論文の概要: SGAnalog: An End-to-End Circuit Benchmark from Open-Source Silicon Tapeouts
- arxiv url: http://arxiv.org/abs/2610.03934v1
- Date: Fri, 02 Oct 2026 18:46:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:17:33.706228
- Title: SGAnalog: An End-to-End Circuit Benchmark from Open-Source Silicon Tapeouts
- Title（参考訳）: SGAnalog: オープンソースのSilicon Tapeoutsによるエンドツーエンドのサーキットベンチマーク
- Abstract要約: 我々は、Tiny Tapeout製造シャトルに関連する、人間設計のオープンソース回路から構築されたベンチマークを紹介する。
このコレクションには273の位相的に異なるトップレベルのデザインが含まれている。
このベンチマークは、スキーマからネットリストへの書き起こしとデバイスサイズを評価する。
- 参考スコア（独自算出の注目度）: 4.264330502055373
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing analog integrated circuit design benchmarks make two questions hard to answer: whether a model has learned transferable circuit skills rather than recalled familiar examples, and whether its output works under defined process and test conditions. We introduce a benchmark built from human-designed, open-source circuits associated with Tiny Tapeout manufacturing shuttles. The collection contains 273 topologically distinct top-level designs. Every source is retrieved at the revision recorded for its shuttle submission and processed in a fixed containerized environment. The pipeline exports each eligible schematic image and its SPICE netlist from the same source file, giving transcription an exact structural reference. Commit dates support model-specific training-cutoff analysis, while author testbenches provide the simulation context for sizing. The benchmark evaluates schematic-to-netlist transcription and device sizing. Across seven models on a fixed set of 66 transcription tasks, the strongest model reaches 56.1% exact graph isomorphism, and six of seven models drop sharply from the small to the medium tier. For one frontier model, removing author-chosen labels reduces exact matches while preserving aggregate structural F1, suggesting that labels can aid connectivity tracing. On the 17 sizing tasks, the leading model converges on all 17 proposals and reaches 91.2 out of 100 against the human reference, while the two newest Claude models refuse 4 and 11 of the same prompts they transcribe without objection; a proposal without sizes scores zero. The two tasks produce different model rankings, exposing distinct visual and design capabilities and, in one family, a policy rather than capability limit.
- Abstract（参考訳）: 既存のアナログ集積回路設計ベンチマークは、2つの疑問に答えるのが難しい: モデルが慣れ親しんだ例ではなく、転送可能な回路技術を学んだか、その出力が定義されたプロセスとテスト条件下で機能するかである。
我々は、Tiny Tapeout製造シャトルに関連する、人間設計のオープンソース回路から構築されたベンチマークを紹介する。
このコレクションには273の位相的に異なるトップレベルのデザインが含まれている。
すべてのソースは、シャトルの提出のために記録されたリビジョンで検索され、固定されたコンテナ環境で処理される。
パイプラインは同じソースファイルから各スキーマ画像とそのSPICEネットリストをエクスポートし、正確な構造参照を与える。
コミット日付はモデル固有のトレーニング・カットオフ分析をサポートし、著者のテストベンチはサイズ化のためのシミュレーションコンテキストを提供する。
このベンチマークは、スキーマからネットリストへの書き起こしとデバイスサイズを評価する。
66の転写タスクの固定セット上の7つのモデルのうち、最強のモデルは56.1%の正確なグラフ同型に達し、7つのモデルのうち6つは小層から中層へと急降下する。
あるフロンティアモデルでは、著者-コセンラベルを削除することで、集合構造F1を維持しながら正確な一致を減少させ、ラベルが接続性トレースに役立つことを示唆している。
