論文の概要: ChipMEM: Verification-Grounded Memory for EDA Agents

• arxiv url: http://arxiv.org/abs/2609.27067v1
• Date: Tue, 22 Sep 2026 21:03:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.77279
• Title: ChipMEM: Verification-Grounded Memory for EDA Agents
• Title（参考訳）: ChipMEM:EDAエージェントの検証対象メモリ
• Abstract要約: ChipMEMは、EDAエージェントのための検証済みのメモリ層である。 クロスタスクの手続き記憶と軌道内統計ガイダンスを組み合わせる。 一般的なアダプタは、RTL最適化とテストベンチ生成エージェントに同じメモリインターフェースを適用している。
• 参考スコア（独自算出の注目度）: 8.441726626399651
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large language model (LLM)-based agents use Electronic Design Automation (EDA) tools to generate and revise register-transfer-level (RTL) designs under synthesis and verification feedback. Recent methods learn from this feedback by distilling reusable skills from execution traces or by training on rewards derived from EDA-tools. Both methods are typically evaluated on the tasks that produced the experience. Repeated access to benchmark feedback on the same task can reward task-specific revision rather than creating reusable knowledge that transfers. We introduce ChipMEM, a verification-grounded memory layer for EDA agents. It combines cross-task procedural memory with within-trajectory statistical guidance. Its procedural component distills and stores a skill only after it passes synthesis, simulation, or formal checks, rather than relying on model self-assessments. A Bayesian component maintains hierarchical Beta estimates over tool-call outcomes and ranks recovery strategies that succeeded under comparable errors. A common adapter applies the same memory interface to RTL optimization and testbench-generation agents while preserving each domain's tools and acceptance criteria. We measure performance on training tasks and evaluate whether learned skills transfer to unseen tasks. On RTLRewriter-Bench, under matched model and tool settings, ChipMEM produces equivalence-passing outputs on 39/54 scored designs versus 35/54 without memory; on the 49-design short suite, mean area improvement is 8.69% versus 5.66%. On held-out CVDP tasks, ChipMEM with a frozen procedural library achieves 20/20 accepted outcomes versus 18/20 without memory in a single evaluation per setting.
• Abstract（参考訳）: LLM(Large Language Model)ベースのエージェントは、電子設計自動化(Electronic Design Automation、EDA)ツールを使用して、合成と検証のフィードバックの下でレジスタレベル(RTL)の設計を生成し、修正する。 近年の手法では, 再利用可能なスキルを, 実行トレースから蒸留したり, EDAツールから得られる報酬をトレーニングすることで, フィードバックから学習している。 どちらの手法も、通常、経験を生み出したタスクに基づいて評価される。 同じタスクにおけるベンチマークフィードバックへの繰り返しアクセスは、転送する再利用可能な知識を生成するのではなく、タスク固有のリビジョンに報いる可能性がある。 本稿では,EDAエージェントのための検証済みメモリ層であるChipMEMを紹介する。 クロスタスクの手続き記憶と軌道内統計ガイダンスを組み合わせる。 プロシージャコンポーネントは、モデル自己評価に頼るのではなく、合成、シミュレーション、または形式的なチェックをパスした後にのみ、スキルを蒸留し、保存する。 Bayesianコンポーネントは、ツールコールの結果に対する階層的なベータ見積を維持し、同等のエラーで成功したリカバリ戦略をランク付けする。 共通アダプタは、各ドメインのツールと受け入れ基準を維持しながら、RTL最適化とテストベンチ生成エージェントに同じメモリインターフェースを適用する。 トレーニングタスクのパフォーマンスを測定し、学習したスキルが目に見えないタスクに移行するかどうかを評価する。 RTLRewriter-Benchでは、マッチしたモデルとツール設定の下で、ChipMEMは39/54のスコア付けされた設計と35/54のメモリなしでの等価パス出力を生成し、49デザインのショートスイートでは平均面積改善は8.69%、5.66%である。 保持されたCVDPタスクでは,フリーズプロシージャライブラリを用いたChipMEMは,設定毎に1つの評価において,メモリ無しで20/20の受理結果を達成する。

