論文の概要: OPERA: OPamp Design by an Expert-Taught Reasoning Agent, from Specifications to Layout

• arxiv url: http://arxiv.org/abs/2610.39395v1
• Date: Thu, 29 Oct 2026 05:29:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.044735
• Title: OPERA: OPamp Design by an Expert-Taught Reasoning Agent, from Specifications to Layout
• Title（参考訳）: OPERA: 仕様からレイアウトまで,エキスパートトレント推論エージェントによるOPamp設計
• Abstract要約: 提案するOPERAOP(Expert-taught Reasoning Agent)では,汎用LLMエージェントがCMOSアンプを仕様からオープンソースツールによるポストサインオフまで設計する。 SKY130において、エージェントは共有定数gmバイアスと6アンプを設計し、Miller,fold-cascode, telescopic OTAs for fun >= 50, PM >= 60 degrees, SR 25MHz V/s into 1 pF, 最低dcゲインは30-60 dBとした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analog flows from specifications to a signed-off layout rarely run without manual iteration. Recent large language model (LLM) agents size circuits with optimizer loops over the device dimensions and stop at the schematic. We present OPERA (OPamp design by an Expert-taught Reasoning Agent), in which a general-purpose LLM agent designs CMOS opamps from specifications to post-layout sign-off with open-source tools. First, the designer teaches the agent the gm/ID method: map the specifications to transconductances and minimum currents, choose gm/ID per device role from characterized lookup tables, and size from equations, leaving a few knobs to search and an explainable design. Second, the agent learns the gLayout framework and taught layout practice, and writes a reusable layout generator that closes the layout and extraction loop at designer-approved gates. In SKY130, the agent designed a shared constant-gm bias and six opamps (5T, folded-cascode and telescopic OTAs; Miller, folded-cascode and telescopic two-stage) for fun >= 50 MHz, PM >= 60 degrees, SR 25 V/μs into 1 pF and a minimum dc gain of 30 to 60 dB. All six layouts are DRC-clean and LVS-matched, and their extracted netlists meet every target at all 15 PVT corners ( fun >= 53.7 MHz, PM >= 62.1 degrees, SR >= 27.9 V/μs). The benchmark netlists are released at https://github.com/AMPICLab/AMPICBench.
• Abstract（参考訳）: アナログは仕様からサインオフされたレイアウトへと流れ、手動のイテレーションなしでは滅多に実行されない。 最近の大規模言語モデル (LLM) は、デバイス次元を最適化するループを持つサイズ回路を処理し、スキーマで停止する。 OPERA (OPamp by an Expert-taught Reasoning Agent) では,汎用LLMエージェントがCMOSアンプを仕様からオープンソースツールによるポストレイアウトサインオフまで設計する。 まず、デザイナーはエージェントにgm/ID法を教えます: 仕様をトランスコンダクタンスと最小電流にマッピングし、特徴のあるルックアップテーブルからデバイスロール毎にgm/IDを選択し、方程式からサイズを選択し、いくつかのノブを検索し、説明可能な設計を残します。 次に、エージェントはgLayoutフレームワークを学び、レイアウトの実践を教え、再利用可能なレイアウト生成器を書き、デザイナが承認したゲートでレイアウトと抽出ループを閉じる。 SKY130では、共用定数gmバイアスと6つの増幅器(5T、折りたたみカスコード、テレスコープOTA、ミラー、折りたたみカスコード、テレスコープ2段)を、楽しみ>=50MHz、PM>=60度、SR 25 V/μsを1pF、最低dcゲインを30から60dBに設計した。 6つのレイアウトは DRC クリーンと LVS マッチングであり、抽出されたネットリストは15 PVT コーナーの全てのターゲット(ファン >= 53.7 MHz, PM >= 62.1 度, SR >= 27.9 V/μs)に適合する。 ベンチマークネットリストはhttps://github.com/AMPICLab/AMPICBench.comで公開されている。

