論文の概要: EDATracer: An Agentic Framework for Large-Scale EDA Artifact Analysis

• arxiv url: http://arxiv.org/abs/2608.04032v1
• Date: Sun, 02 Aug 2026 20:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.358014
• Title: EDATracer: An Agentic Framework for Large-Scale EDA Artifact Analysis
• Title（参考訳）: EDATracer: 大規模EDAアーティファクト分析のためのエージェントフレームワーク
• Authors: Phat Tieu, Sayanti Jana, Matthew DeLorenzo, Jiawen Wu, Narendran Srinivasan, Srinivas Shakkottai, Jiang Hu, Jeyavijayan Rajendran,
• Abstract要約: EDAツールは、ソースファイル、スクリプト、ログ、ネットリスト、レポートを含む、大きく異質なアーティファクトを生成する。 本稿では,エビデンス基底EDAアーティファクト分析のためのエージェントフレームワークECATracerを提案する。 ECATracerは設計成果物をセマンティックベクトルインデックスと組み合わせた知識グラフに整理し、エージェントがソースファイル、ログ、ネットリスト、レポートのエビデンスを検索できるようにする。
• 参考スコア（独自算出の注目度）: 17.314106828181064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern chip design relies on electronic design automation (EDA) tools that generate large, heterogeneous artifacts, including source files, scripts, logs, netlists, and reports. Analyzing these artifacts is critical for debugging, optimization, and design-flow understanding, but remains difficult because relevant evidence is often distributed across many artifact types and design stages. Although LLM agents show promise for EDA assistance, existing approaches lack public benchmarks for large-scale cross-artifact analysis and often struggle to ground reasoning in tool-generated evidence. We present EDATracer, an agentic framework for evidence-grounded EDA artifact analysis. EDATracer organizes design artifacts into a knowledge graph paired with a semantic vector index, enabling LLM agents to retrieve evidence across source files, logs, netlists, and reports. We curate an 18.9 GB dataset of 2,787 synthesizable open-source chip designs and introduce a 90-question benchmark spanning factual, statistical, and reasoning tasks. Across evaluated agents, EDATracer achieves the best pass@1 accuracy, outperforming Cursor and Claude Code by 6.4 and 7.2 percentage points on average, while using 2.0-3.2x fewer tokens.
• Abstract（参考訳）: 現代のチップ設計は、ソースファイル、スクリプト、ログ、ネットリスト、レポートを含む、大きく異質なアーティファクトを生成する電子設計自動化(EDA)ツールに依存している。 これらのアーティファクトの分析は、デバッグ、最適化、設計フローの理解には不可欠だが、関連する証拠が多くのアーティファクトタイプや設計段階に分散しているため、依然として難しい。 LLMエージェントはEDA支援を約束するが、既存のアプローチでは大規模なクロスアーティファクト分析のための公開ベンチマークが欠如しており、ツール生成の証拠の根拠となる推論に苦慮することが多い。 EDAアーティファクト分析のためのエージェントフレームワークであるEDATracerを提案する。 EDATracerはデザインアーティファクトをセマンティックベクトルインデックスと組み合わせた知識グラフに整理し、LLMエージェントがソースファイル、ログ、ネットリスト、レポートのエビデンスを検索できるようにする。 我々は、2,787の合成可能なオープンソースチップ設計の18.9GBのデータセットをキュレートし、事実、統計、推論タスクにまたがる90クエストベンチマークを導入する。 評価されたエージェント全体で、EDATracerは最高のpass@1精度を達成し、2.0-3.2倍のトークンを使用しながら、CursorおよびClaude Codeを平均6.4および7.2ポイント上回る。

