論文の概要: GoalEvolve: From Handcrafted Algorithm Priors to Goal-Driven Evolution of Physical Design Algorithms

• arxiv url: http://arxiv.org/abs/2608.16733v1
• Date: Mon, 17 Aug 2026 15:45:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.785444
• Title: GoalEvolve: From Handcrafted Algorithm Priors to Goal-Driven Evolution of Physical Design Algorithms
• Title（参考訳）: GoalEvolve:物理設計アルゴリズムの目標駆動進化に先立って手作りのアルゴリズムから
• Abstract要約: 本稿では、ゴール駆動型フレームワークであるGoalEvolveについて、最終的なフローの質(QoR)について物理設計アルゴリズムの進化を説明できるようにする。 マルチオブジェクトのQoRターゲット領域が与えられた後、GoalEvolveは、非メタル要件を正規化されたターゲットギャップに変換し、主要なボトルネックを特定し、ステージ解決されたチェックポイントエビデンスを使用して責任のあるステージを特定する。 ASAP7の8つの設計で、GoalEvolveはルート後TRSを平均30.67%改善し、21.18%、標準のOpenROADに比べて9.42%のリークと動的電力を削減した。
• 参考スコア（独自算出の注目度）: 2.6395066429864555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical design algorithms operate within tightly coupled, multi-stage optimization flows, where stage-local gains may vanish or induce downstream degradation. Existing program-evolution frameworks often rely on stage-local objectives or undifferentiated multi-metric feedback, which neither guarantee better final results nor identify which unmet requirement should guide the next iteration. We present GoalEvolve, a goal-driven framework that makes physical design algorithm evolution accountable for the final quality of results (QoR) of the complete flow. Given a multi-objective QoR target region, GoalEvolve converts unmet requirements into normalized target gaps, identifies the dominant bottleneck, and uses stage-resolved checkpoint evidence to locate the responsible stage. An LLM-based Teacher then narrows the search to a relevant algorithmic decision and source region, while parallel Student agents implement and validate hypotheses through full-flow evaluation. Local effects, optimization debt, and downstream retention are retained as mechanism evidence for subsequent evolution. Across eight ASAP7 designs, GoalEvolve improves post-route TNS by 30.67% on average and reduces leakage and dynamic power by 21.18% and 9.42% versus default OpenROAD. Relative to commercial-tool goals, it closes 62.20% of the normalized power gap on power-dominant designs, surpasses the TNS goals on both timing-dominant designs, and closes 32.48% of the equal-weight timing-power gap on joint designs. Across all three designs evaluated against Codex goal mode under matched budgets, GoalEvolve further improves TNS by 26.46% while reducing leakage and dynamic power by 12.38% and 0.76%, respectively.
• Abstract（参考訳）: 物理設計アルゴリズムは密結合された多段階最適化フロー内で動作し、舞台局所的なゲインは消滅または下流の劣化を引き起こす。 既存のプログラム進化フレームワークは、しばしばステージローカルな目的や、未分化のマルチメトリックフィードバックに依存している。 本稿では、ゴール駆動型フレームワークであるGoalEvolveについて、最終的なフローの質(QoR)について物理設計アルゴリズムの進化を説明できるようにする。 マルチオブジェクトのQoRターゲット領域が与えられた後、GoalEvolveは、非メタル要件を正規化されたターゲットギャップに変換し、主要なボトルネックを特定し、ステージ解決されたチェックポイントエビデンスを使用して責任のあるステージを特定する。 LLMベースの教師は、検索を関連するアルゴリズム決定とソース領域に絞り込み、並列の学生エージェントはフルフロー評価によって仮説を実装し、検証する。 局所効果、最適化負債、下流の維持はその後の進化のメカニズムの証拠として保持される。 ASAP7の8つの設計で、GoalEvolveはルート後TRSを平均30.67%改善し、21.18%、標準のOpenROADに比べて9.42%のリークと動的電力を削減した。 商用ツールの目標とは対照的に、パワードミナント設計における通常のパワーギャップの62.20%を閉じ、両方のタイミングドミナント設計における TNS の目標を上回り、共同設計における等重量のタイミングパワーギャップの32.48%を閉じている。 整合した予算の下でCodexの目標モードに対して評価された3つの設計のうち、GoalEvolveはTNSをさらに26.46%改善し、リークと動的パワーをそれぞれ12.38%、0.76%削減した。

