論文の概要: AnalogScout: Simulation-Efficient PVT-Aware Analog Sizing with LLM Agents

• arxiv url: http://arxiv.org/abs/2610.37319v1
• Date: Tue, 27 Oct 2026 14:33:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.658393
• Title: AnalogScout: Simulation-Efficient PVT-Aware Analog Sizing with LLM Agents
• Title（参考訳）: AnalogScout: LLMエージェントを用いたシミュレーション効率のよいPVT対応アナログサイズ
• Abstract要約: LLMエージェントによって駆動されるシミュレーション効率の高いPVT対応サイズフレームワークであるAnalogScoutを提案する。 SKY130 OTAの3基のSKY130 OTA上での16kシミュレーションと同等の予算で、CMA-ESの進化戦略と比較して電力を43.3%削減する。
• 参考スコア（独自算出の注目度）: 0.5095097384893414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analog device sizing must satisfy all specifications across process, voltage, and temperature (PVT) corners to ensure tape-out success, but simulating every candidate at all corners dominates the sizing time and slows design iteration. Conventional surrogate-based optimizers search the sizing space directly, while recent large language model (LLM) agents add circuit knowledge to designs but still delegate the sizes to global optimizers. Both learn the circuit response from repeated multi-corner SPICE simulations and optimize on top of it, which becomes expensive under a limited simulation budget. Providing an agent with reusable verified designs and sizing sub-blocks analytically could save most of this budget. We propose AnalogScout, a simulation-efficient PVT-aware sizing framework driven by an LLM agent. Combining elite-design reuse, analytic gm/Id local sizing and global refinement under full-corner verification, AnalogScout reduces power by 43.3% relative to the evolution strategy CMA-ES at an equal budget of 16k simulations on three SKY130 OTAs of increasing complexity, and reaches the final CMA-ES power after 7.0% of that budget. It also attains lower power than Bayesian optimization on all three OTAs and than two re-implemented LLM-driven flows on the two OTAs where they were tested.
• Abstract（参考訳）: アナログデバイスサイズは、テープアウトの成功を保証するために、プロセス、電圧、温度(PVT)コーナーのすべての仕様を満たす必要があるが、すべてのコーナーの候補をシミュレートすることは、サイズ時間を支配し、設計イテレーションを遅くする。 従来のサロゲートベースのオプティマイザはサイズ空間を直接検索するが、最近の大規模言語モデル(LLM)エージェントは回路知識を設計に追加するが、それでもグローバルオプティマイザにサイズを委譲する。 どちらも、繰り返し行われるマルチコーナSPICEシミュレーションから回路応答を学習し、その上で最適化する。 再利用可能な検証された設計と分析的なサブブロックのサイズを持つエージェントを提供することで、この予算の大半を節約することができた。 LLMエージェントによって駆動されるシミュレーション効率の高いPVT対応サイズフレームワークであるAnalogScoutを提案する。 高度設計の再利用、分析gm/Idローカルサイズ、フルコーン検証によるグローバルリファインメントの組み合わせにより、AnalogScoutは、複雑性が増大するSKY130 OTAの3つのSKY130 OTA上での16kシミュレーションと同等の予算で、CMA-ESに対して43.3%のパワーを削減し、その予算の7.0%後に最終的なCMA-ESパワーに達する。 また、3つのOTAでベイズ最適化よりも低出力で、2つのOTAで再実装されたLLM駆動フローよりも低出力で試験された。