関連論文リスト

• EGI-BENCH: An Enterprise General Intelligence Benchmark Suite [49.949941814209076]
  EGI-BENCHは8つのエンタープライズエージェントベンチマークを統合した統合されたエージェントベンチマークスイートである。 スイートの上に6次元フレームワーク(M1-M6)であるEnterprise General Intelligence (EGI) Scoreを定義します。 このスイート,サブメトリックルーティング,およびクイック/ディープ予算について述べるとともに,14のフロンティアとコスト効率のLLMについて報告する。
  論文  参考訳（メタデータ） (2026-10-19T20:02:07Z)
• OpenRUA: Robot-Use Agents Are Zero-Shot Visuomotor Policies [18.117760333020538]
  コーディングエージェントは、ロボット制御プログラムを書いて実行することで、物理的な世界にリーチを広げている。 我々は,抽象レイヤをバイパスするゼロ・アブストラクション・ハーネスであるOpenRUAを紹介した。 このワークスペース内では、OpenRUAはファイルI/Oとして認識をリキャストし、コーディングとして操作する。
  論文  参考訳（メタデータ） (2026-10-01T20:32:41Z)
• Diagram-MMU: A Multi-Modal Benchmark for Scientific Diagrams [53.28039059333946]
  科学図解析と理解のためのMLLMの能力を評価するためのベンチマークを構築した。 ダイアグラム-MMUは6つの領域にわたる3.7kのキュレートダイアグラムと18.3kの人間による質問を特徴としている。 ワークスペースを書くのに共通する3つのタスク(ダイアグラムからコードへのパース、ダイアグラムからコードへの編集、ダイアグラムへの質問応答)でMLLMを評価する。
  論文  参考訳（メタデータ） (2026-08-12T17:04:13Z)
• Think Before You Grid-Search: Floor-First Triage for LLM Serving [0.0]
  LLMサービス最適化は通常、多くの設定をベンチマークし、遅延ターゲットが欠落しているときに重いプロファイラに到達する。 我々は逆の規律を主張する: 推定はプロファイリングの分析的な層である。
  論文  参考訳（メタデータ） (2026-07-07T06:11:54Z)
• Agentic Large Language Models for Conceptual Systems Engineering and Design [0.0]
  初期のエンジニアリング設計は複雑で反復的な推論を伴うが、既存の大規模言語モデル(LLM)はタスク継続性を維持し、モデルを生成するのに苦労している。 構造化マルチエージェントシステム(MAS)が、より単純な2エージェントシステム(2AS)よりも要求抽出、分解、シミュレータコード生成をより効果的に管理できるかどうかを評価する。 本稿では,要求,具体化,Pythonベースの物理モデルをグラフノードにバンドルする関数表現であるDesign-State Graph(DSG)を紹介する。
  論文  参考訳（メタデータ） (2025-07-11T14:19:05Z)
• Schemato - An LLM for Netlist-to-Schematic Conversion [5.419903684361424]
  ネットリストからスキーマ変換のための大規模言語モデル(LLM)を提案する。 特に、LTSpiceで使用されるテキストベースのスキーマ記述である.ascファイルにネットリストを変換するアプローチについて検討する。 実験の結果、Spicetoは平均グラフ編集距離スコアと平均構造類似度指数測定値で、それぞれ1.8倍と4.3倍のコンパイル成功率でスケールした。
  論文  参考訳（メタデータ） (2024-11-21T07:21:59Z)
• Design2Code: Benchmarking Multimodal Code Generation for Automated Front-End Engineering [74.99736967448423]
  私たちは、このタスクのための最初の実世界のベンチマークであるDesign2Codeを構築します。 テストケースとして484の多様な実世界のWebページを手作業でキュレートし、自動評価指標のセットを開発する。 我々の詳細なブレークダウンメトリクスは、入力されたWebページから視覚要素をリコールし、正しいレイアウト設計を生成するモデルがほとんど遅れていることを示している。
  論文  参考訳（メタデータ） (2024-03-05T17:56:27Z)
• LLM4EDA: Emerging Progress in Large Language Models for Electronic Design Automation [74.7163199054881]
  大規模言語モデル(LLM)は、文脈理解、論理推論、回答生成においてその能力を実証している。 本稿では,EDA分野におけるLLMの応用に関する系統的研究を行う。 論理合成,物理設計,マルチモーダル特徴抽出,回路のアライメントにLLMを適用することに焦点を当て,今後の研究の方向性を強調した。
  論文  参考訳（メタデータ） (2023-12-28T15:09:14Z)
• Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
  我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。 PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。 広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
  論文  参考訳（メタデータ） (2023-01-31T16:43:53Z)
• Multi-Agent Reinforcement Learning for Microprocessor Design Space Exploration [71.95914457415624]
  マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。 この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。 評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2022-11-29T17:10:24Z)

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。