論文の概要: LLM-Augmented Bayesian Optimization with Adaptive Policies for Chiplet Design Space Exploration

• arxiv url: http://arxiv.org/abs/2610.14612v1
• Date: Sat, 10 Oct 2026 05:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 12:37:18.084688
• Title: LLM-Augmented Bayesian Optimization with Adaptive Policies for Chiplet Design Space Exploration
• Title（参考訳）: チプレット設計空間探索のための適応ポリシを用いたLLM拡張ベイズ最適化
• Abstract要約: 大規模言語モデル(LLM)とベイズ最適化(BO)を統合した相乗的フレームワークを提案する。 我々は,オープンソースのチップレットシミュレータを拡張し,グラフトポロジをサポートして3次元設計を評価する。 2.5Dおよび3Dチップレットの実験により,我々のフレームワークが設計空間探索効率を向上させることが明らかになった。
• 参考スコア（独自算出の注目度）: 14.761025861714428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chiplet technology is a key approach for extending Moore's Law. However, its design process is constrained by two primary challenges: the scarcity of early-stage platforms for rapidly evaluating chiplet-based heterogeneous systems, and the complex relationships between design parameters and optimization metrics. To address these challenges, we propose a synergistic framework that integrates a Large Language Model (LLM) with Bayesian Optimization (BO), enabling architectural-level simulation and automated optimization for the 2.5D/3D CPU-GPU heterogeneous chiplets. We extend the open-source chiplet simulator to evaluate 3D designs by supporting graph topologies. Further, to enhance the exploration efficiency of BO, we introduce an LLM that generates high-quality policies to guide the optimization process, enabled by our proposed adaptive directional policy reasoning (ADPR) and an exploration gain-aware fine-tuning method. Finally, we use the policy-guided BO to perform an automated and efficient exploration of the complex chiplet design space. Experiments on 2.5D and 3D chiplet reveal that our framework improves design space exploration efficiency.
• Abstract（参考訳）: チップレット技術はムーアの法則を拡張するための重要なアプローチである。 しかし、設計プロセスは、チップレットベースの異種システムを迅速に評価する初期段階プラットフォームの不足と、設計パラメータと最適化メトリクスの間の複雑な関係の2つの主要な課題によって制約されている。 これらの課題に対処するために,大規模言語モデル(LLM)とベイズ最適化(BO)を統合し,2.5D/3D CPU-GPUヘテロジニアスチップレットのアーキテクチャレベルのシミュレーションと自動最適化を実現するための相乗的フレームワークを提案する。 我々は,オープンソースのチップレットシミュレータを拡張し,グラフトポロジをサポートして3次元設計を評価する。 さらに,BOの探索効率を高めるために,提案した適応指向性ポリシー推論(ADPR)と探索ゲイン対応微調整法により,最適化プロセスの指針となる高品質なポリシーを生成するLCMを導入する。 最後に、ポリシーガイダンスBOを用いて、複雑なチップレット設計空間を自動かつ効率的に探索する。 2.5Dおよび3Dチップレットの実験により,我々のフレームワークが設計空間探索効率を向上させることが明らかになった。

関連論文リスト

• Advancing Automated Algorithm Design via Evolutionary Stagewise Design with LLMs [69.91297564489464]
  EvoStageは、産業規模のアルゴリズム設計の厳密な要求とLLMベースのアルゴリズム設計のギャップを埋める新しい進化パラダイムである。 EvoStageは、アルゴリズム設計プロセスを逐次的に管理可能なステージに分解し、リアルタイム中間フィードバックを反復的に洗練されたアルゴリズム設計方向に統合する。 商用グレードの3Dチップ配置ツールにデプロイすると、EvoStageはオリジナルのパフォーマンス指標を大幅に上回り、記録破りの効率を達成する。
  論文  参考訳（メタデータ） (2026-03-09T05:13:44Z)
• Optimization and Generation in Aerodynamics Inverse Design [41.756961128464816]
  物理に基づく目的を持つ逆設計は、高次元幾何学と高価なシミュレーションを兼ね備えているため、難しい。 最適設計点と最適設計分布の2つの正準解を用いて逆設計を再検討する。 本稿では,コスト予測器の新たなトレーニング損失と,可塑性形状を保ちながら目的を向上する密度勾配最適化手法を提案する。
  論文  参考訳（メタデータ） (2026-02-03T14:32:26Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• MAHL: Multi-Agent LLM-Guided Hierarchical Chiplet Design with Adaptive Debugging [30.305211001929496]
  大きな言語モデル(LLM)は2.5Dに拡張することを約束している。 LLMはフラットな設計、高い検証コスト、不正確なパラメータ最適化といった課題に直面している。 階層型LLMベースのチップレット設計生成フレームワークであるMAHLを提案する。
  論文  参考訳（メタデータ） (2025-08-08T05:47:31Z)
• ADO-LLM: Analog Design Bayesian Optimization with In-Context Learning of Large Language Models [5.642568057913696]
  本稿では,大規模言語モデル(LLM)とベイジアン最適化を統合したアナログ設計最適化手法であるADO-LLMを提案する。 ADO-LLMは、LLMのドメイン知識を注入して実行可能な設計ポイントを迅速に生成し、高価値な設計領域を見つけるためのBOの非効率性を改善する能力を活用している。 提案手法を2種類のアナログ回路上で評価し,設計効率と性能の顕著な向上を実証した。
  論文  参考訳（メタデータ） (2024-06-26T21:42:50Z)
• Photonic Structures Optimization Using Highly Data-Efficient Deep Learning: Application To Nanofin And Annular Groove Phase Masks [40.11095094521714]
  メタ表面は、薄膜光学の領域における光特性の操作のための柔軟なフレームワークを提供する。 本研究の目的は,これらのデバイスに対するサロゲート最適化フレームワークの導入である。 本フレームワークは、天文高コントラストイメージングへの応用に適した2種類の渦位相マスク(VPM)の開発に応用される。
  論文  参考訳（メタデータ） (2023-09-05T07:19:14Z)
• 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)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)

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。