関連論文リスト

• EvoAgentBench: Benchmarking Agent Self-Evolution via Ability Transfer [25.657960361149833]
  EvoAgentBenchは、Ability-guided Transferによるエージェントの自己進化のベンチマークである。 すべてのテストタスクは、認証されたトレーニングサイドの能力サポートによってバックアップされる。
  論文  参考訳（メタデータ） (2026-07-06T15:17:09Z)
• GRACE-DS: a Guarded Reward-guided Agent Correction Environment in Data Science [39.146761527401424]
  GRACE-DSは、LSMを用いたオートMLエージェントの事前デプロイ評価のための、データサイエンスにおけるリワード誘導エージェント補正環境である。 エージェントをリアルなワークフローステージに公開し、計画やデータインスペクションから機能エンジニアリング、モデル開発、バリデーション、コード修正まで、最終提出まで。 これらの結果から、GRACE-DSはLLMベースのAutoMLエージェントが実運用環境下で機械学習を実行する能力を評価するための堅牢なプラットフォームとして確立された。
  論文  参考訳（メタデータ） (2026-06-14T19:58:06Z)
• PEAM: Parametric Embodied Agent Memory through Contrastive Internalization of Experience in Minecraft [59.80301645617478]
  本稿では,MinecraftのParametric Embodied Agent MemoryフレームワークであるPEAMを紹介する。 PEAMは、エージェントメモリを推論時間検索から経験を通して内部化されたパラメータレジデントスキルに変換する。 PEAMは,長時間のタスクパフォーマンスを改善し,従来と統合されていたスキルの忘れを軽減し,パラメトリック・ヴァーサス・検索効率を向上させる。
  論文  参考訳（メタデータ） (2026-05-26T23:20:58Z)
• SWE-QA-Pro: A Representative Benchmark and Scalable Training Recipe for Repository-Level Code Understanding [41.98672557723593]
  SWEQA-Proは,多種多様な長期リポジトリと実行可能な環境から構築されたベンチマークである。 さらに,2段階のトレーニングレシピであるSupervised Fine-Tuning(SFT)とReinforcement Learning from AI Feedback(RLAIF)という,スケーラブルな合成データパイプラインを提案する。 SWE-QA-ProのGPT-4oを2.3ポイント超え、最先端モデルとのギャップを大幅に狭める。
  論文  参考訳（メタデータ） (2026-03-17T05:12:48Z)
• Veri-Sure: A Contract-Aware Multi-Agent Framework with Temporal Tracing and Formal Verification for Correct RTL Code Generation [4.723302382132762]
  シリコングレードの正しさは、 (i) シミュレーション中心の評価の限られたカバレッジと信頼性、 (ii) 回帰と修復幻覚、 (iii) エージェントハンドオフ間で意図が再解釈される意味的ドリフトによってボトルネックが残っている。 エージェントの意図を整合させる設計契約を確立するマルチエージェントフレームワークであるVeri-Sureを提案する。
  論文  参考訳（メタデータ） (2026-01-27T16:10:23Z)
• AgentPRM: Process Reward Models for LLM Agents via Step-Wise Promise and Progress [71.02263260394261]
  大規模言語モデル(LLM)は、マルチターン意思決定タスクにおいて依然として課題に直面している。 プロセス報酬モデル(PRM)を構築し、各意思決定を評価し、エージェントの意思決定プロセスを導く。 AgentPRMは、シーケンシャルな決定と最終的な目標への貢献の間の相互依存の両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-11-11T14:57:54Z)
• Memp: Exploring Agent Procedural Memory [72.41472703974935]
  LLM(Large Language Models)ベースのエージェントは様々なタスクをこなすが、静的パラメータで手動で設計または絡み合うような不安定なプロシージャメモリに悩まされる。 本稿では,過去のエージェントの軌跡をステップバイステップの細粒度と高レベルなスクリプトライクな抽象化の両方に蒸留するMempを提案する。 メモリレポジトリが洗練されるにつれて、エージェントは着実に高い成功率と類似タスクの効率を達成できることを示す。
  論文  参考訳（メタデータ） (2025-08-08T16:20:56Z)
• AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
  AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。 テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。 アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
  論文  参考訳（メタデータ） (2025-04-29T17:36:05Z)

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。