論文の概要: StateTune: Transforming LLM-Assisted EDA Flow Tuning into a Stateful, Closed-Loop Process
- arxiv url: http://arxiv.org/abs/2608.23601v1
- Date: Wed, 19 Aug 2026 12:38:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.365562
- Title: StateTune: Transforming LLM-Assisted EDA Flow Tuning into a Stateful, Closed-Loop Process
- Title（参考訳）: StateTune: LLM支援EDAフローチューニングをステートフルでクローズドなプロセスに変換する
- Abstract要約: 我々は,LLM支援EDAチューニングを閉ループ状態搬送プロセスとして再構成する textbfStateTune を提案する。
その状態は型付き、エビデンス対応のアンフェシスタント最適化メモリであり、すべての評価によって更新される。
StateTuneは6つのベンチマークブロックで最強のハイパーボリュームを達成した。
- 参考スコア（独自算出の注目度）: 2.855576071013939
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: EDA flow parameter tuning is critical for quality-of-results~(QoR), yet the parameter space is large, tightly coupled, and full evaluations are prohibitively expensive. Prior LLM-assisted tuners mainly use the LLM as an external proposer with transient working context; we instead present \textbf{StateTune}, which reformulates LLM-assisted EDA tuning as a closed-loop, state-carrying process. Its optimizer state is a typed, evidence-gated \emph{persistent optimization memory} that is updated by every evaluation and shared between candidate generation and budget allocation. On top of this optimizer state, an expected hypervolume improvement (EHVI)-guided, runtime-aware promotion policy ranks quick-stage candidates by expected Pareto frontier gain per unit of runtime cost. Evaluated on a Cadence industrial flow across six benchmark blocks (two technology nodes \(\times\) three designs), against five baselines including LLM+retrieval-augmented generation (RAG) and preference-based Bayesian optimization (BO) tuners, StateTune achieves the strongest final hypervolume on all six benchmark blocks, showing a stable improvement in frontier quality across the full matrix; it also matches or surpasses the strongest baselines on worst negative slack (WNS), area, and power across the same set. Ablation shows persistent memory is the largest contributor: removing it costs 58.5\% of the hypervolume. Dedicated analyses of evidence-gating sensitivity, memory poisoning, cross-design transfer, and three-seed reproducibility (CV\,\(<\)\,7\% on five of six blocks) further validate the memory design.
- Abstract（参考訳）: EDAフローパラメータチューニングはQoR(QoR)の品質に不可欠であるが、パラメータ空間は大きく、密結合であり、完全な評価は違法に高価である。
従来のLLM支援チューナは, 外部の作業コンテキストを持つ提案子としてLLMを主に使用しており, 代わりに LLM支援EDAチューニングをクローズドループ状態搬送プロセスとして再構成する \textbf{StateTune} を提示する。
その最適化状態は型付けされたエビデンス付き \emph{peristent optimization memory} であり、全ての評価によって更新され、候補生成と予算配分の間で共有される。
このオプティマイザ状態に加えて、期待されるハイパーボリューム改善(EHVI)誘導のランタイム対応プロモーションポリシは、ランタイムコスト単位当たりのParetoフロンティアゲインを期待して、クイックステージ候補をランク付けする。
LLM+retrieval-augmented generation (RAG) や好みに基づくベイズ最適化 (BO) チューナーを含む5つのベースラインに対して6つのベンチマークブロックにわたるカデンス産業フロー (2つの技術ノード \(\times\) 3つの設計) に基づいて評価され、StateTuneは6つのベンチマークブロックで最強の最終ハイパーボリュームを達成した。
アブレーションは、永続的なメモリが最大のコントリビュータであることを示している。
6ブロックのうち5ブロックでCV\,\(<\)\,7\%) のエビデンスゲーティング感度, メモリ中毒, クロスデザイン転送, および3シード再現性(CV\,\(<\)\,7\%)の詳細な分析により, メモリ設計がさらに検証された。
関連論文リスト
- A FEM-Based Surrogate Modelling and Optimization Framework for Physics-Constrained Electromagnetic Coil Design [2.6205603301997855]
Python-MPh-COMSOLワークフローは、2次元軸対称有限要素法(FEM)とMatern 5/2 Gaussian-process (GP)確率的サロゲートを結合する。
共通の総電流における選択された設計チェックは、観測されたBOBYQA--COBYLA--EI-BO順序を保存する。
