論文の概要: Trinity: One Differentiable Physics for Training, Refining and Scoring Generative Floorplanners
- arxiv url: http://arxiv.org/abs/2610.04957v1
- Date: Sun, 04 Oct 2026 05:07:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 07:34:51.663663
- Title: Trinity: One Differentiable Physics for Training, Refining and Scoring Generative Floorplanners
- Title（参考訳）: Trinity: 生成フロアプランナのトレーニング、精製、スコーリングのための1つの微分物理学
- Abstract要約: 本稿では,フローマッチングフロアプランナであるTrinityを提案する。
ステージごとに、トレーニング用語は、原変圧器の生ソフトコストを26%下げる。
トリニティの精巧なソフトコストは、最高の移植パイプラインよりも36%低く、コンテストのハードコストと同じくらいのソフトコスト設定であり、フロアセットのヴァルセットでは、パイプラインのケースあたり1.63秒あたりの平均ハードコスト1.014に達する。
- 参考スコア（独自算出の注目度）: 23.605408577173005
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Floorplanning arranges the blocks of a chip and decides their shapes under objectives that press blocks together, short wirelength and a small outline, and constraints that hold them apart, non-overlap, clusters, MIB shapes and boundary blocks. Recent diffusion placers train on reference layouts alone and leave this coupled system to guidance, post-hoc loops and a legalizer, reporting only the endpoint, which hides what the generator contributes. We re-implement four of them under one recipe on FloorSet, score raw, refined and legalized layouts on one scale, and propose Trinity, a flow-matching floorplanner whose six differentiable functions for the constraints and objectives are its training loss term, the energy of a closed-form refiner after sampling and the base of a soft cost for every stage. The network thus learns the correction prior placers apply in their samplers, and sampling needs no guidance. Stage by stage, the training term lowers a plain transformer's raw soft cost by 26% and matters most at short budgets, the shared refiner decides more of the final cost than the generator and matches a ported placer's loop in 16 to 660 times fewer steps, Trinity's refined soft cost is 36% below the best ported pipeline, the soft cost ranks settings as the contest's hard cost does, and on the FloorSet val set the pipeline reaches a mean hard cost of 1.014 in 1.63 s per case.
- Abstract（参考訳）: フロアプランニング(Floorplanning)は、チップのブロックを配置し、ブロックを一緒に押す目的、短いワイヤ長と小さなアウトライン、それらを分割する制約、非オーバーラップ、クラスタ、MIB形状、境界ブロックに基づいてそれらの形状を決定する。
最近の拡散プレーダは、参照レイアウトのみをトレーニングし、この結合システムをガイダンス、ポストホックループ、およびローカライザに残し、エンドポイントのみを報告し、ジェネレータのコントリビューションを隠蔽する。
そこで我々は,FloorSetのレシピを1つにまとめた4つのフローマッチングフロアプランナを提案する。これは,制約と目的に対して6つの異なる機能を持つフローマッチングフロアプランナで,トレーニング損失項,サンプリング後のクローズドフォームリファインダのエネルギー,各ステージのソフトコストの基礎となる。
そこで, ネットワークは, サンプリング装置に適用される事前配置の補正を学習し, サンプリングのガイダンスは不要である。
ステージごとに、訓練期間は、原型トランスフォーマーの原型ソフトコストを26%下げ、最も短い予算で問題となる。共有精錬機は、ジェネレータよりも最終的なコストを多く決定し、移植されたプレースラーのループを16から660倍のステップで一致させ、トリニティの精錬ソフトコストは、最高の移植パイプラインより36%低く、コンテストのハードコストと同じソフトコストランク設定をし、フロールセットでは、パイプラインは1回のケースあたり1.63 sで1.014の平均ハードコストに達する。
関連論文リスト
- LiFT: Loop Flow Transformers [50.488069867161556]
ループフロー変換器(LiFT)は、共有拡散変換器(DiT)コアを繰り返し適用することにより、計算をスケールする。
LiFTは各ステップを1つの回帰目標(モデルの初期推定からフローマッチング目標への直線経路上の点)で訓練する。
