact-preview tools provide feedback on proposed modifications. Repair operations and their resulting DRV changes are stored in a knowledge database and used to evolve the repair skills. Experiments on seven block-level designs from the DAC26 DRC Benchmark show that EvoDRC achieves a 73.5\% overall reduction compared to the reported baseline.
• Abstract（参考訳）: 設計規則チェック(DRC)の閉鎖は、先進ノード物理設計において依然として大きなボトルネックとなっている。 詳細なルータはルール対応だが、設計規則違反(DRV)は手動のエンジニアリング変更順序の反復を必要とすることが多い。 このプロセスの自動化は、修復は複雑な幾何学的相互作用を考慮し、回路接続を保ち、新しい違反を回避する必要があるため、難しい。 エージェントブロックレベルのDRC修復のためのスキル進化フレームワークであるEvoDRCを提案する。 EvoDRCは、無関係な参照設計から抽出した知識を用いて層固有の修復スキルを初期化し、ターゲット設計から収集した追跡可能な修復経験を用いて、これらのスキルを継続的に進化させる。 EvoDRCはレイアウトを有界な修復領域に分解し、各領域にLLM修復エージェントを割り当てる。 ローカルDRC分析、コネクティビティチェック、インパクトプレビューツールは、提案された修正に対するフィードバックを提供する。 修復作業とその結果のDRV変更は知識データベースに格納され、修復スキルの進化に使用される。 DAC26 DRCベンチマークによる7つのブロックレベルの設計実験により、EvoDRCは報告されたベースラインと比較して73.5\%の全体的な削減を達成した。