論文 参考訳（メタデータ） (2026-08-19T13:27:15Z) - Omni2LoRA: Coherence-Preserving Parametric Memory for Efficient Omni Language Models [65.49950267695267]
我々はコヒーレンス保存コンテクスト蒸留によるパラメトリックメモリの効率的な圧縮フレームワークであるOmni2LoRAを紹介する。
本手法は,マルチモーダルメモリを固定予算で再利用可能なパラメータ状態に変換することにより,応答時間のマルチモーダルトーケン負荷をゼロにする。
論文 参考訳（メタデータ） (2026-08-10T07:49:10Z) - GradCuit: Credit-Assigned Gradient Flow Enables Robust and Interpretable Test-Time Latent Reasoning [61.67411833252235]
本稿では,プロンプトの隠蔽表現と生成された継続の間に,選択したTransformer層に最適化可能な潜在状態を挿入するGradCuitを紹介する。
5つの命令調整されたバックボーン、3つの推論ベンチマーク、2つの回答フォーマットで、GradCuitの平均精度は64.5%である。
解釈可能性について、トークンレベルの勾配属性は、遅延の影響が推論・接続子トークンに集中していることを明らかにする一方、層解析は、初期から中間のトランスフォーマー層を最も効果的な最適化空間として認識する。
論文 参考訳（メタデータ） (2026-08-03T17:55:24Z) - Do Agent Optimizers Compound? A Continual-Learning Evaluation on Terminal-Bench 2.0 [53.71882250666667]
エージェント最適化法で報告されているほとんどの利得はワンショットである。
これは、デプロイされたエージェントにとって重要な設定をテストするものではない。
エージェントハーネス最適化に対する3つのアプローチを比較する。
論文 参考訳（メタデータ） (2026-07-15T16:36:04Z) - Efficient Data Selection for Multimodal Models via Incremental Optimization Utility [6.698411108146732]
本稿では,データ選択をインクリメンタルな最適化ユーティリティランキング問題として再定義するフレームワークであるOne-Step-Train(OST)を提案する。
トップ50サブセットを選択することで、OSTはトレーニングコストを43%削減し(トータルタイム消費は17)、強力なLCM-as-a-Judgeベースラインを1.8ポイント上回る。
論文 参考訳（メタデータ） (2026-05-08T09:28:26Z) - Pushing the Limits of On-Device Streaming ASR: A Compact, High-Accuracy English Model for Low-Latency Inference [5.685908474026849]
エッジデバイス上での高品質な自動音声認識(ASR)は、GPUアクセラレーションなしでCPUで完全に動作している間に、精度、レイテンシ、メモリフットプリントを共同で最適化するモデルを必要とする。
我々は,エンコーダデコーダ,トランスデューサ,LDMベースのパラダイムを包含し,バッチ,チャンク,ストリーミング推論モードで評価する,最先端のASRアーキテクチャの体系的研究を行った。
推奨構成であるint4 k-quant変種は、8つの標準ベンチマークで平均8.20%のストリーミングWERを実現し、0.56秒のアルゴリズムレイテンシでCPU上でのリアルタイムよりも快適に動作します。
論文 参考訳（メタデータ） (2026-04-16T00:04:32Z) - AutoQRA: Joint Optimization of Mixed-Precision Quantization and Low-rank Adapters for Efficient LLM Fine-Tuning [23.59600455731982]
混合量子化微調整プロセスにおいて,各レイヤのビット幅とLoRAランク設定を同時に最適化する共同最適化フレームワークを提案する。
実験によると、AutoQRAは、均一な4ビットメソッドに匹敵するメモリフットプリントで、完全精度の微調整に近いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-02-25T07:18:08Z) - Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。
テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。
そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
論文 参考訳（メタデータ） (2026-02-02T09:14:51Z) - OAT-Rephrase: Optimization-Aware Training Data Rephrasing for Zeroth-Order LLM Fine-Tuning [25.76983801886268]
本稿では,OAT-Rephraseについて紹介する。
OAT-RephraseはMeZOの微調整性能を常に改善することを示す。
提案手法は,ゼロ階調音システムにおける再利用可能な低オーバヘッド向上に有効であることが示唆された。
論文 参考訳（メタデータ） (2025-06-10T02:53:04Z) - EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。
本稿では,新しいベンチマークであるEfficientLLMを紹介する。
論文 参考訳（メタデータ） (2025-05-20T02:27:08Z) - Dynamic Noise Preference Optimization for LLM Self-Improvement via Synthetic Data [51.62162460809116]
我々は、イテレーション間で一貫した改善を保証するために、動的ノイズ優先最適化(DNPO)を導入します。
Zephyr-7Bでの実験では、DNPOは既存の手法を一貫して上回り、平均性能は2.6%向上した。
DNPOは、GPT-4評価のベースラインに比べて29.4%のウィンロス率差で、モデル生成データの品質が大幅に向上したことを示している。
論文 参考訳（メタデータ） (2025-02-08T01:20:09Z) - ScoreFlow: Mastering LLM Agent Workflows via Score-based Preference Optimization [51.280919773837645]
エージェントワークフロー最適化のための高性能フレームワークであるScoreFlowを開発した。
ScoreFlowは、量的フィードバックを考慮に入れた直接選好最適化手法の新たな変種であるScore-DPOを組み込んでいる。
質問応答、コーディング、数学的推論を通じて、既存のベースラインよりも8.2%改善されている。
論文 参考訳（メタデータ） (2025-02-06T18:47:49Z)
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。