Fugu-MT 論文翻訳(概要): Simulation-Aware In-Context Policy Improvement for LLM-Aided Analog Layout Refinement

論文の概要: Simulation-Aware In-Context Policy Improvement for LLM-Aided Analog Layout Refinement

arxiv url: http://arxiv.org/abs/2608.13767v1
Date: Thu, 13 Aug 2026 20:46:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-17 20:14:29.210707
Title: Simulation-Aware In-Context Policy Improvement for LLM-Aided Analog Layout Refinement
Title（参考訳）: LLMを用いたアナログレイアウトリファインメントのシミュレーションによるインコンテキストポリシーの改善
Abstract要約: LLM(Large Language Models)は、そのようなシミュレーション駆動チューニングのサンプル効率を改善する可能性を実証している。アナログレイアウトジェネレータによって公開されているレイアウト最適化パラメータを反復的に更新することで、コンテキスト内ポリシー改善(ICPI)を行うシミュレーション対応LLMマルチエージェントフレームワークを提案する。
参考スコア（独自算出の注目度）: 6.977622121664024
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Analog IC layout design remains a labor-intensive iterative process dominated by simulation-driven refinement. Although end-to-end layout generators accelerate initial placement and routing, they still require experts to manually tune layout optimization parameters with repeated post-layout simulations for stringent design specifications. While Bayesian Optimization (BO) is widely adopted for parameter tuning in analog IC design, at the layout level it typically requires hundreds to thousands of evaluations, each involving costly parasitic extraction and post-layout simulation, which makes it impractical. Recently, Large Language Models (LLMs) have demonstrated potential in improving the sample efficiency of such simulation-driven tuning. However, their restricted access to geometric layout context and design-specific heuristics limits their ability to manipulate the layout optimization process. In this paper, we propose a simulation-aware LLM multi-agent framework that performs in-context policy improvement (ICPI) by iteratively updating layout optimization parameters exposed by an analog layout generator through an act-observe-reflect loop on compact structured layout representations. Experiments on real-world analog circuits show that, with only tens of post-layout simulations, our approach improves post-layout performance over the generator's built-in heuristics and BO-based tuning method.
Abstract（参考訳）: アナログICレイアウト設計は、シミュレーション駆動の洗練に支配される労働集約的な反復プロセスのままである。エンド・ツー・エンドのレイアウト・ジェネレータは初期配置とルーティングを高速化するが、専門家は厳密な設計仕様のためにレイアウト最適化パラメータを手動で調整する必要がある。ベイズ最適化(BO)はアナログIC設計におけるパラメータチューニングに広く採用されているが、レイアウトレベルでは数百から数千の評価が必要であり、それぞれがコストのかかる寄生的抽出とポストレイアウトシミュレーションを伴って非現実的である。近年、LLM(Large Language Models)は、シミュレーション駆動チューニングのサンプル効率を改善する可能性を示している。しかし、幾何学的レイアウトコンテキストや設計固有のヒューリスティックに制限されたアクセスは、レイアウト最適化プロセスを操作する能力を制限する。本稿では,コンパクトな構造化レイアウト表現上のアク・オブザーバ・リフレクト・ループを通じて,アナログレイアウト生成器が公開するレイアウト最適化パラメータを反復的に更新することで,コンテキスト内ポリシー改善(ICPI)を行うシミュレーション対応LLMマルチエージェントフレームワークを提案する。実世界のアナログ回路を用いた実験では,数万のポストレイアウトシミュレーションにより,ジェネレータの組込みヒューリスティックスおよびBOに基づくチューニング手法よりも,ポストレイアウト性能が向上することが示された。