関連論文リスト

• RECTIFY: An Interactive Workbench for Post-Evaluation RAG Diagnosis, Repair, and Verification [1.564663326217051]
  RECTIFYはインタラクティブなStreamlitワークベンチで、評価されたRAGケースを監査可能な修復に変換する。 制御されたRAGベンチマークでは、RECTIFYはBM25、高密度、ハイブリッド検索にまたがる解釈可能な障害プロファイルをサーフェスする。 さらなる分析により、フィルター前処理は不要な修復候補を減らすことが示されている。
  論文  参考訳（メタデータ） (2026-09-15T07:37:58Z)
• ARISE-RL: Agentic Rubric-Grounded Iterative Self-Evolution with Reinforcement Learning [74.19730275669227]
  ARISE-RLは、オープンエンドエージェントをトレーニングするための新しいフルサイクルの自己進化フレームワークである。 Reward-Gated Self-Evolution Distillation (RG-SED)を提案する。 ECR-Benchは,シングルツールディープリサーチとマルチツールトラベルプランニングを対象とする,専門家校正型ルーリックベンチマークスイートである。
  論文  参考訳（メタデータ） (2026-09-01T10:54:13Z)
• DRC-Aid: Design-Rule Correction via Agentic Framework utilizing Inference-Time Large Language Models [8.310339483962915]
  本稿では,ローカルDRC修復を自動化するクローズドループエージェントフレームワークであるDRC-Aidを提案する。 幾何修復空間を制約するために、決定論的ルールエンジンは、物理検証ツールが報告した違反を幾何学的編集の有界メニューに変換する。 DRVを含むFreePDK45レイアウトを評価したところ、DRC-Aidは総違反率98%の92.5%のDRCクリーニング、LVS等価修復を達成した。
  論文  参考訳（メタデータ） (2026-07-23T21:22:36Z)
• Causal-AgentIR: Self-Evolving Causal Memory for Adaptive Image Restoration Agents [54.85451496831771]
  Causal-AgentIRは階層的なマルチエージェントフレームワークであり、画像復元インテリジェンスのための自己進化型因果記憶を持つ。 分解パターン、画像領域、復元ツール、アクション、品質変更、ユーザの好みを構造化された因果記憶グラフに整理する。 このグラフはグラフベースの検索とマルチホップ因果推論をサポートしており、エージェントは特定の復元操作やツールシーケンスが異なる劣化条件下での修復品質にどのように影響するかを推測することができる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:44Z)
• DepRepair: LLM-Based Source-Code Repair for Dependency Breaking Changes [26.444574129479463]
  DepRepairは、3つのコンポーネントで構築された上流の証拠を修復する単一コールLLMアプローチである。 GPT-5.5で89.5%、Claude Opus 4.6で82.1%となる。
  論文  参考訳（メタデータ） (2026-07-20T13:58:13Z)
• CLOSER-Bench: Evaluating Budgeted Cross-Stage Design Closure for Hardware Agents [5.604484678527336]
  CLOSER-Bench (CLOSER-Bench) は、予算付きクロスステージ設計クロージャのための制御された評価プロトコルである。 Spec-to-RTL、RTL-to-GDS、Spec-to-GDSタスクを組み合わせ、すべてのシミュレータ、合成、STA、プレース・アンド・ルートの呼び出しを記録する。 最終品質、任意の進捗状況、ツールコスト、ステージ間のリカバリを測定します。
  論文  参考訳（メタデータ） (2026-07-18T04:28:47Z)
• EviACT: An Evidence-to-Action Framework for Agentic Program Repair [21.78498442884825]
  EviACTは、3つのエビデンス駆動ガードレールを修復段階にわたって調整するエージェントAPRフレームワークである。 最強の報告されたベースラインよりも1.6-6.0ポイントのリゾルバ率を改善する。 ベースラインコストが利用可能なバグ毎のAPIコストは70.1-88.6%低下している。
  論文  参考訳（メタデータ） (2026-05-26T16:17:47Z)
• EvidenT: An Evidence-Preserving Framework for Iterative System-Level Package Repair [26.445772656438752]
  ツール実行からエビデント管理を分離するエビデント修復フレームワークであるエビデントを提案する。 実世界のRISC-Vパッケージビルド障害219件についてEvidenTの評価を行った。 予備実験はaarch64で41.77%、x86_64で46.99%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-05-09T02:29:57Z)
• ANNEAL: Adapting LLM Agents via Governed Symbolic Patch Learning [12.44509691077682]
  本稿では,繰り返し発生する障害をプロセス知識グラフのシンボル編集に変換する神経シンボルエージェントであるANNEALを紹介する。 その中核となるメカニズムであるFDKA(Failure-Driven Knowledge Acquisition)は、責任のあるオペレータをローカライズし、制約付きLLM生成を通じて型付きパッチを合成し、提案を検証する。 4つのドメインと27のマルチシードランをまたいだANNEALは、永続的な構造修復を行う唯一の評価システムである。
  論文  参考訳（メタデータ） (2026-05-04T05:24:03Z)
• QiMeng-PRepair: Precise Code Repair via Edit-Aware Reward Optimization [50.722636027998]
  大規模言語モデル (LLM) はプログラム修復性能が高いが、しばしば過剰な編集に悩まされる。 オーバー編集を軽減し,修復精度を向上させるフレームワークであるPRepairを提案する。
  論文  参考訳（メタデータ） (2026-04-07T14:56:38Z)
• ARES: Scalable and Practical Gradient Inversion Attack in Federated Learning through Activation Recovery [73.8181449261685]
  Federated Learning(FL)は、モデルの更新を生データではなく共有することで、ユーザのプライバシ保護を目的としたコラボレーションモデルトレーニングを可能にする。 最近の研究によると、これらの共有更新は、勾配反転攻撃(GIA)を通じて、不注意にセンシティブなトレーニングデータを漏洩する可能性がある。
  論文  参考訳（メタデータ） (2026-03-18T11:40:44Z)
• Outcome-Conditioned Reasoning Distillation for Resolving Software Issues [49.16055123488827]
  本稿では, 検証済みパッチを監督として, リポジトリ内問題を解決したO-CRD(Outcome-Conditioned Reasoning Distillation)フレームワークを提案する。 歴史的修正から始まり、検証結果から段階的な修理トレースを後方に再構築する。 SWE-Bench Liteでは、GPT-4oではPass@1が10.4%、DeepSeek-V3では8.6%、GPT-5では10.3%増加する。
  論文  参考訳（メタデータ） (2026-01-30T18:25:39Z)
• AdaIR: Exploiting Underlying Similarities of Image Restoration Tasks with Adapters [57.62742271140852]
  AdaIRは、パフォーマンスを犠牲にすることなく、低コストで効率的なトレーニングを可能にする新しいフレームワークである。 AdaIRは軽量でタスク固有のモジュールのトレーニングのみを必要とし、より効率的なストレージとトレーニング体制を確保する。
  論文  参考訳（メタデータ） (2024-04-17T15:31:06Z)
• Heterogeneous Continual Learning [88.53038822561197]
  本稿では,ネットワークアーキテクチャの変更に伴う継続学習(CL)問題に対処する新しい枠組みを提案する。 本研究は, 蒸留ファミリ上に構築し, より弱いモデルが教師の役割を担うような, 新たな環境に適応するものである。 また、知識伝達を支援するために、タスク前の視覚的特徴を復元するクイック・ディープ・インバージョン(QDI)を提案する。
  論文  参考訳（メタデータ） (2023-06-14T15:54:42Z)
• Continual Detection Transformer for Incremental Object Detection [154.8345288298059]
  インクリメンタルオブジェクト検出(IOD)は、新しいオブジェクトカテゴリに対するアノテーションを備えた、フェーズ内のオブジェクト検出をトレーニングすることを目的としている。 他の段階的な設定として、IODは破滅的な忘れがちであり、知識蒸留(KD)や模範再生(ER)といった技術によってしばしば対処される。 本稿では,この文脈でKDとERを効果的に活用できるトランスフォーマーベースのIODを提案する。
  論文  参考訳（メタデータ） (2023-04-06T14:38:40Z)

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。