論文の概要: Validity-Preserving Hierarchical RL for Joint Routing and Switch Placement in EDA

• arxiv url: http://arxiv.org/abs/2609.39749v1
• Date: Wed, 30 Sep 2026 13:49:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.855876
• Title: Validity-Preserving Hierarchical RL for Joint Routing and Switch Placement in EDA
• Title（参考訳）: EDAにおけるジョイントルーティングとスイッチ配置のための妥当性保存型階層型RL
• Abstract要約: 共同ルーティングとスイッチ配置のための階層的強化学習フレームワークを提案する。 ニューラルネットワークによる探索により,非学習最適化法よりも解の質が大幅に向上することを示す。
• 参考スコア（独自算出の注目度）: 18.287596060675707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Routing and switch placement are fundamental combinatorial optimization problems in chip design, requiring the joint optimization of routing topology and physical placement under strict structural, geometric and logical constraints. Existing approaches typically rely on carefully engineered heuristics that incorporate strong problem-specific biases to navigate the enormous space of possible designs. In this work, we introduce a hierarchical reinforcement learning framework for joint routing and switch placement at the level of logical communication routes. Starting from a minimal routing graph, our method progressively constructs increasingly expressive solutions through three coupled operations: switch expansion, switch placement, and route refinement. These operations preserve routing validity by construction, restricting exploration to feasible configurations where every communicating initiator-target pair has one assigned loop-free route. We explore the induced solution space using Gumbel Monte Carlo Tree Search, showing that neural-guided search substantially improves solution quality over non-learning optimization methods. Furthermore, pretraining across floorplans provides a strong initialization for fine-tuning on unseen instances.
• Abstract（参考訳）: ルーティングとスイッチ配置はチップ設計における基本的な組合せ最適化問題であり、厳密な構造的、幾何学的、論理的制約の下でルーティングトポロジと物理配置を共同で最適化する必要がある。 既存のアプローチは、可能設計の膨大な空間をナビゲートするために、強い問題固有のバイアスを含む、慎重に設計されたヒューリスティックに依存している。 本研究では,論理的通信経路のレベルでの協調ルーティングとスイッチ配置のための階層的強化学習フレームワークを提案する。 最小限のルーティンググラフから始めて,スイッチ展開,スイッチ配置,ルート改善という3つの結合操作を通じて,より表現力の高い解を段階的に構築する。 これらの操作は、構築によるルーティングの妥当性を保持し、通信開始者とターゲットのペアが1つの割り当てられたループのないルートを持つような、実行可能な構成に探索を制限する。 我々はGumbel Monte Carlo Tree Searchを用いて誘導解空間を探索し、ニューラルネットワークによる探索が非学習最適化法よりも解の質を大幅に向上させることを示した。 さらに、フロアプランを横断する事前トレーニングは、目に見えないインスタンスを微調整するための強力な初期化を提供する。

関連論文リスト

• Customizable and Jointly Optimized Route Planning: A Deep Architecture Enabling Differentiable Shortest-Path Search [14.011069595012705]
  本稿では,コスト関数と経路階乗モデルとを併用して任意の経路選好に最適化するディープアーキテクチャを提案する。 私たちのアーキテクチャは、ルート品質とカスタマイズ性において最先端の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-09-17T10:04:56Z)
• Learning-Assisted Multi-Operator Variable Neighborhood Search for Urban Cable Routing [9.950053306881125]
  都市電力グリッドの信頼性を高めるためには,都市地下ケーブルの建設が不可欠である。 道路レイアウトは、都市環境におけるケーブルのルーティングを厳しく制限する。 本稿では,L-MVNSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:13:59Z)
• RIDGECUT: Learning Graph Partitioning with Rings and Wedges [15.380998112133389]
  RIDGECUTは、正規化カット問題における構造認識分割を強制するために、アクション空間を制約する最初のRLフレームワークである。 本手法は,グラフを線形あるいは円形構造に置き換え,分割作業を簡略化する。
  論文  参考訳（メタデータ） (2025-05-20T06:33:39Z)
• Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [53.75036695728983]
  車両ルーティング問題 (VRP) は進化的最適化における基本的なNPハード問題である。 本稿では、強化学習エージェントを事前のインスタンスで訓練し、初期解を迅速に生成する最適化フレームワークを提案する。 このフレームワークは、様々な時間予算において、現在の最先端のソルバよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-04-08T15:21:01Z)
• Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
  非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。 STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。 複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
  論文  参考訳（メタデータ） (2024-06-19T07:17:04Z)
• An Efficient Learning-based Solver Comparable to Metaheuristics for the Capacitated Arc Routing Problem [67.92544792239086]
  我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。 まず,方向対応型注意モデル(DaAM)を提案する。 第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
  論文  参考訳（メタデータ） (2024-03-11T02:17:42Z)
• Equivariant Deep Weight Space Alignment [54.65847470115314]
  本稿では,ウェイトアライメント問題を解決するための学習を目的とした新しいフレームワークを提案する。 まず、重み調整が2つの基本対称性に一致することを証明し、それからこれらの対称性を尊重する深いアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-10-20T10:12:06Z)
• Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization [49.207538634692916]
  そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。 提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。 我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
  論文  参考訳（メタデータ） (2021-10-08T07:22:45Z)
• Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
  我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。 LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。 本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)

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。