論文の概要: SKILL: Self-correcting Knowledge-guided Iterative Large Language Model Agent for Logic Optimization

• arxiv url: http://arxiv.org/abs/2608.14579v1
• Date: Fri, 12 Jun 2026 08:54:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.216888
• Title: SKILL: Self-correcting Knowledge-guided Iterative Large Language Model Agent for Logic Optimization
• Title（参考訳）: SKILL:論理最適化のための自己修正型知識誘導型反復型大規模言語モデルエージェント
• Abstract要約: 本稿では,自己修正型知識誘導型反復型大規模言語モデルエージェントであるSKILLを紹介する。 自動合成最適化のためのマルチエージェントLLM推論とRLベースの環境相互作用を統合する。 SKILLは、エキスパートフローよりも12.4%のPDA改善と、最大500Kゲートまでの論理系における86.3%の成功率を達成した。
• 参考スコア（独自算出の注目度）: 6.24753778069566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Logic synthesis optimization poses significant challenges due to exponentially growing search spaces, sparse reward signals, and diverse logic structures. Traditional expert-designed flows lack adaptability, while reinforcement learning (RL) methods often suffer from low sample efficiency and limited interpretability. We introduce SKILL, a Self-correcting Knowledge-guided Iterative Large Language Model Agent that unifies multi-agent LLM reasoning and RL-based environment interaction for automated synthesis optimization. SKILL coordinates three specialized LLMs: GPT-4o for strategic planning, Claude Sonnet 4 for detailed reasoning, and Gemini 2.5 Pro for efficient analysis with a PPO-based RL agent that learns actionable policies through direct interaction with synthesis tools. A novel self-correcting module monitors environment feedback (PDA metrics), detects suboptimal behaviors, and invokes LLM-guided recovery strategies. Evaluations on IWLS, OpenCores, and EPFL benchmarks show SKILL achieves a 12.4 % PDA improvement over expert flows and 86.3% success rate on logic systems up to 500K gates.
• Abstract（参考訳）: 論理合成の最適化は、指数関数的に増大する探索空間、スパース報酬信号、および多様な論理構造によって大きな課題をもたらす。 従来の専門家設計のフローは適応性に欠けるが、強化学習(RL)手法はサンプル効率の低下と限定的な解釈性に悩まされることが多い。 自動合成最適化のための多エージェントLPM推論とRLに基づく環境相互作用を統合する,自己修正型知識誘導型反復型大規模言語モデルエージェントであるSKILLを紹介する。 SKILLは戦略的計画のためのGPT-4o、詳細な推論のためのClaude Sonnet 4、PPOベースのRLエージェントによる効率的な分析のためのGemini 2.5 Proの3つの特殊なLCMをコーディネートしている。 新しい自己修正モジュールは、環境フィードバック(PDAメトリクス)を監視し、最適な振る舞いを検出し、LSM誘導の回復戦略を実行する。 IWLS、OpenCores、EPFLベンチマークの評価によると、SKILLはエキスパートフローよりも12.4 %のPDA改善、最大500Kゲートまでのロジックシステムで86.3%の成功率を達成した。

関連論文リスト

• RISER: Orchestrating Latent Reasoning Skills for Adaptive Activation Steering [62.63376387138257]
  本稿では,アクティベーション空間における大規模言語モデル(LLM)推論を適応的に制御するプラグイン・アンド・プレイ介入フレームワークを提案する。 RISERは再利用可能な推論ベクトルのライブラリを構築し、軽量ルータを使用して各入力に対して動的に構成する。 ルーターは、タスクレベルの報酬の下で強化学習を通じて最適化され、緊急かつ構成的な方法で潜在する認知的プリミティブを活性化する。
  論文  参考訳（メタデータ） (2026-01-14T08:04:33Z)
• Demystifying Reinforcement Learning in Agentic Reasoning [90.3737088727791]
  エージェント推論における強化学習のデミスティフィケーションのための包括的かつ体系的な調査を行う。 i) 縫合された合成軌道を、実際のエンドツーエンドのツール・ツー・ユース・トラジェクトリに置き換えることで、より強力なSFTが得られる。 探索フレンドリーな技術は、高いクリップ、過剰な報酬形成、適切なポリシーエントロピーの維持といったエージェントRLにとって不可欠であり、訓練効率を向上させることができる。
  論文  参考訳（メタデータ） (2025-10-13T17:57:15Z)
• Agentic Reinforced Policy Optimization [66.96989268893932]
  検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。 現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。 エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
  論文  参考訳（メタデータ） (2025-07-26T07:53:11Z)
• LOGICPO: Efficient Translation of NL-based Logical Problems to FOL using LLMs and Preference Optimization [6.173941239083289]
  本稿では、選好最適化データセットにファインタニングを用いて、自然言語問題全体を一貫した論理プログラムに解析し、表現することを提案する。 Phi-3.5による最良のモデルでは、GPT-3.5-turboよりも10%精度が高く、構文エラーが14%少ない。
  論文  参考訳（メタデータ） (2025-06-23T08:15:24Z)
• RL of Thoughts: Navigating LLM Reasoning with Inference-time Reinforcement Learning [16.131142191381134]
  我々は、推論時間における推論を適応的に強化するために、強化学習(RL)を用いた軽量ナビゲータモデルを訓練する。 RLナビゲータは3Kパラメータ未満で、100BスケールのLLMに匹敵するサブ10BのLLMを作ることができる。
  論文  参考訳（メタデータ） (2025-05-20T09:43:33Z)
• Dspy-based Neural-Symbolic Pipeline to Enhance Spatial Reasoning in LLMs [29.735465300269993]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な能力を示してきたが、しばしば空間的推論に苦しむ。 本稿では LLM と Answer Set Programming (ASP) の反復的フィードバックにより LLM の空間推論能力を高める新しいニューラルシンボリックフレームワークを提案する。 我々は、StepGameとSparQAという2つのベンチマークデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2024-11-27T18:04:05Z)
• 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)

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。