論文の概要: CARVE: Breaking Data Barriers in Chip Placement by Harnessing Reusable Expertise

• arxiv url: http://arxiv.org/abs/2609.33106v1
• Date: Sun, 27 Sep 2026 02:25:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 10:28:40.632277
• Title: CARVE: Breaking Data Barriers in Chip Placement by Harnessing Reusable Expertise
• Title（参考訳）: CARVE:再使用可能な専門知識を損なうことで、チップ配置でデータバリアを壊す
• Abstract要約: 蓄積された専門知識を,凍結した基本方針,不変の専門家,タスク固有の資格情報として表現するフレームワークを導入する。 新しいタスクのために、CARVEはまず既存のスペシャリストをチェックし、凍結した基地から新たなスペシャリストを訓練する。 マクロ配置では、再利用ファーストのフォローアップにより記録されたトレーニング時間を58.5%削減し、HPWLは8.41%から7.86%にしか変化しない。
• 参考スコア（独自算出の注目度）: 40.8403814758687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained macro-placement policies can reduce repeated optimization across circuits, but deployment often exposes them to unfamiliar designs when the original training data are unavailable. Repeatedly fine-tuning a single serving model can overwrite earlier improvements, while simply saving checkpoints does not determine where they can be reliably reused. We introduce Continual Adaptation through the Reuse of Validated Expertise (CARVE), a framework that represents accumulated expertise as a frozen base policy, immutable specialists, and task-specific credentials obtained through local validation. For a new task, CARVE first checks existing specialists and trains a new specialist from the frozen base only when none qualifies. Under fixed task distributions and validation rules that control cumulative error, we establish expected-performance guarantees for repeated reuse. For bounded losses, we also derive matching worst-case bounds on the local samples needed for reliable reuse. In macro placement, a reuse-first follow-up reduces recorded training time by 58.5% (9.66 to 4.01 hours), while mean HPWL gain changes only from 8.41% to 7.86%. In a simulated receiving deployment, imported specialists are reused on six of seven new IBM circuits with no receiver-side training, achieving a 5.76% mean HPWL gain. Navigation studies provide complementary evidence on repair retention and repeated adaptation.
• Abstract（参考訳）: 事前のマクロ配置ポリシーは、回路間の繰り返し最適化を減らすことができるが、元のトレーニングデータが利用できない場合には、よく知らない設計に展開することがしばしばある。 繰り返し、単一サービスモデルを微調整することで、以前の改善を上書きできる一方で、単にチェックポイントを保存しても、確実に再利用できる場所を判断できない。 CARVE(Continuous Adaptation through the Reuse of Validated Expertise)は,蓄積した専門知識を,凍結した基本方針,不変の専門家,ローカルな検証を通じて得られたタスク固有の資格情報として表現するフレームワークである。 新しいタスクのために、CARVEはまず既存のスペシャリストをチェックし、凍結した基地から新たなスペシャリストを訓練する。 累積誤差を制御する固定されたタスク分布と検証ルールの下で、繰り返し再利用に対する期待性能保証を確立する。 有界損失に対しては、信頼性の高い再利用に必要な局所的なサンプルに基づいて、最悪のケース境界を導出する。 マクロ配置では、再利用ファーストのフォローアップにより、記録されたトレーニング時間が58.5%(9.66時間から4.01時間)削減され、HPWLは8.41%から7.86%にしか変化しない。 シミュレートされた受信デプロイメントでは、輸入されたスペシャリストはレシーバサイドのトレーニングを受けずに7つの新しいIBM回路のうち6つで再利用され、5.76%の平均HPWLゲインを達成した。 ナビゲーション研究は、修復の維持と反復的な適応に関する補完的な証拠を提供する。

