Fugu-MT 論文翻訳(概要): AaLLM: An End-to-End Analog Circuit Design Framework from Topology Generation to Sizing Using Large Language Models

論文の概要: AaLLM: An End-to-End Analog Circuit Design Framework from Topology Generation to Sizing Using Large Language Models

arxiv url: http://arxiv.org/abs/2608.13472v1
Date: Thu, 13 Aug 2026 16:57:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-14 18:29:38.61061
Title: AaLLM: An End-to-End Analog Circuit Design Framework from Topology Generation to Sizing Using Large Language Models
Title（参考訳）: AaLLM:大規模言語モデルを用いたトポロジ生成からサイズ化のためのエンドツーエンドアナログ回路設計フレームワーク
Abstract要約: 本稿では、ユーザ仕様を入力として取り出し、適切なネットリストを出力するオープンソースのエンドツーエンドマルチエージェントLLMワークフローであるAaLLMを提案する。 AaLLMは、研究論文や教科書から、退屈な手動データ収集と戦うための、関連する知識ベースの作成を自動化する。 AaLLMが生成した新しいトポロジは、既知のトポロジに匹敵し、特定の回路で最大3倍高い値が得られる。
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: Analog circuit design is a time-consuming, iterative process in a nonlinear and high-dimensional design space that relies heavily on expert intuition. Among recent developments, LLMs have introduced a promising approach by bringing natural language reasoning to circuit design tasks. The majority of conventional LLM-based approaches provide fragmented solutions that focus either only on sizing or topology generation. These methods require adding specific technical knowledge manually, which is inefficient and prone to hallucinations during circuit sizing. Moreover, the inherent trade-off in meeting different specs makes current approaches iterative and tedious. Another shortcoming is the inability to create innovative topologies, which may lead to sub-optimal designs due to reliance on conventional topologies. In this paper, we present AaLLM, an open-source end-to-end multi-agent LLM workflow that takes user specs as input and outputs the appropriate netlist, encompassing both topology generation and circuit sizing. AaLLM automates the creation of a relevant knowledge base from research papers and textbooks to combat tedious manual data collection. A RAG model is implemented to emulate circuit design expertise using this knowledge base. Moreover, AaLLM uses a novel tri-agent feedback system comprising a Designer that determines circuit component values, a Critic that scrutinizes these values, and an Evaluator that minimizes circuit sizing iterations by arbitrating between the other two agents. AaLLM-generated novel topologies achieve a figure of merit (FoM) comparable to that of known topologies, and up to 3x higher for certain circuits. Testing on several circuit topologies, our results show a 3x - 4.5x decrease in the number of SPICE calls at inference when compared to SOTA multi-agent LLM pipelines. The results also show a 40x decrease in wall-clock time compared to existing approaches.
Abstract（参考訳）: アナログ回路設計は、専門家の直観に大きく依存する非線形かつ高次元の設計空間において、時間を要する反復的なプロセスである。近年の進歩の中で、LLMは、回路設計タスクに自然言語推論を導入することで、有望なアプローチを導入している。従来のLLMベースのアプローチの大部分は、サイズやトポロジ生成のみに焦点を当てた、断片化されたソリューションを提供している。これらの手法では、特定の技術知識を手動で追加する必要がある。さらに、異なる仕様を満たす際の本質的にのトレードオフは、現在のアプローチを反復的で退屈なものにします。もう一つの欠点は、革新的トポロジーを作成することができないことである。本稿では,ユーザ仕様を入力として取り出し,適切なネットリストを出力するオープンソースのマルチエージェントLLMワークフローであるAaLLMについて述べる。 AaLLMは、研究論文や教科書から、退屈な手動データ収集と戦うための、関連する知識ベースの作成を自動化する。 RAGモデルは、この知識ベースを用いて回路設計の専門知識をエミュレートするために実装されている。さらに、AaLLMは、回路成分値を決定するデザイナと、これらの値を精査するCriticと、他の2つのエージェント間の仲裁によって回路サイズイテレーションを最小化する評価器とからなる、新しいトリエージェントフィードバックシステムを使用する。 AaLLMによって生成された新しいトポロジは、既知のトポロジに匹敵するメリット(FoM)を達成し、特定の回路に対して最大3倍高い値を得る。複数の回路トポロジを試験した結果,SOTAマルチエージェントLPMパイプラインと比較すると,SPICE呼び出し回数は3倍から4.5倍減少した。また,既存手法と比較して壁面時間も40倍減少した。

