Fugu-MT 論文翻訳(概要): Spicing up Genetic Netlist Generation with LLMs

論文の概要: Spicing up Genetic Netlist Generation with LLMs

arxiv url: http://arxiv.org/abs/2608.23317v1
Date: Mon, 24 Aug 2026 14:34:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:44.154227
Title: Spicing up Genetic Netlist Generation with LLMs
Title（参考訳）: LLMを用いた遺伝的ネットリスト生成の高速化
Abstract要約: LLM-SPICEMixerはIGEL(Inspiration-Guided Evolution with LLMs)による遺伝的ネットリスト生成を増強するハイブリッド合成フレームワークである。検索中、IGELはエリートセットから高い性能の回路を持つLCMを誘導し、新しいSPICEネットリストを生成するように指示し、SPICEによって評価され、従来の遺伝操作子と同じ報酬機構を用いて選択される。 LLMガイダンスのない遺伝子フレームワークと比較して、LSM-SPICEMixerは、最終トレーニング報酬の中央値が8.4%改善し、検証選択テスト報酬の中央値が8.8%向上した。
参考スコア（独自算出の注目度）: 6.183928830125183
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Analog circuit topology synthesis remains challenging because useful designs occupy a tiny fraction of a combinatorial search space, and small structural changes can induce highly nonlinear changes in behavior. Evolutionary algorithms are attractive because they can optimize over discrete circuit topologies using only black-box evaluations, but they often require many SPICE simulations and may converge prematurely. We introduce LLM-SPICEMixer, a hybrid synthesis framework that augments genetic netlist generation with IGEL (Inspiration-Guided Evolution with LLMs), an LLM-based proposal operator. During search, IGEL prompts an LLM with high-performing circuits from the elite set and instructs it to generate a new SPICE netlist, which is then evaluated by SPICE and selected using the same reward mechanism as conventional genetic operators. Thus, the LLM contributes structured topology proposals while simulation remains the source of truth. We evaluate LLM-SPICEMixer on a challenging benchmark task: synthesizing transistor-level circuits that implement a discriminant function for Iris classification. Compared with the genetic framework without LLM guidance, LLM-SPICEMixer improves the median final training reward by 8.4% and the median validation-selected test reward by 8.8%. The best validation-selected circuit achieves 93.3% test accuracy at the nominal tt corner and 85.9% average test accuracy across 17 process, voltage, and temperature corners.
Abstract（参考訳）: アナログ回路トポロジー合成は、組合せ探索空間のごく一部を占める有用な設計であり、小さな構造変化は、挙動の非常に非線形な変化を引き起こす可能性があるため、依然として困難である。進化的アルゴリズムはブラックボックス評価のみを使用して離散回路トポロジよりも最適化できるので魅力的であるが、多くのSPICEシミュレーションが必要であり、早めに収束する可能性がある。 LLMベースの提案演算子であるIGEL(Inspiration-Guided Evolution with LLMs)で遺伝的ネットリスト生成を増強するハイブリッド合成フレームワークであるLLM-SPICEMixerを紹介する。検索中、IGELはエリートセットから高い性能の回路を持つLCMを誘導し、新しいSPICEネットリストを生成するように指示し、SPICEによって評価され、従来の遺伝操作子と同じ報酬機構を用いて選択される。したがって、LLMは構造的トポロジーの提案に寄与し、シミュレーションは依然として真実の源である。 Iris分類のための識別機能を実装するトランジスタレベルの回路を合成する。 LLMガイダンスのない遺伝子フレームワークと比較して、LSM-SPICEMixerは、最終トレーニング報酬の中央値が8.4%改善し、検証選択テスト報酬の中央値が8.8%向上した。最高のバリデーション選択回路は、名目ttコーナーでの93.3%のテスト精度と、17のプロセス、電圧、温度コーナーの平均テスト精度85.9%を達成する。

