論文の概要: Provably Optimal HBT Legalization in Seconds: Certified Optima Reveal Where the Headroom Really Lies
- arxiv url: http://arxiv.org/abs/2611.14928v1
- Date: Wed, 11 Nov 2026 02:32:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.984594
- Title: Provably Optimal HBT Legalization in Seconds: Certified Optima Reveal Where the Headroom Really Lies
- Title(参考訳): HBTの法定化が第2位に迫る: ヘッドルームが真に横たわっている場所の認定オプティマ
- Abstract要約: Open3DBenchの報告によると、強化学習法(RL)は、スライドウインドウ(SW)と比較して、変位を19-22%減少させる。
我々は、どの法執行機関でも、どの程度の変位が回復できるかを尋ねる。
Open3DBench配置データから21の設計/ピッチインスタンスのオープンベンチマークを構築します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hybrid bonding terminal (HBT) legalization assigns every terminal of a face-to-face 3D IC to its own pitch-grid site with minimum total Manhattan displacement. Open3DBench reports that a reinforcement-learning (RL) legalizer reduces displacement by 19-22% relative to a sliding-window (SW) heuristic, but none of its legalizers is publicly released. We ask how much displacement any legalizer can still recover. We build an open benchmark of 21 design/pitch instances from Open3DBench placement data, with reconstructed greedy, SW (ViaLegal-style) and BTAssign-style baselines, and GEO-Exact, an exact solver that runs successive shortest augmenting paths over lazily generated spatial candidate edges. An independent dual certificate proves its assignment optimal on all 21 instances (relative primal-dual gap at most $8.2 \times 10^{-16}$). Against these optima, our SW reconstruction with ViaLegal's default configuration is on average 0.011% above optimal (worst 0.119%), while on the 16 contended instances BTAssign-style, a density-guided heuristic (DGHL) and greedy are 3.0%, 6.9% and 64.5% above. Headroom does appear outside this regime: with 2x2 windows SW reaches 34.1%, and above about 58% utilization, on three of six swept designs, it reaches 21.1% on bp, 27.5% on swerv and 8.9% on jpeg (217 further certified instances, and ten bp points checked against an independent exact solver). If the published 19-22% gain were measured on instances like ours, SW would have to be at least 24-28% above optimal on average, far more than any SW variant we tested at nominal pitch; the RL paper's own comparison with the Hungarian optimum puts its SW 3.05% above optimal on average. GEO-Exact is also about an order of magnitude faster than DGHL and SW in our harness (geometric means 8.1x and 40x; a compiled core against Python baselines on a shared server). Code, optimal values and certificates are released.
- Abstract(参考訳): ハイブリッドボンディング端末 (HBT) の合法化は、面と面の3D ICのすべての端末を、マンハッタンの変位が最小限であるピッチグリッドの場所に割り当てる。
Open3DBenchによると、強化学習(RL)の法定化は、スライドウインドウ(SW)のヒューリスティックと比較して19-22%の変位を減少させるが、いずれの法定化も公表されていない。
我々は、どの法執行機関でも、どの程度の変位が回復できるかを尋ねる。
我々は、Open3DBench配置データから21の設計/ピッチのインスタンスをオープンなベンチマークで構築し、再構成されたgreedy、SW(ViaLegal-style)、BTAssignスタイルのベースラインと、遅延生成空間候補エッジ上で連続的に最短拡張パスを実行する厳密な解であるGEO-Exactを構築した。
