論文の概要: Evaluating AI Agents for Industrial-Level Chip Floorplanning: A Framework and Empirical Study
- arxiv url: http://arxiv.org/abs/2611.12048v2
- Date: Thu, 12 Nov 2026 02:42:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.881574
- Title: Evaluating AI Agents for Industrial-Level Chip Floorplanning: A Framework and Empirical Study
- Title(参考訳): 産業レベルのチップフロアプランニングのためのAIエージェントの評価:フレームワークと実証的研究
- Abstract要約: 本稿では,提案したレイアウトを所定の下流実装フローに接続する評価フレームワークを提案する。
我々は,Nova-SIをファイルアクセスに制限された汎用エンジニアリングエージェントやエージェントと比較した。
- 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: Floorplanning is an early step in turning a logical circuit into a physical chip: it positions large circuit modules and constrains the space available for subsequent logic placement and wiring. These decisions affect congestion and timing, but their physical consequences emerge through downstream implementation. For AI agents, the task requires translating engineering constraints into spatial decisions whose quality cannot be judged by successful tool execution alone. We present an evaluation framework that connects submitted layouts to a prescribed downstream implementation flow, checks geometric validity, measures physical quality, and reports resource use. On one industrial design whose 99 macros occupy approximately 71\% of a fixed L-shaped layout region, we compare our specialized system Nova-SI with general-purpose engineering agents and agents restricted to file access, obtaining complete physical measurements for 39 layout outputs. Under our 0--100 composite quality score, Nova-SI achieves a mean of 57.97 without online feedback from the prescribed power-grid and placement evaluation, compared with 31.17 for the strongest measured general-purpose configuration, GPT-6 Astra. The difference is supported by raw congestion and timing measurements and persists across scoring-sensitivity checks. Layout-level analysis further shows that similar global utilization can conceal substantially different local congestion. Together, the protocol and case study assess agents through the physical consequences of their delivered layouts and provide evidence about system performance on this industrial instance.
- Abstract(参考訳): フロアプランニングは論理回路を物理チップに変える初期のステップであり、大きな回路モジュールを配置し、その後の論理配置と配線のために利用可能な空間を制限している。
これらの決定は混雑とタイミングに影響しますが、ダウンストリームの実装によって物理的な結果が生まれます。
AIエージェントの場合、このタスクはエンジニアリングの制約を、成功しているツールの実行だけで品質を判断できないような空間的な決定に翻訳する必要がある。
本稿では,提案したレイアウトを所定の下流実装フローに接続し,幾何的妥当性を確認し,物理的品質を測定し,資源使用を報告する評価フレームワークを提案する。
99マクロが固定L字レイアウト領域の約71 %を占める工業設計では, 汎用エンジニアリングエージェントやファイルアクセスに制限されたエージェントと比較し, 39レイアウト出力の完全な物理測定値を得た。
筆者らの0-100複合品質スコアでは, 所定の電力グリッドと配置評価からオンラインフィードバックを受けずに平均57.97を達成し, 最強の汎用構成であるGPT-6 Astraでは31.17とした。
この差は生の混雑とタイミング測定によって支えられ、スコアの感度チェックにまたがって持続する。
