論文の概要: GPlaceRL: An Open-Source Graph Reinforcement Learning Framework for Detailed Placement

• arxiv url: http://arxiv.org/abs/2610.06489v1
• Date: Mon, 05 Oct 2026 15:12:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:05:43.025907
• Title: GPlaceRL: An Open-Source Graph Reinforcement Learning Framework for Detailed Placement
• Title（参考訳）: GPlaceRL - 詳細な配置のためのオープンソースのグラフ強化学習フレームワーク
• Abstract要約: 本稿では,オープンソースのグラフ強化学習フレームワークGPlaceRLについて述べる。 GPlaceRLは、法定配置をグラフとして表現し、グラフエンコーダ、ポリシーアーキテクチャ、報酬の定式化、局所配置動作を研究するためのモジュール環境を提供する。
• 参考スコア（独自算出の注目度）: 3.212545466480206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning (RL) has emerged as a promising approach for placement optimization, particularly when combined with graph neural networks (GNNs) that capture circuit connectivity. However, most learning-based placement approaches focus on floorplanning, macro placement, or global placement, while detailed placement refinement remains relatively unexplored. In this paper, we present GPlaceRL, an open-source graph reinforcement learning framework for detailed placement refinement. GPlaceRL represents legalized placements as graphs and provides a modular environment for studying graph encoders, policy architectures, reward formulations, and local placement actions. To demonstrate the capabilities of GPlaceRL, we conduct a systematic evaluation of proximal policy optimization (PPO) policies with graph attention network (GAT) encoders in a per-design optimization setting. Across five placement benchmarks, the best greedy evaluation results achieve HPWL improvements ranging from $3.27\%$ to $32.87\%$. The results highlight the importance of compact GAT architectures and flexible local action spaces for placement optimization. Overall, GPlaceRL provides a reproducible and extensible framework for systematic research on RL-based detailed placement refinement.
• Abstract（参考訳）: 強化学習(RL)は、特に回路接続をキャプチャするグラフニューラルネットワーク(GNN)と組み合わせた場合、配置最適化のための有望なアプローチとして登場した。 しかし、ほとんどの学習ベースの配置アプローチはフロアプランニング、マクロ配置、グローバル配置に重点を置いている。 本稿では,詳細な配置改善のためのオープンソースのグラフ強化学習フレームワークGPlaceRLを提案する。 GPlaceRLは、法定配置をグラフとして表現し、グラフエンコーダ、ポリシーアーキテクチャ、報酬の定式化、局所配置動作を研究するためのモジュール環境を提供する。 GPlaceRLの機能を示すため,設計毎の最適化設定において,グラフアテンションネットワーク(GAT)エンコーダを用いたPPOポリシーの体系的評価を行う。 5つの配置ベンチマークで、最良のグリーディ評価結果は、HPWLの改善($3.27\%から$32.87\%$)を達成している。 その結果、コンパクトなGATアーキテクチャと、配置最適化のためのフレキシブルなローカルアクション空間の重要性を強調した。 GPlaceRLは、RLに基づく詳細な配置改善に関する体系的な研究のために、再現可能で拡張可能なフレームワークを提供する。

関連論文リスト

• See it to Place it: Evolving Macro Placements with Vision-Language Models [12.502496976970177]
  チップフロアプランニングにおけるマクロ配置のための視覚言語モデル(VLM)を提案する。 VeoPlaceは、VLMを使用してベースプレーヤの動作をチップキャンバスのサブリージョンに制限することでガイドする新しいフレームワークである。 VeoPlaceは、ピークのワイヤ長が32%を超える10のベンチマークのうち、最も優れた事前学習ベースのアプローチである。
  論文  参考訳（メタデータ） (2026-03-30T17:47:34Z)
• Deep GraphRAG: A Balanced Approach to Hierarchical Retrieval and Adaptive Integration [11.655381195889428]
  階層的検索と適応的統合のためのバランスの取れたアプローチを目的としたフレームワークであるDeep GraphRAGを提案する。 マクロ的コミュニティ間および微視的コミュニティ間コンテキスト関係を統合した階層的グローバル・ローカル検索戦略を導入する。 ビーム探索最適化された動的再ランクモジュールがこのプロセスを導出し、効率とグローバル包括性のバランスをとるために候補を継続的にフィルタリングする。
  論文  参考訳（メタデータ） (2026-01-16T10:02:31Z)
• LPO: Towards Accurate GUI Agent Interaction via Location Preference Optimization [58.65395773049273]
  位置優先最適化(Location Preference Optimization、LPO)は、位置データを利用してインタラクションの好みを最適化する新しいアプローチである。 LPOは情報エントロピーを使用して、情報に富んだゾーンに注目して相互作用位置を予測する。 私たちのコードは間もなくhttps://github.com/AIDC-AI/LPO.comで公開されます。
  論文  参考訳（メタデータ） (2025-06-11T03:43:30Z)
• LEGO-GraphRAG: Modularizing Graph-based Retrieval-Augmented Generation for Design Space Exploration [28.531772644666663]
  LEGO-GraphRAGは,GraphRAGワークフローのきめ細かい分解を可能にするモジュール型フレームワークである。 本フレームワークは,大規模実世界のグラフと多様なクエリセット上でのグラフRAGの総合的研究を促進する。
  論文  参考訳（メタデータ） (2024-11-06T15:32:28Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Privacy-preserving design of graph neural networks with applications to vertical federated learning [56.74455367682945]
  VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。 VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-10-31T15:34:59Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。