論文の概要: The Code Behind the Layout: AI Agents for Analog Layout Generators

• arxiv url: http://arxiv.org/abs/2610.38426v1
• Date: Wed, 28 Oct 2026 08:10:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.972182
• Title: The Code Behind the Layout: AI Agents for Analog Layout Generators
• Title（参考訳）: レイアウトの背後にあるコード:アナログレイアウトジェネレータのためのAIエージェント
• Abstract要約: レイアウトを直接描画する主な障害は、その時間とトークンコストであり、ジェネレータフレームワーク上に構築されたモデルの主な利点は再利用性である。 モデルは、設計意図が属するファミリーのジェネレータソースからレイアウトを開発するときに最も効果的であり、各編集が失敗する可能性が最も高い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analog layout remains largely manual and hard to automate. Generator frameworks such as gLayout express layouts as programs, producing layouts from parameterized, design-rule-aware generators; however, writing such generators still takes expert effort. Large language models (LLMs) could now write generator code, and frontier models can even draw layout geometry from design intent. This raises a practical question: if a model can draw the layout itself, what does a generator framework still contribute, and is applying these models to a generator framework better than having them draw a layout from scratch? Through controlled experiments on gLayout in SKY130, we find that the main obstacle to drawing a layout directly is its time and token cost, and that the main advantage of a model building on a generator framework is reusability. Its verified primitives keep each model edit small enough to check, and its parameters allow a single edit to be evaluated across an entire family of layouts. Accordingly, a model is most effective when it develops the layout from the generator source of the family that the design intent belongs to, and tests each edit on the family members most likely to fail, so that one verified change improves every layout the generator produces. The results of these family tests can then serve as supervision for a local model, which learns edits that hold across the family at a fraction of the inference cost.
• Abstract（参考訳）: アナログレイアウトは手作業で行われており、自動化は困難である。 gLayoutのようなジェネレータフレームワークは、レイアウトをプログラムとして表現し、パラメータ化された設計ルール対応ジェネレータからレイアウトを生成する。 大規模言語モデル (LLM) はジェネレータのコードを書くことができ、フロンティアモデルは設計意図からレイアウトの幾何学を描くこともできる。 モデルがレイアウト自体を描画できるのであれば、ジェネレータフレームワークは依然として何に貢献し、これらのモデルをスクラッチからレイアウトを描画するよりも、ジェネレータフレームワークに適用しているのでしょうか? SKY130におけるgLayoutの制御実験により、レイアウトを直接描画する主な障害は、その時間とトークンコストであり、ジェネレータフレームワーク上に構築されたモデルの主な利点は再利用性であることがわかった。 検証済みのプリミティブは、各モデルがチェックできるくらい小さな編集を保ち、そのパラメータは、レイアウトのファミリー全体にわたって単一の編集を評価することができる。 したがって、設計意図が属するファミリーのジェネレータソースからレイアウトを開発する場合、モデルが最も効果的であり、各編集が失敗する可能性が最も高いため、検証された変更がジェネレータが生成するすべてのレイアウトを改善する。 これらのファミリーテストの結果は、ローカルモデルの管理者として機能し、推論コストのごく一部で家族間で保持される編集を学習する。

関連論文リスト

• InstructMesh: Selective Refinement of Generative 3D Models for Fabrication [58.233035582921474]
  InstructMeshは、領域選択とターゲット操作による生成3Dモデルの選択的修復を可能にするツールである。 我々はまず、最先端の生成ツールから出力される出力の一般的な製造関連障害モードを分析した。 次に、2つのユーザ研究を行い、初心者がInstructMeshを用いて生成出力を識別し、製造関連修理を行えることを示す。
  論文  参考訳（メタデータ） (2026-08-28T17:09:42Z)
• Towards Aligned Layout Generation via Diffusion Model with Aesthetic Constraints [53.66698106829144]
  広い範囲のレイアウト生成タスクを処理する統一モデルを提案する。 このモデルは連続拡散モデルに基づいている。 実験結果から,LACEは高品質なレイアウトを生成することがわかった。
  論文  参考訳（メタデータ） (2024-02-07T11:12:41Z)
• Diagnostic Benchmark and Iterative Inpainting for Layout-Guided Image Generation [147.81509219686419]
  本研究では,空間制御の4つの分野(数,位置,サイズ,形状)について,レイアウト誘導画像生成のための診断ベンチマークを提案する。 次に,新しいベースラインであるIterInpaintを提案する。 本研究はIterInpaintに関する総合的アブレーション研究である。
  論文  参考訳（メタデータ） (2023-04-13T16:58:33Z)
• COFS: Controllable Furniture layout Synthesis [40.68096097121981]
  多くの既存手法は、レイアウトの要素に特定の順序を課すシーケンス生成問題としてこの問題に対処している。 言語モデリングから標準トランスフォーマーアーキテクチャブロックに基づくアーキテクチャであるCOFSを提案する。 我々のモデルは、定量的評価によって検証する他の方法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-05-29T13:31:18Z)
• BLT: Bidirectional Layout Transformer for Controllable Layout Generation [27.239276265955954]
  条件付きレイアウト生成のための双方向レイアウト変換器であるBLTを導入する。 提案手法は, 各種忠実度指標を用いた複数のベンチマークで検証する。 以上の結果から,最新のレイアウトトランスモデルに対する2つの重要な進歩が示された。
  論文  参考訳（メタデータ） (2021-12-09T18:49:28Z)
• Constrained Graphic Layout Generation via Latent Optimization [17.05026043385661]
  ユーザによって暗黙的に、あるいは明示的に、デザインセマンティクスを柔軟に組み込むことができるグラフィックレイアウトを生成します。 提案手法はトランスフォーマーアーキテクチャに基づく生成的レイアウトモデルに基づいており,レイアウト生成を制約付き最適化問題として定式化している。 実験では,1つのモデルを用いて,制約付きタスクと制約なしタスクの両方において,現実的なレイアウトを生成することができることを示す。
  論文  参考訳（メタデータ） (2021-08-02T13:04:11Z)
• LayoutTransformer: Layout Generation and Completion with Self-attention [105.21138914859804]
  画像やモバイルアプリケーション,ドキュメント,3Dオブジェクトなど,さまざまな領域におけるシーンレイアウト生成の問題に対処する。 レイアウト要素間のコンテキスト的関係を学習するために,自己意識を活用する新しいフレームワークであるLayoutTransformerを提案する。 私たちのフレームワークでは、空のセットから、あるいはプリミティブの最初のシードセットから、新しいレイアウトを生成することができ、レイアウト毎に任意のプリミティブをサポートするために簡単にスケールすることができます。
  論文  参考訳（メタデータ） (2020-06-25T17:56:34Z)

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。