論文の概要: WaveletECO: A Closed-Loop Physical ECO Platform and a Specialized Local Language Model

• arxiv url: http://arxiv.org/abs/2609.23444v1
• Date: Sun, 20 Sep 2026 08:20:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.934711
• Title: WaveletECO: A Closed-Loop Physical ECO Platform and a Specialized Local Language Model
• Title（参考訳）: WaveletECO: クローズドループ物理ECOプラットフォームと特化ローカル言語モデル
• Abstract要約: エンジニアリング変更順序(ECO)は、チップ設計の後期において、タイミングと電気的違反を修復する重要なステップである。 本研究では,大規模言語モデルとクローズドループ実行プラットフォームを統合し,エージェントがECO決定を効果的に実行できるようにするWaveletECOを提案する。 594点中22点のWaveletECO-Policy (BF16) と (INT8) のスコアは 79.63点、 79.65点である。
• 参考スコア（独自算出の注目度）: 8.405210178706264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Engineering change order (ECO) is an important step in repairing timing and electrical violations during the late stages of chip design. Existing Agentic EDA methods primarily focus on tool invocation, with less attention to model decision quality and targeted training. A central challenge in ECO is multi-round decision-making: the model must use the results of each round to determine the next repair action. We propose WaveletECO, which integrates a closed-loop execution platform with large language models to enable agents to execute ECO decisions effectively. We also train a local 9B model through supervised fine-tuning and CPO-SimPO using execution demonstrations and decision-preference data, enabling ECO decision-making with a locally deployed model. Across 594 evaluation runs on 22 designs, WaveletECO-Policy (BF16) and (INT8) score 79.63 and 79.65, respectively, compared with GPT-6 Astra's 77.44. The estimated inference cost of INT8 is about 1/147 of GPT-6 Astra's. These results show that specialized model training supports effective, low-cost multi-round ECO repair, with repair quality retained under INT8 quantization.
• Abstract（参考訳）: エンジニアリング変更順序(ECO)は、チップ設計の後期において、タイミングと電気的違反を修復する重要なステップである。 既存のエージェントEDAメソッドは、主にツールの実行に焦点を当てており、モデルの判断品質や目標とするトレーニングにはあまり注意を払わない。 モデルは、次の修理動作を決定するために、各ラウンドの結果を使用しなければなりません。 本研究では,大規模言語モデルとクローズドループ実行プラットフォームを統合し,エージェントがECO決定を効果的に実行できるようにするWaveletECOを提案する。 また,教師付き微調整とCPO-SimPOを用いてローカル9Bモデルをトレーニングし,ローカルにデプロイされたモデルによるECO意思決定を可能にする。 594点中22点のWaveletECO-Policy (BF16) と (INT8) のスコアは 79.63点、 79.65点である。 INT8の推定推論コストは、GPT-6アストラの約1/147である。 これらの結果から,IN8量子化下での補修品質を保ちながら,高効率で低コストなマルチラウンドECO修復を支援する特化モデルトレーニングが得られた。