関連論文リスト

LLM-as-a-Verifier: A General-Purpose Verification Framework [74.40111651545979]
本稿では,汎用検証フレームワーク LLM-as-a-Verifier を紹介する。追加のトレーニングを必要とせずに、エージェントタスクに対してきめ細かいフィードバックを提供する。いくつかのベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-07-06T17:59:35Z)
Uncertainty-Aware LLM-Guided Policy Shaping for Sparse-Reward Reinforcement Learning [2.384534878752428]
校正された大言語モデルを強化学習訓練ループに統合するフレームワークである,不確実性を考慮した LLM-Guided Policy Shaping (ULPS) を提案する。 ULPS は A* ベースのオラクルを用いて最適な記号軌道を合成し、BERT ベースの言語モデルを微調整する。成功率、報酬効率、サンプルの複雑さを、無誘導、非校正、標準のRLベースラインで一貫した改善を観察する。
論文参考訳（メタデータ） (2026-06-04T19:46:45Z)
MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials [0.0]
MLIPilotは、ツールコールによる大規模言語モデルによる仮説の提案、MLIPトレーニングコードの編集、HPCジョブの起動、修正された物理的制約付きスコアカードによる変更の受け入れまたは反転を行う自動検索フレームワークである。 GPT-5.5, GPT-4.1, Mistral-24B, Qwen3-32B を含む商用およびオープンウェイト LLM エージェントを用いた MACE 電位最適化における MLIPilot の評価を行った。
論文参考訳（メタデータ） (2026-05-29T06:25:47Z)
Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
論文参考訳（メタデータ） (2026-05-27T23:48:01Z)
MeltRTL: Multi-Expert LLMs with Inference-time Intervention for RTL Code Generation [0.0]
MeltRTLは、マルチエキスパートの注意と推論時間の介入を統合する新しいフレームワークである。 MeltRTLは、ベースモデルを再トレーニングすることなく、大きな言語モデル(LLM)の精度を大幅に改善する。 We evaluate MeltRTL on the VerilogEval benchmark, achieve 96% synthesizability and 60% functional correctness。
論文参考訳（メタデータ） (2026-01-19T12:49:39Z)
LLMs for Bayesian Optimization in Scientific Domains: Are We There Yet? [25.116042999105193]
大規模言語モデル (LLM) は実験設計のための汎用エージェントとして提案されている。本仮説は, 遺伝的摂動および分子特性探索に応用したオープンソースとクローズドソースのLLMを用いて評価する。 LLMをベースとしたエージェントは、実験的なフィードバックに敏感ではなく、実結果をランダムに置換したラベルに置き換えることは、性能に影響を与えない。
論文参考訳（メタデータ） (2025-09-24T15:50:17Z)
Omni-Thinker: Scaling Multi-Task RL in LLMs with Hybrid Reward and Task Scheduling [66.0871543682453]
我々はOmni-Thinkerについて紹介する。Omni-Thinkerは多種多様なタスクにわたって大きな言語モデルをスケールする統合強化学習フレームワークである。我々のスケジューラは,BWTに基づいてタスクを順序付けし,マルチタスク性能を向上する。
論文参考訳（メタデータ） (2025-07-20T01:50:16Z)
TuRTLe: A Unified Evaluation of LLMs for RTL Generation [0.6010802600885173]
本研究では,主要なRTL生成タスク間でLLMを評価するための統合評価フレームワークTuRTLeを提案する。オープンLLMの多様なセットをベンチマークし、EDA固有のタスクの長所と短所を分析します。以上の結果から,DeepSeek R1のような推論モデルの方が,複数の評価基準で常に優れていたことが示唆された。
論文参考訳（メタデータ） (2025-03-31T07:43:12Z)
Optimizing Knowledge Integration in Retrieval-Augmented Generation with Self-Selection [72.92366526004464]
Retrieval-Augmented Generation (RAG) は、Large Language Models (LLM) がより正確で信頼性の高い応答を生成するのに有効であることが証明されている。本稿では,自己選択型RAGフレームワークを提案する。このフレームワークでは,内部パラメトリック知識のみで生成されたペアの応答からLLMを選択できる。
論文参考訳（メタデータ） (2025-02-10T04:29:36Z)
Generalists vs. Specialists: Evaluating LLMs on Highly-Constrained Biophysical Sequence Optimization Tasks [37.326754557721586]
大規模言語モデル (LLM) は生体分子最適化問題において有望であることを示す。 LaMBO-2のような特殊なソルバは、効率性ときめ細かい制御を提供するが、より多くのドメインの専門知識を必要とする。生物物理シーケンス最適化問題の幾何学的構造を捉えた合成テストスイートであるEhrlich関数を導入することで、この問題に対処する。
論文参考訳（メタデータ） (2024-10-29T17:45:57Z)
AIME: AI System Optimization via Multiple LLM Evaluators [79.03422337674664]
AIME は複数の LLM を利用した評価プロトコルであり、それぞれが独立した基準で評価を生成し、結合を通してそれらを結合する。コード生成タスクにおける AIME のベースラインメソッドのパフォーマンスは,LeetCodeHard と HumanEval データセットの単一 LLM 評価プロトコルよりも最大 62% 高いエラー検出率,最大 16% 高い成功率で向上している。
論文参考訳（メタデータ） (2024-10-04T04:03:24Z)
Self-Exploring Language Models: Active Preference Elicitation for Online Alignment [88.56809269990625]
本研究では, 分布域外領域を積極的に探索するために, 潜在的に高次応答に対して楽観的に偏りを呈する2段階的客観性を提案する。実験の結果,Zephyr-7B-SFTとLlama-3-8B-Instructモデルで微調整した場合,SELM(Self-Exploring Language Models)は命令追従ベンチマークの性能を大幅に向上させることがわかった。
論文参考訳（メタデータ） (2024-05-29T17:59:07Z)

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。