関連論文リスト

• MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
  MeshHealは、完全に分散化された自己修復フレームワークである。 能力にマッチしたピアレビューを2つのタイムスケールに分けている。 1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
  論文  参考訳（メタデータ） (2026-09-24T04:29:37Z)
• RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [76.77275934611428]
  正規化再帰的自己改善型エージェント・ハーネス(RRSI) 本稿では、正規化の原則を取り入れたRRSIを紹介し、進化候補の提案と選択を制約することで自己改善を活用する。 RRSIは5つのアウト・オブ・ディストリビューション・ベンチマークで14.1ポイント、最大4.7ポイントを獲得し、非正規化進化よりも30%少ないポリシートークンで動作するハーネスを生産している。
  論文  参考訳（メタデータ） (2026-09-21T17:54:49Z)
• FINSKILLOPS: A Self-Evolving Multi-Agent System for SEC Filing QA [19.781137463581274]
  既存の自己改善手法は、失敗を新しい振る舞いに変えることができる。 我々は、デプロイ後の改善を、制御された行動維持とみなしている。 SECの申請QAのためのマルチエージェントシステムであるFINSKILLOPSで、この見解をインスタンス化する。
  論文  参考訳（メタデータ） (2026-09-17T04:25:17Z)
• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• RL Forgets! Towards Continual Policy Optimization [57.4336338996653]
  継続的なポストトレーニングは、進化するタスクに視覚言語モデルを適用するための中心的なパラダイムになりつつある。 最近の研究は、強化学習が本質的に忘れやすいという信念から、教師付き微調整よりも強化学習を好んでいる。 我々は,事前タスク動作KL目標に基づくリプレイフリーフレームワークである継続ポリシー最適化(CPO)を提案する。
  論文  参考訳（メタデータ） (2026-07-05T15:46:11Z)
• Automating Formal Verification with Reinforcement Learning and Recursive Inference [0.0]
  我々はダフニーで検証可能な報酬(RLVR)と検証者誘導推論時間探索を用いてオープンソースモデルを訓練する。 固定ベースモデルでは、証明修正器を備えた完全な足場は、直接修理中の初期VeriCodingパイロットセットのパスレートを46.2%から69.2%に改善する。 Rust $texttcurve25519-dalek$検証プロジェクトから派生した,レポジトリスケールのLeanベンチマークであるDalek-Benchについても紹介します。
  論文  参考訳（メタデータ） (2026-05-29T06:59:28Z)
• Guarded Repair for Harm-Aware Post-hoc Replacement of LLM Mathematical Reasoning [0.0]
  GuardedRepairは、キャッシュされた推論トレースを診断し、修正を選択的にトリガーし、答えを変える候補を受け入れる、最高のN修復フレームワークである。 GuardedRepairは、固定/壊れたトレードオフを大幅に改善すると同時に、削除されるよりも、置き換えのリスクが低減されることを示す。
  論文  参考訳（メタデータ） (2026-05-23T14:51:13Z)
• Continual Calibration: Coverage Can Collapse Before Accuracy in Lifelong LLM Fine-Tuning [6.908972852063454]
  不確実性信頼性は、トップ1のパフォーマンスよりも早く、より急激に低下する可能性がある。 逐次微調整モデル上での共形被覆と校正誤差を計測し,これを実証的に検討する。 タスク固有のバッファを保持し,タスク固有の整合しきい値に適合する軽量なポストホックプロシージャであるキャリブレーション・リプレイを提案する。
  論文  参考訳（メタデータ） (2026-04-27T03:03:38Z)
• R-Tuning: Wavelet-Decomposed Replay and Semantic Alignment for Continual Adaptation of Pretrained Time-Series Models [15.189716355297326]
  Replay Tuning (R-Tuning) は、事前訓練された時系列モデルの継続的な適応のために設計された新しいフレームワークである。 R-Tuningは、周波数対応の再生戦略を通じて、前と現在のタスク知識の両方をキャプチャする統合潜在空間を構築する。
  論文  参考訳（メタデータ） (2025-11-12T08:32:08Z)

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。