関連論文リスト

Tuning Quantum MPS [0.0]
行列積状態(MPS)法は量子回路の古典的シミュレーションにおいて最も効果的な手法の一つである。量子MPSシミュレーションのための2段階のハイパーパラメータ選択フレームワークを提案する。本研究では,複数のスケーラブルな回路ファミリへのアプローチを,Left-one- family-out と size-based Validation を用いて評価する。
論文参考訳（メタデータ） (2026-06-22T12:44:50Z)
New Hybrid Fine-Tuning Paradigm for LLMs: Algorithm Design and Convergence Analysis Framework [52.69678300445233]
fine-tuning Large Language Models (LLMs) は通常、すべてのモデルパラメータを更新するフルきめ細やかな調整を必要とする。 PEFT(Efficient Fine-Tuning)は、パラメータの小さなサブセットを調整する。ゼロ次最適化法と1次最適化法を組み合わせて,LLMとPEFTモジュールを共同で更新するハイブリッドファインチューニング手法を提案する。
論文参考訳（メタデータ） (2026-04-10T22:39:38Z)
AutoSizer: Automatic Sizing of Analog and Mixed-Signal Circuits via Large Language Model (LLM) Agents [4.28109763423665]
AutoSizerは、回路理解、適応的な検索空間の構築、クローズドループでの最適化オーケストレーションを統合するメタ最適化フレームワークである。実験により、様々な回路困難に対して、より高い溶液品質、より高速な収束、高い成功率を達成できる。
論文参考訳（メタデータ） (2026-02-02T21:51:55Z)
TIDE: Tuning-Integrated Dynamic Evolution for LLM-Based Automated Heuristic Design [7.264986493460248]
TIDEはTuning-Integrated Dynamic Evolutionフレームワークで、パラメータ最適化から構造的推論を分離するように設計されている。 9つの最適化問題に対する実験により、TIDEは最先端のチューニング方法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2026-01-29T04:00:02Z)
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)
Leveraging Importance Sampling to Detach Alignment Modules from Large Language Models [48.15777554876988]
伝統的なアライメント手法では、しばしば大きな事前訓練されたモデルを再訓練する必要がある。本稿では,アライメント処理を重要サンプリングの一種として形式化する新しいtextitResidual Alignment Model (textitRAM) を提案する。本稿では,トークンレベルの復号化を反復的に行う再サンプリングアルゴリズムを開発した。
論文参考訳（メタデータ） (2025-05-26T08:53:02Z)
Late Breaking Results: Breaking Symmetry- Unconventional Placement of Analog Circuits using Multi-Level Multi-Agent Reinforcement Learning [4.684022970694239]
アナログレイアウトの非従来的設計空間を探索する目的駆動型マルチレベルマルチエージェントQ-ラーニングフレームワークを提案する。提案手法は,最先端のレイアウト技術よりも優れたバラツキ性能を実現する。
論文参考訳（メタデータ） (2025-03-29T03:13:56Z)
A Modular Framework for Reinforcement Learning Optimal Execution [68.8204255655161]
我々は、最適貿易実行問題への強化学習の適用のためのモジュラーフレームワークを開発する。このフレームワークは、異なるシミュレーション設定の実装を容易にするために、柔軟性を念頭に設計されている。
論文参考訳（メタデータ） (2022-08-11T09:40:42Z)
Proximal Policy Optimization-based Transmit Beamforming and Phase-shift Design in an IRS-aided ISAC System for the THz Band [90.45915557253385]
テラヘルツ(THz)帯で動作するIRS支援統合センシング・通信(ISAC)システムを提案し,システム容量を最大化する。透過ビームフォーミングと位相シフト設計はエルゴード制約を伴う普遍最適化問題に変換される。
論文参考訳（メタデータ） (2022-03-21T09:15:18Z)
An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文参考訳（メタデータ） (2020-12-11T14:33:27Z)
Self-Tuning Stochastic Optimization with Curvature-Aware Gradient Filtering [53.523517926927894]
サンプルごとのHessian-vector積と勾配を用いて、自己チューニングの二次構造を構築する。モデルに基づく手続きが雑音勾配設定に収束することを証明する。これは自己チューニング二次体を構築するための興味深いステップである。
論文参考訳（メタデータ） (2020-11-09T22:07:30Z)
Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。