独立二重証明は、その割り当てを全21のインスタンスで最適に証明する(少なくとも8.2 \times 10^{-16}$の相対原始双対ギャップ)。
これらのオプティマに対して、ViaLegalのデフォルト構成によるSW再構成は平均0.011%、BTAssignスタイル、密度誘導ヒューリスティック(DGHL)、greedyは3.0%、6.9%、64.5%である。
2x2ウィンドウのSWは34.1%に達し、約58%以上の利用率で6つの設計のうち3つの設計のうち21.1%がbp、27.5%がswerv、8.9%がjpegに到達している(さらに217の認証済みインスタンスと10のbpポイントが独立した正確な解法でチェックされている)。
公表された19-22%の利得が、我々の例で測定された場合、SWは平均で24-28%以上、名目ピッチでテストしたどのSW変種よりもはるかに多く、SWは平均で24-28%以上、ハンガリーの最適値と比較するとSW 3.05%以上である。
GEO-Exactは、我々のハーネスのDGHLやSW(幾何学的手段8.1xと40x、共有サーバ上のPythonベースラインに対するコンパイルされたコア)に比べて、約1桁高速です。
コード、最適な値、証明書がリリースされる。
関連論文リスト
- Beyond Adjacent Layers: Graph-Guided Layer Fusion for Compressing Large Language Models [3.3246021992391874]
FCM (Community Mining) によるフュージョンはLxL類似性グラフを構築する。
FCMは20個のゼロショット推論細胞のうち15個でShortGPTと一致または超過する。
MMLU、LAMBADA、HumanEvalpass@1、フリーフォーム生成品質も改善されている。
論文 参考訳(メタデータ) (2026-10-10T20:16:30Z) - Envs-FORGE: Frontier-Optimized Reward-Grounded Environment Synthesis for Agent RL [31.348699617272732]
Envs-FORGEは、検証者報酬を種ごとの環境合成アクションに変換するプロンプトポリシーである。
シードパス率を推定し、ターゲット学習フロンティア周辺で6つのプロジェクション指向アクションをスコアし、シードごとの混合整数線形プログラムを解決する。
すべての合成法は100個の認証された環境を輸出し、2.27M-2.88M合成トークンを使用する。
論文 参考訳(メタデータ) (2026-08-14T13:54:22Z) - Reinforcement Learning for Code Optimization [19.777959770513117]
私たちは3段階を通して実行時間を学習できるようにします。
DMC-Optimでは、最強の最適化対応構成により、厳格なトップ50%のpass@1が改善される。
LCBでは、CWM 32Bは標準のRLVRと比較して83%の速度で勝利する。
論文 参考訳(メタデータ) (2026-07-28T16:52:31Z) - Representation Distribution Matching for One-Step Visual Generation [107.84208192304455]
表現分布マッチング(Representation Distribution Matching, RDM)の設計空間の解明
2つの設計軸、分布がどのように比較され、それらの表現が比較されるかを特定し、それに沿って制御された研究によって3つの結果が得られた。
同じレシピは4ステップのFLUX.2[klein]を1ステップのジェネレータに後付けし、GenEvalの4ステップバージョンである0.826から0.794、PickScoreの22.76から22.58を90 H200 GPU時間で上回った。
論文 参考訳(メタデータ) (2026-07-02T16:15:38Z) - Claw-SWE-Bench: A Benchmark for Evaluating OpenClaw-style Agent Harnesses on Coding Tasks [75.92297551160692]
OpenClawのような汎用エージェントは、自律的なツールユーザとしてますます利用されている。
マルチリンガルなSWEベンチマークおよびアダプタプロトコルであるClaw-SWE-Benchを紹介する。
Claw-SWE-Benchは、SWEスタイルの符号化エージェント評価の第一級軸として、ハーネスとコスト会計を扱う。
論文 参考訳(メタデータ) (2026-06-10T17:16:23Z) - Measuring Maximum Activations in Open Large Language Models [60.3514350516308]
集中度, MoE, 視覚言語, 中間訓練, 命令調整型変異にまたがる8つのオープンファミリーから27個のチェックポイントで, グローバルおよび階層的に最大値を測定した。
最大アクティベーションサイズは、単純なサイズの副産物ではなく、ファミリー、アーキテクチャ、トレーニングステージに結びついているモデル特性である、と結論付けます。
論文 参考訳(メタデータ) (2026-05-15T03:31:51Z) - Scalable Reinforcement Post-Training Beyond Static Human Prompts: Evolving Alignment via Asymmetric Self-Play [52.3079697845254]
evaは、オフラインとオンラインのRLポストトレーニングの両方で、言語モデルがトレーニングプロンプトを適応的に作成できるようにする最初の方法である。
我々は,エバが有効なRLキュリキュラを作成でき,アブレーションにまたがって堅牢であることを示す。
論文 参考訳(メタデータ) (2024-10-31T08:15:32Z) - Patch-Level Contrasting without Patch Correspondence for Accurate and
Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。
提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2023-06-23T07:38:09Z)
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。