関連論文リスト

• PairCoder++: Pair Programming as a Universal Paradigm for Verified Code-Driven Multimodal and Structured-Artifact Generation [51.92442051257354]
  PairCoderは、実行のみではなく、完全な公式メトリックスイート上で、アーティファクトが検証可能なすべてのベンチマークを本質的に改善する。 TikZのコンパイルレートは、各モデルで10から30ポイント、シングルモデルの2.9から9.2倍である。
  論文  参考訳（メタデータ） (2026-07-02T08:36:02Z)
• The Illusion of Agentic Complexity in README.md Generation: Evaluating Single-Agent vs. Multi-Agent RAG Systems [3.7149543017244238]
  この研究は、GitHubリポジトリ用のファイル生成のためのRAG(Retrieval-Augmented Generation)依存アーキテクチャを実証的に評価する。 シングルエージェントパイプラインは、MASに匹敵する語彙品質を達成し、トークンの消費量を86%削減し、その2倍の速度で運用する。
  論文  参考訳（メタデータ） (2026-06-29T16:29:31Z)
• ArtifactLinker: Linking Scientific Artifacts for Automatic State-of-the-Art Discovery [58.48859167777581]
  ArtifactLinkerは、データセットの最先端(SOTA)モデルを自動的に検出するフレームワークである。 14,053のアーティファクトと51,337の関係を持つArtifactBenchというベンチマークが提示されている。 その結果,(1)既存のアーティファクト間のグラフ構造がリンク予測の欠如に有効であること,(2)ArtifactLinkerを用いたエンドツーエンドのランキングと検証がSOTAの潜在的な結果の発見と研究の洞察に役立つこと,などが示唆された。
  論文  参考訳（メタデータ） (2026-05-16T09:26:08Z)
• MetaGAI: A Large-Scale and High-Quality Benchmark for Generative AI Model and Data Card Generation [7.0330781653125145]
  学術論文やGitHubリポジトリ,Hugging Faceアーティファクトのセマンティック三角測量によって構築された,2,541の検証済みドキュメントトリガからなる総合ベンチマークであるMetaGAIを紹介する。 従来のシングルソースデータセットとは異なり、MetaGAIでは、特殊なRetriever、Generator、Editorエージェントを備えたマルチエージェントフレームワークを採用し、4次元のHuman-in-the-loopアセスメントを通じて検証されている。
  論文  参考訳（メタデータ） (2026-04-26T05:24:03Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Using GUI Agent for Electronic Design Automation [123.86509061313912]
  Graphical User Interface (GUI)エージェントは、スクリーンショットをアクションシーケンスにマッピングするエンドツーエンドパラダイムを採用する。 既存のGUIエージェントは、Microsoft WordやExcelのようなコモディティソフトウェアにのみ評価される。 この作業は、GUIエージェントを一般的なオフィス自動化から、専門的で高価値なエンジニアリングドメインまで拡張する。
  論文  参考訳（メタデータ） (2025-12-12T14:49:32Z)
• FVDebug: An LLM-Driven Debugging Assistant for Automated Root Cause Analysis of Formal Verification Failures [8.530369312832084]
  障害トレースを実行可能な洞察に変換するインテリジェントなシステムであるFV Debugを紹介します。 提案手法は,(1)非巡回グラフに障害トレースを構造化する因果グラフ合成,(2)不審なノードの特定を促すバッチ型Large Language Model (LLM)解析を用いたグラフスキャナ,(3)高レベルの因果説明を生成するためのエージェント的物語探索を活用したInsight Roverを特徴とする。
  論文  参考訳（メタデータ） (2025-09-16T20:22:10Z)
• Why Do Multi-Agent LLM Systems Fail? [87.90075668488434]
  MAST-Dataは7つの人気のあるMASフレームワークで収集された1600以上の注釈付きトレースの包括的なデータセットである。 我々はMAST(Multi-Agent System Failure Taxonomy)を初めて構築する。 MASTとMAST-Dataを利用して、モデル(GPT4、Claude 3、Qwen2.5、CodeLlama)とタスク(コーディング、数学、汎用エージェント)の障害パターンを分析します。
  論文  参考訳（メタデータ） (2025-03-17T19:04:38Z)
• D2A: A Dataset Built for AI-Based Vulnerability Detection Methods Using Differential Analysis [55.15995704119158]
  静的解析ツールによって報告されたラベル問題に対する差分解析に基づくアプローチであるD2Aを提案する。 D2Aを使用して大きなラベル付きデータセットを生成し、脆弱性識別のためのモデルをトレーニングします。
  論文  参考訳（メタデータ） (2021-02-16T07:46:53Z)

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。