関連論文リスト

• AutoEnergyDesign: An LLM-Driven Agent for Automatic Energy System Design Optimization [0.0]
  AutoEnergyDesignは、大規模言語モデル(LLM)エージェントが設定の変更を提案し、それぞれの結果からコンテキストで学習するフレームワークである。 このシミュレーターは8つの技術(太陽光発電、マイクロウインド、複合熱と電力、太陽熱、ガスボイラー、バッテリー、ヒートポンプ、インバータ)をカバーし、25年間のネット・プレゼンス・コスト(NPC)を計算している。 ビルの負荷分布を計測したケーススタディでは,Claude Haiku 5.5, Sonnet 5.5, Opus 5.5(それぞれ10回のシミュレーション)をランダム探索, Tree-structured Parzen Estimator (TPE)と比較した。
  論文  参考訳（メタデータ） (2026-10-26T10:25:55Z)
• DREAM Technical Report [53.37525197047151]
  DREAMは、既存のパイプラインの上に認識認識、オーケストレーション、監査可能なポリシ層を追加し、それを置き換えることなく、自律的な最適化制御アーキテクチャである。 DREAMには2つのコアコンポーネントがある。まず、3層Intent Engineはデバイス上の信号を構造化されたL0/L1/L2インテント表現に融合する。エッジクラウドトリガーチェーンはレポートのボリュームを約8.7%に削減する。 第2に、Meta EngineはMetaModelを使って、層状M1-to-M2-to-M3推論(インテントの要約、ストラテジーメモリに通知されるストラテジープランニング、パラメータ変換など)を定式化したM1-to-M2-to-M3推論に使用します。
  論文  参考訳（メタデータ） (2026-08-10T10:35:32Z)
• MAEO: Multiobjective Animorphic Ensemble Optimization for Scalable Large-scale Engineering Applications [0.1259953341639576]
  本研究は,多目的Animorphic Ensemble Optimization (MAEO) フレームワークを提案する。 島をベースとしたアーキテクチャの中で、最先端の進化的アルゴリズムを統一する。 結果から,MAEOは,先行する多目的最適化アルゴリズムのいくつかの性能や適合性を向上し,バランスの取れた収束・多様性を達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-26T15:37:01Z)
• Self-Calibrating LLM-Based Analog Circuit Sizing with Interpretable Design Equations [0.0]
  アナログ回路サイズ化のための自己校正フレームワークを提案する。 大規模言語モデル(LLM)は、トポロジー固有の分析設計方程式を生回路ネットリストから直接導出する。 決定論的キャリブレーションループは、単一のトランジスタレベルのシミュレーションからプロセス依存パラメータを抽出する。
  論文  参考訳（メタデータ） (2026-04-08T04:35:25Z)
• SimulCost: A Cost-Aware Benchmark and Toolkit for Automating Physics Simulations with LLMs [56.07550353240028]
  物理シミュレーションにおけるコスト依存パラメータチューニングをターゲットとした最初のベンチマークであるSimulCostを紹介する。 SimulCostは、LCMチューニングのコスト感受性パラメータと従来のスキャン手法の精度と計算コストを比較した。 各シミュレータのコストは解析的に定義され、プラットフォームに依存しない。
  論文  参考訳（メタデータ） (2026-03-11T05:00:48Z)
• AutoSizer: Automatic Sizing of Analog and Mixed-Signal Circuits via Large Language Model (LLM) Agents [4.28109763423665]
  AutoSizerは、回路理解、適応的な検索空間の構築、クローズドループでの最適化オーケストレーションを統合するメタ最適化フレームワークである。 実験により、様々な回路困難に対して、より高い溶液品質、より高速な収束、高い成功率を達成できる。
  論文  参考訳（メタデータ） (2026-02-02T21:51:55Z)
• A Large Language Model-based Multi-Agent Framework for Analog Circuits' Sizing Relationships Extraction [15.623880398190103]
  本稿では,学術論文から抽出したアナログ回路のサイズ関係のための大規模言語モデル(LLM)に基づくマルチエージェントフレームワークを提案する。 3種類の回路でテストを行い、最適化効率を2.32 sim 26.6 倍に改善した。
  論文  参考訳（メタデータ） (2025-06-23T09:03:58Z)
• Bypass Back-propagation: Optimization-based Structural Pruning for Large Language Models via Policy Gradient [57.9629676017527]
  本研究では,プルーンドモデルの損失を最適化することにより,確率空間におけるプルーニングマスクを直接学習する最適化に基づく構造的プルーニングを提案する。 我々は、基底となるベルヌーイ分布をサンプルのバイナリ・プルーニングマスクに学習することでこれを実現する。 LLaMA, LLaMA-2, LLaMA-3, Vicuna, Mistral モデルによる実験により, 本手法の有効性と有効性を示すことができた。
  論文  参考訳（メタデータ） (2024-06-15T09:31:03Z)
• AnalogNets: ML-HW Co-Design of Noise-robust TinyML Models and Always-On Analog Compute-in-Memory Accelerator [50.31646817567764]
  本稿では,キーワードスポッティング (KWS) と視覚覚醒語 (VWW) を常用するTinyMLモデルについて述べる。 アナログ非イデオロギーに面した精度を維持するため、包括的学習手法を詳述する。 また、プログラム可能な最小領域位相変化メモリ(PCM)アナログCiMアクセラレータであるAON-CiMについて述べる。
  論文  参考訳（メタデータ） (2021-11-10T10:24:46Z)

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。