関連論文リスト

• EEG-JEPA: Structured Latent Prediction for EEG Foundation Models [8.073687183161216]
  本稿では,脳波基礎モデリングのための構造化潜在予測フレームワークであるEEG-JEPAを紹介する。 EEG-JEPAは3つの相補的な次元に沿ってターゲット設計を編成する。 EEG-JEPAは、CBraModスタイルの仮面波形再構成に比べて、14タスクの冷凍マクロバランスの精度を40.49%から50.42%に改善した。
  論文  参考訳（メタデータ） (2026-07-31T08:57:53Z)
• ExecTune: Effective Steering of Black-Box LLMs with Guide Models [81.45879384560016]
  我々は、ガイドモデルがブラックボックスコアモデルによって実行される構造化戦略を生成する、ガイドコアポリシー(GCoP)と呼ばれるシステムのクラスについて研究する。 我々はGCoPを費用対効果目標として定式化し、エンドツーエンドのパフォーマンスは平均実行可能性によって管理されていることを示す。 教師が指導する受入サンプリング,教師による微調整,構造対応強化学習を組み合わせた,原則的学習レシピであるExecTuneを提案する。
  論文  参考訳（メタデータ） (2026-04-09T23:27:46Z)
• State-Augmented Graphs for Circular Economy Triage [2.7459577246953963]
  循環経済(英: Circular economy, CE Triage)とは、製品が有用性に到達した後、どの持続可能な経路を辿るかを決定するための製品の評価である。 本稿では, 状態拡張型分解配列計画グラフ上での簡易決定論的解法として, 新たな意思決定フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-17T16:23:47Z)
• Carbon Price Forecasting with Structural Breaks: A Comparative Study of Deep Learning Models [8.59635419237389]
  炭素価格の正確な予測は、情報的エネルギー市場決定に不可欠である。 既存の研究はブレークポイントを取り入れようと試みてきたが、しばしば個別のプロセスとしてデノベーションとモデリングを扱う。 本稿では,構造破壊検出(Bai-Perron, ICSS, PELTアルゴリズム),ウェーブレット信号の復調,最先端の3つのディープラーニングモデルを統合した包括的ハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-07T05:16:56Z)
• TCPO: Thought-Centric Preference Optimization for Effective Embodied Decision-making [75.29820290660065]
  本稿では,効果的な具体的意思決定のための思考中心推論最適化(TCPO)を提案する。 モデルの中間的推論プロセスの整合性を強調し、モデル劣化の問題を緩和する。 ALFWorld環境での実験では、平均成功率は26.67%であり、RL4VLMよりも6%向上している。
  論文  参考訳（メタデータ） (2025-09-10T11:16:21Z)
• Regime-Aware Conditional Neural Processes with Multi-Criteria Decision Support for Operational Electricity Price Forecasting [0.0]
  この研究は、ドイツ市場における24時間電気価格予測のための状態検出と条件付きニューラルプロセスを統合する。 ディープニューラルネットワーク(DNN)とLassoの推定自己回帰(LEAR)モデルに対してR-NPを厳格に評価した。 R-NPモデルは2021年、2022年、2023年に最もバランスよく好まれる解として登場した。
  論文  参考訳（メタデータ） (2025-07-31T09:12:25Z)
• Unveiling Environmental Impacts of Large Language Model Serving: A Functional Unit View [2.5832043241251337]
  FUELは、大規模言語モデル(LLM)の環境影響を評価するためのフレームワークである モデルサイズ、量子化戦略、ハードウェア選択を最適化することで、二酸化炭素排出量を減らすための重要な洞察とトレードオフを明らかにします。
  論文  参考訳（メタデータ） (2025-02-16T20:20:18Z)
• Fast-ELECTRA for Efficient Pre-training [83.29484808667532]
  ELECTRAは補助モデルに置き換えられたシーケンス内のトークンを検出して、言語モデルを事前訓練する。 本稿では,既存の言語モデルを補助モデルとして活用したFast-ELECTRAを提案する。 提案手法は,最先端のELECTRA型事前学習手法の性能に匹敵するが,補助モデルの連成学習による計算とメモリコストは著しく削減される。
  論文  参考訳（メタデータ） (2023-10-11T09:55:46Z)
• COPlanner: Plan to Roll Out Conservatively but to Explore Optimistically for Model-Based RL [50.385005413810084]
  ダイナスタイルのモデルベース強化学習には、ポリシー学習と実環境探索のためのサンプルを生成するモデルロールアウトという2つのフェーズが含まれる。 $textttCOPlanner$は、不正確な学習された動的モデル問題に対処するモデルベースのメソッドのための計画駆動フレームワークである。
  論文  参考訳（メタデータ） (2023-10-11T06:10:07Z)
• Sample-Efficient Reinforcement Learning via Conservative Model-Based Actor-Critic [67.00475077281212]
  モデルベース強化学習アルゴリズムは、モデルフリーのアルゴリズムよりもサンプル効率が高い。 本稿では,精度の高い学習モデルに強く依存することなく,高いサンプル効率を実現する新しい手法を提案する。 CMBACは,いくつかの課題に対して,サンプル効率の点で最先端のアプローチを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-12-16T15:33:11Z)

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。