関連論文リスト

• Teaching LLMs to Self-Evolve: Cultivating Core Meta-Skills with Reinforcement Learning [51.17262419591891]
  AlphaEvolveが示すように、環境フィードバックによる反復的自己進化によるテスト時間のスケーリングは、顕著なパフォーマンス向上を示している。 本稿では,データ合成パイプライン,進化対応強化学習,推論時進化探索によるメタスキル開発を目的としたMetaEvolveを提案する。
  論文  参考訳（メタデータ） (2026-07-24T04:35:29Z)
• Evolutionary Algorithm-Guided LLMs for Physics-Informed Neural Network Design [10.706452586705375]
  物理情報ニューラルネットワーク(PINN)は、アーキテクチャ、アクティベーション、損失重み付け、コロケーション、最適化、制約執行の相互作用に敏感である。 大規模言語モデル(LLM)はこれらの選択を提案できるが、独立したレコメンデーションは以前に訓練されたPINNからの経験を蓄積しない。 本研究では,LLMを誘導する閉ループ進化アルゴリズムを提案し,各世代にまたがる完全かつ実行可能なPINN構成を生成する。
  論文  参考訳（メタデータ） (2026-07-17T02:03:11Z)
• MAEO: Multiobjective Animorphic Ensemble Optimization for Scalable Large-scale Engineering Applications [0.1259953341639576]
  本研究は,多目的Animorphic Ensemble Optimization (MAEO) フレームワークを提案する。 島をベースとしたアーキテクチャの中で、最先端の進化的アルゴリズムを統一する。 結果から,MAEOは,先行する多目的最適化アルゴリズムのいくつかの性能や適合性を向上し,バランスの取れた収束・多様性を達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-26T15:37:01Z)
• AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization [61.535567824938205]
  本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。 AdaEvolveは185の異なるオープンエンド最適化問題において、オープンエンドベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-23T18:45:31Z)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)
• Think Fast and Slow: Step-Level Cognitive Depth Adaptation for LLM Agents [49.119608399413806]
  大規模言語モデル(LLM)は、多ターン意思決定タスクのための自律エージェントとして、ますます多くデプロイされている。 本稿では,エージェントが各ステップで認知深度を動的に適応するように訓練するフレームワークであるCogを紹介する。 ALFWorldとScienceWorldの実験では、Cogは最先端のパフォーマンスを優れた効率で達成している。
  論文  参考訳（メタデータ） (2026-02-13T06:52:09Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Before you <think>, monitor: Implementing Flavell's metacognitive framework in LLMs [0.0]
  より広範なモニタ・ジェネレート・検証フレームワークを用いてFlavellの認知モニタリングモデル(1979年)を実装した。 GSM8Kでは、SELF-REFINEが75.42%、SeLF-REFINEが68.44%、自己検証が67.07%であった。 これらの初期の発見は、事前監視が高品質な初期ソリューションを生み出すことを示唆している。
  論文  参考訳（メタデータ） (2025-10-18T06:52:42Z)
• Intelligent4DSE: Optimizing High-Level Synthesis Design Space Exploration with Graph Neural Networks and Large Language Models [6.711674863088882]
  本稿では,タスク適応型メッセージパッシングと大規模言語モデル強化メタヒューリスティックアルゴリズムをグラフニューラルネットワークに統合するフレームワークであるECoGNNs-LLMMHsを提案する。 最先端の作業と比較すると、ECoGNNはHLS後の予測タスクにおいて低い予測誤差を示し、エラーは57.27%減少した。 実装後の予測タスクでは、ECoGNNが最も低い予測エラーを示し、フリップフロップ(FF)では平均17.6%、クリティカルパス(CP)では33.7%である。
  論文  参考訳（メタデータ） (2025-04-28T10:08:56Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• On the use of feature-maps and parameter control for improved quality-diversity meta-evolution [1.0152838128195467]
  QD(Quality-Diversity)アルゴリズムは、挙動的に多様なハイパフォーマンスソリューションのアーカイブを進化させる。 QDアルゴリズムの個体群を進化させ、アーカイブレベルの目的、メタ適合性に基づいて行動空間を最適化する。 非線形および特徴選択のフィーチャーマップは、メタフィット性において15倍、3倍の改善をもたらす。
  論文  参考訳（メタデータ） (2021-05-21T12:43:27Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)

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。