256x256のImageNetでは、LiFT-L/2は高密度のDiT-XL/2ベースラインよりもFID 3.34ポイント低い。
論文 参考訳（メタデータ） (2026-10-04T21:11:47Z) - VDOT++: Unified Few-Step Video Generation via Unbalanced Optimal Transport Distillation [68.00823860612421]
ビデオ作成は、テキスト・トゥ・ビデオ(T2V)、画像・トゥ・ビデオ(I2V)、条件ベースの生成にまたがる。
3つのタスクファミリ用のジェネレータに対して,同じトレーニングレシピを別々に適用する統合蒸留フレームワークであるVDOT++を提案する。
論文 参考訳（メタデータ） (2026-10-02T12:37:55Z) - An End-to-End Latent-Rollout Approach for Pushing Few-Step ImageNet-$256$ Generation to FID $1.11$ without Fréchet Losses [9.431422086533344]
蒸留は教師の軌道に沿って選択された状態に教師力の回帰を適用する。
監督の強化は 敵意と補助的な 分類の目的に置き換わる
ImageNetのクラス条件生成では,FID 1.11(IS 282)を3段階,FID 1.15(IS 280)を2段階で達成した。
論文 参考訳（メタデータ） (2026-09-26T08:52:12Z) - Locality and filter design for dissipative ground-state preparation [0.0]
基底状態の準備は、量子多体物理学、化学、材料科学の基本的な課題である。
散逸した状態準備技術はリンドブラディアンを浴槽に結合させ、システムをその基底状態に誘導する。
3つの単純な観察を論理的な目的に追従することで、このコストを削減します。
論文 参考訳（メタデータ） (2026-09-25T13:41:56Z) - Sharp Oracle-Regret Tradeoffs for Projection-Free Online Convex Optimization [55.29259818039367]
我々は, オンライン凸最適化において, 実現可能な集合へのアクセスが正確な線形最適化オラクルに制限された場合に達成可能な後悔を特徴づける。
コンベックス$G$-Lipschitzの損失に対して、直径は最大$D$、合計$Q$オークルコールは$Q$、厳格な制限はラウンド当たり$B$である。
論文 参考訳（メタデータ） (2026-09-23T22:25:52Z) - LegalFarePlan: A Label-Setting Framework for Fare-Transparent Urban Rail Route Planning under Non-Additive Fare Rules [0.7614628596146601]
LegalFarePlanは、運賃透明のルートプランニングフレームワークである。
LegalFarePlanは、有料の旅行セグメントに関する説明可能なルートプランを計算している。
論文 参考訳（メタデータ） (2026-07-05T06:19:16Z) - LoopCoder-v2: Only Loop Once for Efficient Test-Time Computation Scaling [72.71005779366162]
本研究では,ゲインコストの観点から,ループ数選択について検討する。
この研究は18Tトークンのスクラッチからループ数が異なるループ数でLoopCoder-v2をトレーニングし、それにマッチした命令チューニングと評価を行う。
実証的には、この2ループ版はコード生成、コード推論、エージェントソフトウェアエンジニアリング、ツールスベンチマークなど、非ループベースラインよりも幅広い利益をもたらしている。
論文 参考訳（メタデータ） (2026-06-16T15:03:05Z) - FLOATBench: A Dataset and Benchmark for Floating Offshore Wind Turbine Tower Fatigue [3.312613459249274]
FLOATBenchは, フローティングオフショア風力タービン(FOWT)3基にわたる疲労損傷ラベルの一般ベンチマークである。
FLOATBenchは、ジョイント・ウィンド/ウェーブ・オペレーティング・エンベロープのシステマ対応アルファ形状のパーティションを含み、試験点をイントレイン、外挿レジームに成層する。
ルール対応プロトコルは、ランダムなリーダーボードが検出できないグローバルパフォーマンスとグローバルパフォーマンスのランクシフトを明らかにする。
論文 参考訳（メタデータ） (2026-05-25T11:18:24Z) - MARBLE: Multi-Aspect Reward Balance for Diffusion RL [71.6241143519038]
強化学習は、拡散モデルと人間の嗜好を整合させる主要なアプローチとなっている。
既存のプラクティスは、報酬ごとに1つのスペシャリストモデルをトレーニングすることで、複数の報酬を処理します。
我々は,各報酬に対する独立な優位推定器を維持する勾配空間最適化フレームワークMARBLEを提案する。
論文 参考訳（メタデータ） (2026-05-07T16:20:42Z) - ParetoBandit: Budget-Paced Adaptive Routing for Non-Stationary LLM Serving [0.0]
LLMは、しばしば530倍のコスト範囲にまたがるマルチモデルポートフォリオに依存している。
プロバイダは価格を見直し、モデルの品質は静かに回復し、新しいモデルはダウンタイムなしで統合する必要がある。
本稿では,費用対効果を考慮した適応ルータを提案する。
論文 参考訳（メタデータ） (2026-03-31T18:41:53Z) - $\texttt{FedBC}$: Calibrating Global and Local Models via Federated
Learning Beyond Consensus [66.62731854746856]
フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。
本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。
私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
論文 参考訳（メタデータ） (2022-06-22T02:42:04Z)
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。