関連論文リスト

AnaFlow: Agentic LLM-based Workflow for Reasoning-Driven Explainable and Sample-Efficient Analog Circuit Sizing [1.2617078020344616]
サンプル効率と説明可能なアナログ回路サイズのための新しいエージェントAIフレームワークを提案する。 AnaFlowフレームワークは、複雑さの異なる2つの回路で実証されており、サイズタスクを完全に完了することができる。固有の説明可能性により、アナログ設計空間探索の強力なツールとなり、アナログEDAの新しいパラダイムとなる。
論文参考訳（メタデータ） (2025-11-05T18:24:01Z)
Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
論文参考訳（メタデータ） (2025-10-11T18:11:09Z)
Quantization Meets dLLMs: A Systematic Study of Post-training Quantization for Diffusion LLMs [78.09559830840595]
本稿では拡散に基づく言語モデルの定量化に関する最初の体系的研究について述べる。異常に大きなアクティベーション値によって特徴付けられるアクティベーションアウトリーチの存在を同定する。我々は最先端のPTQ手法を実装し、包括的な評価を行う。
論文参考訳（メタデータ） (2025-08-20T17:59:51Z)
AnalogCoder-Pro: Unifying Analog Circuit Generation and Optimization via Multi-modal LLMs [40.14708895187017]
本稿では,多モーダル大規模言語モデル(LLM)フレームワークであるAnalogCoder-Proについて述べる。このフレームワークは、シミュレーションエラーメッセージと波形画像を使って自動で設計エラーを補正するマルチモーダルな診断・修復フィードバックループを備えている。 13種類の回路を網羅したベンチマークスイートで、AnalogCoder-Proは28個の回路を設計し、既存のLCMベースの手法よりも一貫して性能を向上した。
論文参考訳（メタデータ） (2025-08-04T15:25:48Z)
CROP: Circuit Retrieval and Optimization with Parameter Guidance using LLMs [5.611060564629618]
本稿では,最初の大規模言語モデル(LLM)を用いた自動VLSI設計フローチューニングフレームワークであるCROPを提案する。提案手法は,(1)RTLソースコードを高密度ベクトル表現に変換するスケーラブルな手法,(2)意味的に類似した回路と設計をマッチングする埋め込み型検索システム,(3)検索強化型LLM誘導パラメータ探索システムを含む。実験の結果、CROPのQoR(Quality-of-Results)の能力は、工業設計における既存のアプローチよりも少ないイテレーションで達成され、消費電力は9.9%削減された。
論文参考訳（メタデータ） (2025-07-02T20:25:47Z)
LLM-based AI Agent for Sizing of Analog and Mixed Signal Circuit [2.979579757819132]
大規模言語モデル (LLM) は様々な分野において大きな可能性を証明している。本研究では,AMS回路設計のためのLLMベースのAIエージェントを提案する。
論文参考訳（メタデータ） (2025-04-14T22:18:16Z)
AnalogXpert: Automating Analog Topology Synthesis by Incorporating Circuit Design Expertise into Large Language Models [10.986618360243526]
本稿では,実用的なトポロジ合成問題の解決を目的としたLLMベースのエージェントであるAnalogXpertを提案する。まず、アナログトポロジをSPICEコードとして表現し、設計空間を減らすためにサブ回路ライブラリを導入する。第2に、CoTと非コンテキスト学習技術を用いて、問題を2つのサブタスクに分解する。第3に,LLMが初期設計の誤りを漸進的に修正できる証明読解戦略を導入する。
論文参考訳（メタデータ） (2024-12-17T09:08:08Z)
Online Intrinsic Rewards for Decision Making Agents from Large Language Model Feedback [52.763620660061115]
ONIは、RLポリシーと本質的な報酬関数を同時に学習する分散アーキテクチャである。我々は、様々な複雑さを持つ報酬モデリングのためのアルゴリズムの選択範囲を探索する。提案手法は,NetHack Learning Environment の様々な課題にまたがって,最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-10-30T13:52:43Z)
LLM4EDA: Emerging Progress in Large Language Models for Electronic Design Automation [74.7163199054881]
大規模言語モデル(LLM)は、文脈理解、論理推論、回答生成においてその能力を実証している。本稿では,EDA分野におけるLLMの応用に関する系統的研究を行う。論理合成,物理設計,マルチモーダル特徴抽出,回路のアライメントにLLMを適用することに焦点を当て,今後の研究の方向性を強調した。
論文参考訳（メタデータ） (2023-12-28T15:09:14Z)
Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文参考訳（メタデータ） (2022-12-18T02:03:00Z)
Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
論文参考訳（メタデータ） (2022-11-29T17:10:24Z)

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。