論文の概要: AgenticSizing: A Large Language Model-based Multi-Agent Framework for Analog Circuit Sizing
- arxiv url: http://arxiv.org/abs/2609.25873v1
- Date: Tue, 22 Sep 2026 08:39:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.300764
- Title: AgenticSizing: A Large Language Model-based Multi-Agent Framework for Analog Circuit Sizing
- Title（参考訳）: AgenticSize: アナログ回路サイズのための大規模言語モデルに基づくマルチエージェントフレームワーク
- Abstract要約: 本稿では,複合アナログ回路サイズ化のためのマルチエージェントLLMベースのフレームワークを提案する。
提案フレームワークはまず回路トポロジを解析し,ネットリストを機能ブロックとサブ構造に分解する。
抽出したトポロジと知識に基づいて、プランナーは複数の役割特定サイズエージェントを調整し、設計変数を更新し、グローバルなパフォーマンス仕様を達成する。
- 参考スコア（独自算出の注目度）: 4.881247523388173
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Analog circuit sizing remains a challenging and time-consuming task due to the large design space, strong performance trade-offs, and increasing circuit complexity in scaled technologies. Although recent large language model (LLM)-based methods show promise in improving sample efficiency and interpretability, existing approaches often lack explicit circuit-topology understanding and are mainly evaluated on relatively simple analog building blocks. This paper presents a multi-agent LLM-based framework for complex analog circuit sizing. The proposed framework first analyzes the circuit topology and decomposes the netlist into functional blocks and substructures. It also extracts lightweight design knowledge for reuse. Based on the extracted topology and knowledge, a planner coordinates multiple role-specialized sizing agents to update design variables and achieve global performance specifications. This workflow mimics the collaborative process of an expert analog design team and provides a structured, interpretable, and simulation-driven optimization procedure. The framework was validated on eight circuits, with the largest design containing up to 55 transistors and 60 sizing variables. Notably, for the LDO benchmark, the proposed method achieved a 60\% success rate with an average of 83 iterations, where classical optimizers failed to find feasible solutions. Further, ablation studies demonstrate that topology understanding, design-knowledge infusion, and agent specialization provide complementary benefits. The source code is available to support reproducibility.
- Abstract（参考訳）: アナログ回路の小型化は、大きな設計空間、強力な性能トレードオフ、大規模技術における回路の複雑さの増加など、困難かつ時間を要する課題である。
近年の大規模言語モデル (LLM) に基づく手法では, サンプル効率と解釈可能性の向上が期待できるが, 既存の手法では回路トポロジーの明確な理解が欠如しており, 比較的単純なアナログ構築ブロックで主に評価されている。
本稿では,複合アナログ回路サイズ化のためのマルチエージェントLLMベースのフレームワークを提案する。
提案フレームワークはまず回路トポロジを解析し,ネットリストを機能ブロックとサブ構造に分解する。
また、軽量な設計知識を抽出して再利用する。
抽出したトポロジと知識に基づいて、プランナーは複数の役割特定サイズエージェントを調整し、設計変数を更新し、グローバルなパフォーマンス仕様を達成する。
このワークフローは、専門家のアナログデザインチームの協力的なプロセスを模倣し、構造化され、解釈可能で、シミュレーション駆動の最適化手順を提供する。
このフレームワークは8つの回路で検証され、最大の設計は55個のトランジスタと60個のサイズ変数を含む。
特に、LDOベンチマークでは、提案手法は平均83回のイテレーションで60%の成功率を達成したが、古典的な最適化者は実現可能な解を見つけられなかった。
さらに、アブレーション研究は、トポロジー理解、設計知識注入、エージェント特殊化が相補的な利益をもたらすことを示した。
ソースコードは再現性をサポートするために利用できる。
関連論文リスト
- AaLLM: An End-to-End Analog Circuit Design Framework from Topology Generation to Sizing Using Large Language Models [0.0]
本稿では、ユーザ仕様を入力として取り出し、適切なネットリストを出力するオープンソースのエンドツーエンドマルチエージェントLLMワークフローであるAaLLMを提案する。
AaLLMは、研究論文や教科書から、退屈な手動データ収集と戦うための、関連する知識ベースの作成を自動化する。
AaLLMが生成した新しいトポロジは、既知のトポロジに匹敵し、特定の回路で最大3倍高い値が得られる。
論文 参考訳（メタデータ） (2026-08-13T16:57:07Z) - Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。
本稿では,再構築による理解という,新しいパラダイムを提案する。
マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-11T09:23:20Z) - AnaFlow: Agentic LLM-based Workflow for Reasoning-Driven Explainable and Sample-Efficient Analog Circuit Sizing [1.2617078020344616]
サンプル効率と説明可能なアナログ回路サイズのための新しいエージェントAIフレームワークを提案する。
AnaFlowフレームワークは、複雑さの異なる2つの回路で実証されており、サイズタスクを完全に完了することができる。
固有の説明可能性により、アナログ設計空間探索の強力なツールとなり、アナログEDAの新しいパラダイムとなる。
論文 参考訳（メタデータ） (2025-11-05T18:24:01Z) - Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。
条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。
各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。
実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
論文 参考訳（メタデータ） (2025-10-09T05:28:28Z) - Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。
提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
論文 参考訳（メタデータ） (2025-10-02T15:15:50Z) - AnalogCoder-Pro: Unifying Analog Circuit Generation and Optimization via Multi-modal LLMs [40.14708895187017]
本稿では,多モーダル大規模言語モデル(LLM)フレームワークであるAnalogCoder-Proについて述べる。
このフレームワークは、シミュレーションエラーメッセージと波形画像を使って自動で設計エラーを補正するマルチモーダルな診断・修復フィードバックループを備えている。
13種類の回路を網羅したベンチマークスイートで、AnalogCoder-Proは28個の回路を設計し、既存のLCMベースの手法よりも一貫して性能を向上した。
論文 参考訳（メタデータ） (2025-08-04T15:25:48Z) - ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。
本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。
本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
論文 参考訳（メタデータ） (2025-03-24T13:11:22Z) - VeriMind: Agentic LLM for Automated Verilog Generation with a Novel Evaluation Metric [4.590930025882158]
We propose VeriMind, a agentic LLM framework for Verilog code generation。
本稿では,従来のpass@k測度とARC(Average Refinement Cycles)を組み合わせた新しい評価手法を提案する。
様々なハードウェア設計タスクの実験結果によると、我々のアプローチはpass@kメトリックで最大8.3%、pass@ARCメトリックで最大8.1%向上した。
論文 参考訳（メタデータ） (2025-03-15T23:43:06Z) - LLM-USO: Large Language Model-based Universal Sizing Optimizer [4.223946773134886]
本稿では,構造化テキスト形式で回路設計知識を符号化する知識表現手法を提案する。
この表現は、類似のサブ構造を持つ回路の最適化インサイトを体系的に再利用することを可能にする。
i)ドメイン固有の知識をBOプロセスに注入し、(ii)回路間の知識伝達を促進し、専門家デザイナーの認知戦略を反映する。
論文 参考訳（メタデータ） (2025-02-04T23:08:03Z) - Multi-Agent Reinforcement Learning for Microprocessor Design Space
Exploration [71.95914457415624]
マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。
この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。
評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
論文 参考訳（メタデータ） (2022-11-29T17:10:24Z)
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。