論文の概要: SynAct: A Reasoning-Acting Large Language Model Agent for Adaptive Synthesis Optimization

• arxiv url: http://arxiv.org/abs/2608.12751v1
• Date: Thu, 13 Aug 2026 03:02:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.372583
• Title: SynAct: A Reasoning-Acting Large Language Model Agent for Adaptive Synthesis Optimization
• Title（参考訳）: SynAct:適応合成最適化のための推論型大規模言語モデルエージェント
• Abstract要約: 適応型閉ループLCM推論剤であるSynActについて, 生合成報告を反復的に診断し, 電流回路状態に対する理由について述べる。 14の設計にわたる商用合成ツールの実験では、SynActは平均的なWASを合成から27%に削減している。
• 参考スコア（独自算出の注目度）: 32.192326654149966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Logic synthesis transforms RTL designs into gate-level netlists, where PPA results are highly sensitive to the choice of optimization commands, making synthesis tuning both high-dimensional and expensive. Previous approaches fall into two categories: automated methods, which perform black-box search over fixed action spaces with limited decision-level interpretability, and LLM-based methods, which typically generate static scripts upfront and cannot adapt to evolving circuit states. We present SynAct, an adaptive closed-loop LLM reasoning--acting agent that iteratively diagnoses live synthesis reports and reasons over the current circuit state, retrieved tool knowledge, and historical optimization experience to issue targeted commands. SynAct focuses on improving timing, particularly worst negative slack (WNS), while maintaining balanced area and power trade-offs. Experiments on a commercial synthesis tool across 14 designs show that SynAct reduces average WNS to 27% of that from bootstrap synthesis.
• Abstract（参考訳）: 論理合成は、RTL設計をゲートレベルのネットリストに変換し、PPAの結果は最適化コマンドの選択に非常に敏感であり、高次元と高コストの両方を合成チューニングする。 従来のアプローチは、決定レベルが限定された固定アクション空間上でブラックボックス検索を行う自動手法と、通常、静的スクリプトを前もって生成し、進化する回路状態に適応できないLCMベースの方法の2つのカテゴリに分類される。 適応型クローズドループLCM推論エージェントであるSynActは、現在回路状態に対するライブ合成レポートや理由を反復的に診断し、ツール知識を検索し、目標とするコマンドを発行するための履歴最適化経験を提供する。 SynActは、時間、特に最悪のマイナススラック(WNS)の改善と、バランスの取れた領域と電力トレードオフの維持に重点を置いている。 14の設計にわたる商用合成ツールの実験では、SynActはブートストラップ合成から平均的なWASを27%に削減している。

関連論文リスト

• RAVEL: Reasoning Agents for Validating and Evaluating LLM Text Synthesis [78.32151470154422]
  テスト担当者が自律的に設計し、典型的な合成操作を実行できるようにするためのエージェントフレームワークであるRAVELを紹介する。 C3EBenchは、プロの人間の文章から1,258個のサンプルを抽出したベンチマークである。 SOTA LLMを演算子としてRAVELを増強することにより、そのようなエージェントテキスト合成はLLMの推論能力に支配されていることがわかった。
  論文  参考訳（メタデータ） (2026-02-28T14:47:34Z)
• Beyond Quantity: Trajectory Diversity Scaling for Code Agents [51.71414642763219]
  Trajectory Diversity Scalingは、コードエージェントのためのデータ合成フレームワークである。 TDScalingは、(1)実際のサービスの論理的依存関係をキャプチャするBusiness Clusterメカニズム、(2)軌道コヒーレンスを強制するブループリント駆動のマルチエージェントパラダイム、(3)ロングテールシナリオを指向する適応的な進化メカニズムの4つの革新を統合しています。
  論文  参考訳（メタデータ） (2026-02-03T07:43:03Z)
• AOT*: Efficient Synthesis Planning via LLM-Empowered AND-OR Tree Search [22.026497456502806]
  AOT*は、LLM生成化学合成経路と系統的なAND-OR木探索を統合することで、レトロシンセティックプランニングを変換するフレームワークである。 AOT* は、既存の LLM ベースのアプローチよりも 3-5$times$ のイテレーションを減らして、競争力のある解決率を示す。
  論文  参考訳（メタデータ） (2025-09-25T10:30:37Z)
• SymRTLO: Enhancing RTL Code Optimization with LLMs and Neuron-Inspired Symbolic Reasoning [30.938876549335067]
  本稿では,新しいニューロン-シンボリックRTL最適化フレームワークであるSymRTLOを提案する。 有限状態機械(FSM)論理の解析と最適化のための記号モジュールを提案する。 Synopsys Design Compiler と Yosys による RTL-Rewriter ベンチマークの実験では、SymRTLO は 43.9% と 62.5% と 51.1% に向上している。
  論文  参考訳（メタデータ） (2025-04-14T16:15:55Z)
• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• ToolFlow: Boosting LLM Tool-Calling Through Natural and Coherent Dialogue Synthesis [80.34000499166648]
  より関連性の高いツールの組み合わせをサンプリングするためのグラフベースのサンプリング戦略と、コヒーレントな対話の合成を導く計画を作成するための計画生成戦略を提案する。 ツールフローで生成した8000の合成対話を用いてLLaMA-3.1-8BにSFTを適用した。 その結果,GPT-4に匹敵するツールコール性能が得られた。
  論文  参考訳（メタデータ） (2024-10-24T05:45:04Z)
• LLM-Enhanced Bayesian Optimization for Efficient Analog Layout Constraint Generation [13.860831058885314]
  本稿では,アナログレイアウト合成のためのtexttLLANA フレームワークを提案する。 アナログ設計に依存したパラメータ制約をより効率的に生成するために、LLM(Large Language Models)の少数ショット学習能力を利用する。 その結果、textttLLANAは、最先端(SOTA)BO法に匹敵する性能を達成するだけでなく、アナログ回路設計空間をより効果的に探索できることを示した。
  論文  参考訳（メタデータ） (2024-06-07T20:22:36Z)
• Guiding Enumerative Program Synthesis with Large Language Models [15.500250058226474]
  本稿では,形式的合成ベンチマークを解くための大規模言語モデルの能力を評価する。 ワンショット合成が失敗すると,新しい列挙合成アルゴリズムを提案する。 形式的合成のためのスタンドアロンツールとしてGPT-3.5は,最先端の形式的合成アルゴリズムにより容易に性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-03-06T19:13:53Z)
• Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
  大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。 本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。 我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-09T07:45:26Z)
• TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
  本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。 低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。 インタラクティブで高品質なアニメーション生成には実用的である。
  論文  参考訳（メタデータ） (2023-11-28T18:54:16Z)
• INVICTUS: Optimizing Boolean Logic Circuit Synthesis via Synergistic Learning and Search [18.558280701880136]
  最先端論理合成アルゴリズムは、多数の論理最小化を持つ。 INVICTUSは、以前に見られた設計のトレーニングデータセットに基づいて、論理最小化のシーケンスを生成する。
  論文  参考訳（メタデータ） (2023-05-22T15:50:42Z)

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。