17サイズのタスクでは、先頭モデルが17の提案すべてに収束し、100点中91.2点に達するのに対して、最新の2つのClaudeモデルは、反対なく書き起こされる同じプロンプトの4点と11点を拒否する。
2つのタスクは異なるモデルランキングを生成し、視覚的およびデザイン的能力を明確にし、1つのファミリーにおいて、能力制限ではなくポリシーを提示する。
関連論文リスト
- Evaluating Open-Weight LLMs for Turkish Domain Documents Under Retrieval and Hardware Constraints [8.353600616465796]
ほとんどのトルコ語対応の大規模言語モデル (LLM) は汎用ベンチマークを用いて評価される。
本稿では,資源制約のあるローカルデプロイメント環境下で,トルコ語文書質問応答のためのオープンウェイト7B-8Bモデルを5つ評価する。
論文 参考訳（メタデータ） (2026-09-23T12:33:57Z) - A Closed-Loop Control Architecture for Reliable Constraint Satisfaction in LLM Text Generation [3.5421466056561304]
ソフトウェアシステムは、数値出力制約を満たさなければならない機能に、大きな言語モデルを組み込んでいる。
単一のプロンプトは、ターゲットを確実に満たさず、ソース内容も保存しない。
本稿では,この問題に対するクローズドループ制御アーキテクチャの提案と評価を行う。
論文 参考訳（メタデータ） (2026-09-17T05:03:05Z) - Generating Workflow DAGs from Natural Language with Non-Reasoning LLMs [0.08537603362277842]
ニューロシンボリックな分解により、より低コストで非合理的な大規模言語モデルにより複雑なワークフローDAGを生成することができることを示す。
本手法は,判定精度を24ポイント向上し,推論モデルのアウト・オブ・ザ・ボックス品質に対する統計的等価性を実現する。
論文 参考訳（メタデータ） (2026-08-31T05:01:29Z) - TRACE-Bench: Decomposing and Diagnosing Multi-Reference Image Generation [74.69068352546073]
TRACE-Benchは、多様な芸術的スタイルと現実世界の主題にまたがるマルチ参照画像の評価ツールである。
631の定式テンプレートと、様々な芸術様式と現実世界の主題にまたがる約4,000の参照画像で構成されている。
その公式構造は、演算子整合性評価プロトコルを駆動し、可視性スコアリングと診断木解析を行う。
論文 参考訳（メタデータ） (2026-08-17T16:15:50Z) - A Hybrid Vision-Language Architecture for Automated Defect Reasoning and Report Generation in Industrial Inspection [0.42970700836450487]
本稿では,風力タービン羽根試験用分離・エッジ展開可能なパイプラインについて述べる。
The EyesはY26-x-obb指向のバウンディングボックスで、データセットネイティブの解像度で欠陥をローカライズする。
ブリッジは決定論的でパラメータフリーな符号化モジュールであり、検出された各バウンディングボックスをグリッド参照トークンにマップする。
論文 参考訳（メタデータ） (2026-05-26T04:27:38Z) - OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。
トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。
エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T07:50:00Z) - Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。
本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
論文 参考訳（メタデータ） (2025-10-02T06:25:10Z) - Datarus-R1: An Adaptive Multi-Step Reasoning LLM for Automated Data Analysis [0.0]
本稿では,Qwen 2.5-14B-Instructの言語モデルであるDatarus-R1-14Bを提案する。
Datarusは、独立した問合せペアではなく、推論ステップ、コード実行、エラートレース、自己補正、最終的な結論を含む完全な分析トラジェクトリに基づいて訓練されている。
論文 参考訳（メタデータ） (2025-08-18T21:58:18Z) - Telling Left from Right: Identifying Geometry-Aware Semantic Correspondence [80.6840060272386]
本稿では,意味的対応のための幾何学的認識の重要性を明らかにする。
この情報を活用することで,意味的対応性能が著しく向上することを示す。
提案手法は,SPair-71kデータセット上で,65.4(ゼロショット)と85.6(教師)のPCK@0.10スコアを達成する。
論文 参考訳（メタデータ） (2023-11-28T18:45:13Z) - Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。
我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。
実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
論文 参考訳（メタデータ） (2023-06-09T06:02:01Z) - Deep Model Reassembly [60.6531819328247]
我々はDeep Model Reassembly(DeRy)と呼ばれる新しい知識伝達タスクを探索する。
DeRyの目標は、まず各モデルを固有のビルディングブロックに分割し、それから派生したブロックを選択的に再組み立てて、カスタマイズされたネットワークを生成することである。
ImageNetでは、最高の再組み立てモデルは微調整なしで78.6%のトップ1の精度を実現している。
論文 参考訳（メタデータ） (2022-10-24T10:16:13Z)
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。