論文の概要: MacroAgent: Regularity-Aware Macro Legalization with LLM-Agent-Designed Contour Algorithms
- arxiv url: http://arxiv.org/abs/2608.24946v1
- Date: Mon, 24 Aug 2026 15:31:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.287764
- Title: MacroAgent: Regularity-Aware Macro Legalization with LLM-Agent-Designed Contour Algorithms
- Title（参考訳）: マクロエージェント: LLM-Agent-Designed Contour Algorithm を用いた正規性を考慮したマクロ正規化
- Abstract要約: 大規模言語モデル(LLM)を用いたマクロ合法化のための新しいフレームワークを提案する。
TILOSとChipyardベンチマークの実験結果は、最先端のマクロ正規化作業と比較すると、レイアウトの正則性は2倍から8倍改善されている。
Cadence Innovus place-and-routeによるエンドツーエンド評価では、正規性の改善が有形PPAゲインに変換されることを確認した。
- 参考スコア（独自算出の注目度）: 21.59953270787966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Macros constitute a large part of the core area in modern very large-scale integration (VLSI) designs. Moreover, macro positions have a significant impact on the final quality of result (QoR), and macro legalization is typically the final step in determining the macro positions. However, existing approaches related to macro legalization either lack robustness or incur substantial computational costs or neglect the regularity between macros. To address these limitations, we introduce MacroAgent. The novel framework is a four-stage approach: clustering, contour generation, template matching, and inter-cluster refinement. We propose leveraging Large Language Models (LLMs) to discover multiple, effective heuristic regularity-aware contour algorithms. This framework successfully generates robust and effective algorithmic solutions for macro legalization. Compared with state-of-the-art macro legalization works, experimental results on TILOS and Chipyard benchmarks demonstrate a 2 to 8 fold improvement in layout regularity, a 3% to 5% reduction in routed wirelength with comparable congestion after global routing, and significantly better robustness with an acceptable runtime. Furthermore, end-to-end evaluation through Cadence Innovus place-and-route confirms that the regularity improvements translate into tangible PPA gains, including 2.9% lower routed wirelength and 68.3% TNS improvement over the DREAMPlace macro legalization baseline; it also achieves 1.8% lower routed wirelength when integrated into the Innovus macro placement flow.
- Abstract（参考訳）: マクロは、現代の超大規模統合(VLSI)設計において、コア領域の大部分を構成している。
さらに、マクロ位置は結果の最終品質(QoR)に大きな影響を与え、マクロの合法化はマクロ位置を決定する最終段階である。
しかし、マクロの合法化に関連する既存のアプローチは、堅牢性に欠けるか、かなりの計算コストがかかるか、マクロ間の規則性を無視するかのいずれかである。
これらの制限に対処するために、MacroAgentを紹介します。
新たなフレームワークは、クラスタリング、輪郭生成、テンプレートマッチング、クラスタ間リファインメントという4段階のアプローチである。
本稿では,Large Language Models (LLMs) を用いて,複数の有効ヒューリスティックな規則性を考慮した輪郭アルゴリズムを提案する。
このフレームワークは、マクロな合法化のための堅牢で効果的なアルゴリズムのソリューションをうまく生成する。
TILOSとChipyardベンチマークの実験結果によると、レイアウトの正則性は2倍から8倍に向上し、グローバルなルーティング後と同程度の混雑でルーティングされたワイヤ長が3%から5%減少し、許容可能なランタイムでのロバスト性が大幅に向上した。
さらに、Cadence Innovus place-and-routeによるエンドツーエンド評価では、正規性の改善は、DREAMPlaceマクロ合法化ベースラインよりも2.9%低い経路線長と68.3% TNSの改善を含む有形PPAゲインに変換され、Innovusマクロ配置フローに統合されると1.8%低い経路線長を達成する。