レイアウトレベルの分析により、同様のグローバルな利用は、かなり異なる局所的な混雑を隠蔽できることが示された。
プロトコルとケーススタディは、配信されたレイアウトの物理的結果を通じてエージェントを評価し、この産業インスタンスにおけるシステムパフォーマンスに関する証拠を提供する。
関連論文リスト
- Publications as benchmarks: auditing AI agents on spatial transcriptomics alignment [3.131740922192114]
我々は、科学出版物をAIエージェントの監査可能なベンチマークに変換するフレームワークを導入する。
121のタスク、16のベースラインメソッド、6つのAIエージェントで、最高のエージェントがすべてのベースラインにマッチまたはパフォーマンスを向上した。
我々のフレームワークは、専門的な科学分野におけるAIエージェントを評価するスケーラブルな方法を提供する。
論文 参考訳(メタデータ) (2026-11-09T02:53:11Z) - CASCoDe: A Closed-Loop Agentic Framework for Analog Sizing and Layout Co-Design [7.343992033578261]
アナログネットリスト設計のための閉ループ LLM エージェントフレームワークである CASCoDe を提案する。
20基のSKY130アンプは単段、二段、三段のトポロジーにまたがっており、CASCoDeはDRCおよびLVSクレーンレイアウトを提供する唯一のフローである。
論文 参考訳(メタデータ) (2026-11-09T00:10:14Z) - Are Frontier VLM Agents Ready to Be Robot Generalists? An Empirical Study with the Embodied Agent Arena [52.33857619195848]
本研究では,空洞型エージェントArenaを導入し,幾何学,空間推論,アフォーダンス,タスクプランニング,マニピュレーションにまたがる7つのVLMエージェントを評価する。
精度推定におけるアストラの強みと使用可能な接触局所化は、トレースにおける終端誤差と低い家庭用タスク完了において共存する。
論文 参考訳(メタデータ) (2026-10-01T00:14:50Z) - PlaceReasoner-Beta: Reasoning-Driven Macro Placement and Benchmarking [11.392150001765875]
そこで我々はPlaceReasoner-Betaを提案する。これは、マクロ配置を閉ループ推論問題として再構成する検証器誘導フレームワークである。
PlaceReasoner-Beta はすべての正方形タスクにおいて DRC-clean メソッドの中で最高のタイミングを達成する。
また、通常は最適化されていないが、ほとんどの設計では配線長を短縮する。
論文 参考訳(メタデータ) (2026-09-18T03:22:09Z) - Closed-loop AI achieves certifiable engineering design [4.979561115632364]
AI Engineerは、大規模言語モデル(LLM)をクローズドループで決定論的エンジニアリングバックエンドに結合するエージェントフレームワークである。
それぞれの候補(容量、鋼鉄強度、ユニットコスト、建設性、疲労寿命)を、11の実際の浮遊風プロジェクトで調整された片方向線形関数を用いて評価する。
認定された設計は、人間に最適化されたTuQiangベースラインよりも優れており、すべてのAIP基準を満たしながら、鋼鉄の質量と単位資本コストを8.1%削減している。
論文 参考訳(メタデータ) (2026-08-22T14:24:58Z) - Synthetic Monitoring Environments for Reinforcement Learning [3.6551292689240777]
強化学習(Reinforcement Learning, RL)は、エージェントの動作の正確なホワイトボックス診断を可能にするベンチマークを欠いている。
現在の環境は、しばしば複雑さの要因を絡み合わせる。
本稿では,連続制御タスクの無限スイートであるSME(Synthetic Monitoring Environments)を紹介する。
論文 参考訳(メタデータ) (2026-03-06T13:10:31Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳(メタデータ) (2025-12-09T06:52:21Z) - Alita-G: Self-Evolving Generative Agent for Agent Generation [54.49365835457433]
汎用エージェントをドメインエキスパートに変換するフレームワークであるALITA-Gを提案する。
このフレームワークでは、ジェネラリストエージェントが対象ドメインタスクのキュレートされたスイートを実行する。
計算コストを削減しながら、大きな利益を得ることができます。
論文 参考訳(メタデータ) (2025-10-27T17:59:14Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳(メタデータ) (2025-08-07T17:54:15Z) - Benchmarking End-To-End Performance of AI-Based Chip Placement Algorithms [77.71341200638416]
ChiPBenchはAIベースのチップ配置アルゴリズムの有効性を評価するために設計されたベンチマークである。
評価のために、さまざまなドメイン(CPU、GPU、マイクロコントローラなど)から20の回路を集めました。
その結果, 単点アルゴリズムの中間距離が支配的であったとしても, 最終的なPPA結果は満足できないことがわかった。
論文 参考訳(メタデータ) (2024-07-03T03:29:23Z)
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。