論文の概要: RFChipAgent: Multi-Agentic AI Flow for Analog/RF Chip Design

• arxiv url: http://arxiv.org/abs/2610.10858v1
• Date: Wed, 07 Oct 2026 20:02:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.66079
• Title: RFChipAgent: Multi-Agentic AI Flow for Analog/RF Chip Design
• Title（参考訳）: RFChipAgent: アナログ/RFチップ設計のためのマルチエージェントAIフロー
• Abstract要約: アナログ/RF回路設計自動化のための大規模言語モデル(LLM)エージェントの第一種マルチエージェントフローであるRFChipAgentを提案する。 RFChipAgentは4つの技術柱を中心に構築されている。第一に、プライベートなドキュメントごとのFAISSインデックス付きマルチモーダル検索拡張世代(RAG)サブシステムが設計知識を抽出する。 次に、トポロジエージェントがトポロジ選択を駆動し、スキーマおよびテストベンチエージェントがサーキットとテストベンチアセンブリを自動化する。 第3に、閉ループハイブリッド回路サイズエンジンは、TPE(Tree-structured Parzen Estimator)とTPEを組み合わせたものである。
• 参考スコア（独自算出の注目度）: 2.784110090047074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analog/RF circuits remain the critical interface between digital computation and the physical world, and emerging standards from Wi-Fi 7 to 6G place stringent demands on them, yet analog/RF design remains one of the most labor-intensive steps in chip development. We present RFChipAgent, a first-of-its-kind multi-agent flow of large language model (LLM) agents for end-to-end analog/RF circuit design automation, in which AI agents collaboratively orchestrate the complete design flow under human supervision. RFChipAgent is built around four technical pillars. First, a multimodal retrieval-augmented generation (RAG) subsystem with private per-document FAISS indexing extracts design knowledge from existing engineering documentation. Second, a topology agent drives topology selection, and a schematic and testbench agent automates circuit and testbench assembly. Third, a closed-loop hybrid circuit-sizing engine combines Tree-structured Parzen Estimator (TPE) and CMA-ES optimization, evaluating every candidate in a simulator-in-the-loop framework. Fourth, a trust-scored simulation database accumulates verified performance data and builds an adaptive optimization model that informs subsequent trials. We validate RFChipAgent on a family of GF22FDSOI 60 GHz wideband mm-wave low-noise amplifier (LNA) topologies, demonstrating automated topology generation, specification-driven design-space exploration, and simulator-guided optimization. Experimental results show substantial reductions in design effort while maintaining signoff-quality verification. This work establishes a foundation for LLM-driven multi-agent electronic design automation (EDA) for analog/RF circuits.
• Abstract（参考訳）: アナログ/RF回路は、デジタル計算と物理世界の重要なインターフェースであり、Wi-Fi 7から6Gへの新たな標準は、それらに厳しい要求を与えるが、アナログ/RF設計は、チップ開発における最も労働集約的なステップの1つである。 本稿では,大規模言語モデル(LLM)エージェントのマルチエージェントフローであるRFChipAgentについて述べる。 RFChipAgentは4つの技術柱を中心に構築されている。 まず,文書毎のFAISSインデクシングによるマルチモーダル検索拡張生成(RAG)サブシステムが,既存の技術資料から設計知識を抽出する。 次に、トポロジエージェントがトポロジ選択を駆動し、スキーマおよびテストベンチエージェントがサーキットとテストベンチアセンブリを自動化する。 第3に、クローズドループハイブリッド回路サイズエンジンは、Tree-structured Parzen Estimator (TPE)とCMA-ES最適化を組み合わせて、シミュレーター・イン・ザ・ループフレームワークのすべての候補を評価する。 第4に、信頼スコア付きシミュレーションデータベースは、検証されたパフォーマンスデータを蓄積し、その後の試行を知らせる適応最適化モデルを構築する。 我々は、GF22FDSOI 60GHz広帯域mm波低雑音増幅器(LNA)トポロジ上でRFChipAgentを検証し、自動トポロジ生成、仕様駆動設計空間探索、シミュレータ誘導最適化を実証した。 実験結果から, サインオフ品質検証を維持しつつ, 設計作業の大幅な削減が示された。 この研究は、アナログ/RF回路のためのLLM駆動型マルチエージェント電子設計自動化(EDA)の基礎を確立する。

関連論文リスト

• RF-Agent: A Practical Framework for Building Language Agents for RFIC Design [1.6944059328267054]
  大規模言語モデル(LLM)は電子設計自動化(EDA)の急速な進歩を促している RF-Agentは教科書による知識蒸留によってこのギャップに対処する。 7つの標準RF教科書のサブセクションレベルのコーパスは、第一種RFドメイン推論データセットに変換される。
  論文  参考訳（メタデータ） (2026-07-21T06:53:09Z)
• Model-Driven Discipline for Multi-Agent LLMs: Requirement-to-Verification Generation of Traceable System Models [62.62160094849002]
  RADIANTは、MDEとMulti-Agent Large Language Modelを組み合わせたエンジニアリング方法論である。 工学的なフェーズにまたがる異種モデルを自動的に生成する。 正確かつ自動的な変更インパクト分析を提供する。
  論文  参考訳（メタデータ） (2026-07-18T08:50:55Z)
• AnalogAgent: Self-Improving Analog Circuit Design Automation with LLM Agents [23.16076070830351]
  本稿ではアナログ回路設計自動化のためのトレーニングフリーエージェントフレームワークであるAnalogAgentを提案する。 確立されたベンチマークで、AnalogAgentは92%のPass@1をGeminiで、97.4%のPass@1をGPT-5で達成した。 コンパクトモデルでは、タスク全体のPass@1の平均ゲインは+48.8%となり、全体的なPass@1は72.1%に達する。
  論文  参考訳（メタデータ） (2026-03-25T03:59:02Z)
• AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation [0.0]
  AutoMOOSEは、ひとつの自然言語プロンプトから完全なシミュレーションライフサイクルを編成するエージェントフレームワークである。 MOOSEの入力ファイルは、人間の専門家参照と正確に一致する12のブロックのうち6つで、機能的に等価である。 インテント、有限要素実行、そして人間による検証のないアレニウス運動論にまたがる、エンドツーエンドの物理的整合性チェックを実行する。
  論文  参考訳（メタデータ） (2026-03-22T00:11:19Z)
• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• MOTIF-RF: Multi-template On-chip Transformer Synthesis Incorporating Frequency-domain Self-transfer Learning for RFIC Design Automation [6.037841678034353]
  我々は、マルチテンプレート機械学習(ML)サロゲートモデルを開発し、それを高周波集積回路(RFIC)の変換器(XFMR)の逆設計に適用する。 新しい周波数領域の自己伝達学習技術は、隣接する周波数帯域間の相関を利用しており、S-s予測の精度が約30%-50%向上する。 逆設計フレームワークは、複数のインピーダンスマッチングタスクを使用して検証される。
  論文  参考訳（メタデータ） (2025-11-26T23:03:34Z)
• LLM-Based Emulation of the Radio Resource Control Layer: Towards AI-Native RAN Protocols [28.04609776570199]
  大型AIモデル(LAM)はAI-Native Air Interface(AI-AI)の重要な実現要因である 本稿では,デコーダのみのLAMを用いた無線リソース制御層の最初の標準準拠エミュレーションを提案する。 その結果,LSMをプロトコル対応推論で拡張すると,制御プレーンの手順を直接オーケストレーションできることがわかった。
  論文  参考訳（メタデータ） (2025-05-22T15:55:56Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)

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。