関連論文リスト
- ROSETTA: Efficient and Accurate Privacy-Preserving LLM Decoding via Hybrid CKKS/TFHE Evaluation [9.045545175248671]
生成型大規模言語モデル(LLM)は、コード生成や質問応答など、多くの実世界のタスクにおいて最先端のパフォーマンスを達成した。
広く普及しているデプロイメントは、プライバシの深刻な懸念を高め、完全同型暗号化(FHE)に基づいたプライベート推論フレームワークを動機付けている。
論文 参考訳（メタデータ） (2026-09-15T09:51:33Z) - LEAP: Learnable End-to-End Adaptive Pruning of Large Language Models [19.274512633962086]
未構造化プルーニングの最先端手法は、最適脳サージオン原理から導かれる階層的なサロゲートである。
本稿では,この難易度パラメータ化をBernoulli-via-Gumbelシグモイド緩和法に置き換えるLEAPを提案する。
0.5Bから8Bパラメータの50%と60%の間隔で5つのLLMファミリーにまたがって、LEAPは6タスク平均ゼロショット精度をADMM平均で2.59ポイント改善する。
論文 参考訳（メタデータ） (2026-05-17T07:01:13Z) - Enhancing Multilingual Counterfactual Generation through Alignment-as-Preference Optimization [14.36297254909447]
多言語SCE生成に直接優先度最適化を適用する優先アライメントフレームワークであるMacroを紹介する。
マクロは最小限の劣化を伴わずに,チェーンオブソートベースライン平均で12.55%の妥当性向上を図っている。
提案手法は,多言語モデル説明の強化に期待できる方向として,好みの最適化に重点を置いている。
論文 参考訳（メタデータ） (2026-05-12T06:56:18Z) - MAny: Merge Anything for Multimodal Continual Instruction Tuning [52.50936513604062]
textbfMAny(textbfMAny)は、textbfCross-modal textbfProjection textbfMergingを通じてタスク固有の知識を統合するフレームワークである。
textbfLow-rank textbfParameter textbfMerging (textbfLPM)
論文 参考訳（メタデータ） (2026-04-15T15:57:23Z) - PanFoMa: A Lightweight Foundation Model and Benchmark for Pan-Cancer [54.958921946378304]
トランスフォーマーと状態空間モデルの強みを組み合わせた軽量ハイブリッドニューラルネットワークであるPanFoMaを紹介する。
PanFoMaはフロントエンドのローカルコンテキストエンコーダと共有自己認識層から構成され、複雑で秩序に依存しない遺伝子相互作用をキャプチャする。
また,350万以上の高品質な細胞を含む大規模パンキャンサー単細胞ベンチマークPanFoMaBenchを構築した。
論文 参考訳（メタデータ） (2025-12-02T08:31:31Z) - Re$^{\text{2}}$MaP: Macro Placement by Recursively Prototyping and Packing Tree-based Relocating [67.49674976434322]
この研究は、エキスパート品質のマクロ配置を生成するRe$text2$MaPメソッドを導入している。
我々はDREAMPlaceを使って、混合サイズの配置プロトタイプを構築し、マクロとクラスタごとに参照位置を取得する。
次に、パッキングツリーベースの移動手順を設計し、各グループ内のマクログループとマクロの位置を共同で調整する。
論文 参考訳（メタデータ） (2025-11-11T09:56:10Z) - Non-Overlapping Placement of Macro Cells based on Reinforcement Learning in Chip Design [20.500468654567033]
本稿では,強化学習に基づくエンドツーエンド配置手法SRLPlacerを提案する。
パブリックベンチマークISPD2005で評価することにより,提案したSRLPlacerはマクロセル間の重複問題を効果的に解決することができる。
論文 参考訳（メタデータ） (2024-07-26T04:15:54Z) - DB-LLM: Accurate Dual-Binarization for Efficient LLMs [83.70686728471547]
大規模言語モデル(LLM)は自然言語処理の分野を著しく進歩させてきた。
既存の超低ビット量子化は、常に深刻な精度低下を引き起こす。
本稿では,LLM,すなわちDB-LLMのための新しいデュアルバイナライズ手法を提案する。
論文 参考訳（メタデータ） (2024-02-19T09:04:30Z) - Generative and Contrastive Paradigms Are Complementary for Graph
Self-Supervised Learning [56.45977379288308]
Masked Autoencoder (MAE)は、マスク付きグラフエッジやノード機能の再構築を学ぶ。
Contrastive Learning (CL)は、同じグラフの拡張ビュー間の類似性を最大化する。
我々は,MAE と CL を統一するグラフコントラッシブマスク付きオートエンコーダ (GCMAE) フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-24T05:06:06Z) - Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。
Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
論文 参考訳（メタデータ） (2022-06-02T06:06:29Z)
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。