論文の概要: RollPlace: Improving Macro Placement via Monte Carlo Rollout Search
- arxiv url: http://arxiv.org/abs/2610.06316v1
- Date: Mon, 05 Oct 2026 13:32:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 09:19:00.294218
- Title: RollPlace: Improving Macro Placement via Monte Carlo Rollout Search
- Title（参考訳）: RollPlace:Monte Carloのロールアウトサーチによるマクロ配置の改善
- Abstract要約: 新規で一般化されたマクロ配置フレームワークであるRollPlaceを提案する。
我々は,ISPD 2005ベンチマークにおいて,RollPlaceが最先端の手法より優れていることを示す。
提案されたフレームワークは、現代のチップ設計課題の複雑さの増加に対応する、堅牢でスケーラブルなソリューションを提供する。
- 参考スコア（独自算出の注目度）: 18.582713937266337
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The application of Reinforcement Learning (RL) in Electronic Design Automation (EDA), particularly for chip placement, has attracted considerable attention in recent years. While existing machine learning (ML)-based approaches have achieved notable progress, they predominantly focus on generating optimal layouts in a single attempt, often producing solutions that require subsequent refinement. To address this limitation, we propose RollPlace, a novel and generalized macro placement framework. RollPlace adopts a two-stage optimization strategy: generating initial placement solutions via machine learning methods or heuristic-based strategies, and refining these layouts efficiently by adjusting specific macros derived from the initial stage. This strategy circumvents the sequential generation constraints inherent in traditional RL-based placement methods. Furthermore, RollPlace seamlessly integrates Monte Carlo Tree Search (MCTS) to balance exploration and exploitation, and employs a rollout mechanism for efficient local search. Extensive experiments on the ISPD 2005 benchmark demonstrate that RollPlace outperforms state-of-the-art methods. Additionally, end-to-end experimental results based on OpenROAD across 19 benchmarks show that RollPlace excels in multiple metrics. The proposed framework offers a robust and scalable solution for addressing the growing complexity of modern chip design challenges.
- Abstract（参考訳）: 近年,電子設計自動化(EDA)における強化学習(Reinforcement Learning, RL)の適用が注目されている。
既存の機械学習(ML)ベースのアプローチは目覚ましい進歩を遂げているが、彼らは主に1回の試行で最適なレイアウトを生成することに重点を置いており、しばしばその後の改善を必要とするソリューションを生み出している。
この制限に対処するため,新しい一般化マクロ配置フレームワークであるRollPlaceを提案する。
RollPlaceは、マシンラーニングメソッドやヒューリスティックベースの戦略を通じて初期配置ソリューションを生成し、初期から派生した特定のマクロを調整することで、これらのレイアウトを効率的に修正する、2段階最適化戦略を採用している。
この戦略は、従来のRLベースの配置法に固有の逐次的生成制約を回避する。
さらに、RollPlaceはモンテカルロツリーサーチ(MCTS)をシームレスに統合し、探索とエクスプロイトのバランスを保ち、効率的なローカルサーチのためのロールアウトメカニズムを採用している。
ISPD 2005ベンチマークの大規模な実験は、RollPlaceが最先端の手法より優れていることを示した。
さらに、19ベンチマークにわたるOpenROADに基づくエンドツーエンドの実験結果からは、RollPlaceが複数のメトリクスで優れていることが分かる。
提案されたフレームワークは、現代のチップ設計課題の複雑さの増加に対応する、堅牢でスケーラブルなソリューションを提供する。
関連論文リスト
- Order Matters: Unveiling the Hidden Impact of Macro Placement Sequences via Proxy-Guided LLM Evolution [5.16722140868126]
本稿では,マクロ配置順序戦略を自動的に検出するプロキシ誘導フレームワークを提案する。
OrderPlaceは静的スコアリングメトリクスから動的物理に着想を得たメカニズムまで、幅広いコードレベルのポリシーの空間を探求している。
WireMask-EAと最先端のEGPlaceと比較して、OrderPlaceはワイヤの長さをそれぞれ34.04%、14.08%削減する。
論文 参考訳（メタデータ） (2026-06-08T01:10:07Z) - Nudging Beyond the Comfort Zone: Efficient Strategy-Guided Exploration for RLVR [53.27792011950384]
検証可能な報酬付き強化学習(RLVR)は、大規模言語モデルの推論能力を改善するためのスケーラブルなパラダイムとして登場した。
我々は、RLVRにおける構造化及び多様性駆動探索のためのフレームワークであるNudgeRLを提案する。
当社のアプローチでは,各ロールアウトを,軽量で戦略レベルのコンテキストに設定するストラテジーナッジを導入しています。
論文 参考訳（メタデータ） (2026-05-15T08:22:59Z) - Non-Overlapping Placement of Macro Cells based on Reinforcement Learning in Chip Design [20.500468654567033]
本稿では,強化学習に基づくエンドツーエンド配置手法SRLPlacerを提案する。
パブリックベンチマークISPD2005で評価することにより,提案したSRLPlacerはマクロセル間の重複問題を効果的に解決することができる。
論文 参考訳（メタデータ） (2024-07-26T04:15:54Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳（メタデータ） (2023-05-29T17:25:26Z) - On Joint Learning for Solving Placement and Routing in Chip Design [70.30640973026415]
本稿では,マクロや標準セルの配置に関するDeepPlaceによる共同学習手法を提案する。
また,DeepPRと呼ばれるマクロ配置とルーティングの両方を満たすための強化学習による共同学習手法も開発している。
本手法は,経験から効果的に学習し,数時間のトレーニングで標準細胞配置の中間配置を提供する。
論文 参考訳（メタデータ） (2021-10-30T11:41:49Z) - Learning Space Partitions for Path Planning [54.475949279050596]
PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。
これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
論文 参考訳（メタデータ） (2021-06-19T18:06:11Z)
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。