論文の概要: CADET: Construction of PCB Routing Instances with Executable Demonstrations
- arxiv url: http://arxiv.org/abs/2611.16913v1
- Date: Thu, 12 Nov 2026 15:03:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.494914
- Title: CADET: Construction of PCB Routing Instances with Executable Demonstrations
- Title(参考訳): CADET:実行可能デモ付きPCBルーティングインスタンスの構築
- Abstract要約: EDAエンジンの動作から構築した合成基板とデモを共同で生成するCADETを提案する。
結果として得られたRouteDemosは、設計規則違反(DRV)を伴わない10万の合成基板を提供する。
CADETはこれらのデモに対して行動クローンでルーティングポリシーを訓練し、強化学習で微調整する。
- 参考スコア(独自算出の注目度): 4.649791948371857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Printed circuit board (PCB) routing is the stage of physical layout that finds paths connecting the placed pads of each net. Public datasets in this domain are few, and most contain only the final states of routed boards, not demonstrations of the electronic design automation (EDA) engine actions that produce them. To close this gap, we propose CADET (Constructing executAble Demonstrations for Engine-grounded Training), which jointly generates synthetic boards and demonstrations built from EDA engine actions. The resulting RouteDemos provides 100,000 synthetic boards routed with zero design rule violations (DRVs), together with their demonstrations. Their distributions over 17 statistics resemble those of 142 real reference boards. CADET trains a routing policy on these demonstrations with behavior cloning and fine-tunes it with reinforcement learning (RL). On real test boards, the policy raised the rate of complete DRV-free routing from 38.0% to 67.2% over an RL-only baseline. This rate was comparable to that of the open-source autorouter FreeRouting and exceeded those of the other baselines, including GPT-6 Astra. We release the dataset and its generation code as open source at https://github.com/LGAI-Research/CADET.
- Abstract(参考訳): プリント回路基板(PCB)ルーティングは、各ネットの配置されたパッドを接続する経路を見つける物理的なレイアウトの段階である。
この領域のパブリックデータセットは少ないが、そのほとんどは、それらを生成する電子設計自動化(EDA)エンジンアクションのデモではなく、ルーティングされたボードの最終状態のみを含んでいる。
このギャップを埋めるために, CADET (Constructing executAble Demonstrations for Engine-grounded Training) を提案する。
結果として得られたRouteDemosは、10万の合成基板に、設計規則違反(DRV)がゼロになっている。
17の統計値を超える分布は、142の実際の参照ボードに類似している。
CADETはこれらのデモに対して行動クローンでルーティングポリシーを訓練し、強化学習(RL)で微調整する。
実際の試験盤では、このポリシーは完全なDRVのないルーティングをRLのみのベースラインで38.0%から67.2%に引き上げた。
このレートはオープンソースオートルーチンのFreeRoutingに匹敵し、GPT-6 Astraを含む他のベースラインのそれを上回った。
我々はデータセットとその生成コードをhttps://github.com/LGAI-Research/CADETでオープンソースとして公開します。
関連論文リスト
- PCBRouteAgent: How Close Are LLM Agents to Becoming PCB Routing Engineers? [12.232678800797443]
PCBRouteAgentは、ヒューマンエンジニアがグローバル戦略とローカル実行を協調する方法に触発されたPCBルーティングエージェントである。
詳細なルーティング実行器は、KiCadのネイティブルーティングエンジンを通じてこれらのガイドを実現する。
PCBRouteAgentは、D2、D3-A、D3-B、D3-Cで100%、94.9%、100%、40%のクリーンパス率を達成する。
論文 参考訳(メタデータ) (2026-11-05T15:31:15Z) - ASENA: Self-evolving Agents for Embodied Navigation [84.64998230277466]
ASENAは汎用コーディングエージェントをロボットセンシング、計算、教師付き実行、永続的な体験に接続する。
独立政策としてASENA-VLNはR2Rで68.7%、RxRで70.2%という最先端の成功率を達成した。
論文 参考訳(メタデータ) (2026-09-30T07:53:50Z) - BLInD: Learning Driver Intent as a Distribution over Future Ego Trajectories [0.9566312408744934]
BLInD(Blind Learned Intent Distribution, Blind Learned Intent Distribution)は、最近の車両状態履歴を将来のエゴ軌道のトップk分布にマッピングする小型ネットワークである。
自動車国家の歴史だけでは、短期エゴ軌道上の有用なマルチモーダル分布を学習するのに十分であり、その低レイテンシの性質は安全クリティカルな展開に適している。
論文 参考訳(メタデータ) (2026-09-12T13:35:28Z) - CogEvol: Towards Efficient and Reliable Learning Environment Generation [49.18054685846454]
本稿では,学習環境生成に特化して訓練されたモデル群であるCogEvolを紹介する。
CogEvolは、スライドを中央値17秒、対話ページを59秒で完了し、数分のマルチターンエージェントの足場を置き換える。
プロダクショングラウンドのデータパイプラインは、実際の障害を53,687個のSFTサンプルに変換する。
論文 参考訳(メタデータ) (2026-08-31T15:33:38Z) - PCBWorld: A Benchmark Environment for Engine-Grounded PCB Design Automation [4.649791948371857]
PCBWorld(PCBWorld)は、KiCad EDAエンジン上に構築されたオープンソースのエンジンベースPCBルーティング環境である。
PCBWorldのエージェントは、デザインルールチェック(DRC)フィードバックを使用して、エンジンのネイティブ操作を通じてボードをインタラクティブにルーティングし、ルーティングを設計ルール内に保持する。
論文 参考訳(メタデータ) (2026-07-07T07:09:46Z) - Policy-Governed LLM Routing with Intent Matching for Instrument Laboratories [0.0]
RoutiiumはOpenAI互換のゲートウェイで、複数のLLMバックエンドを管理する。
Eduは、ラベルごとの予算、承認、埋め込みベースの質問マッチングを強制するポリシー対応のルーティングサービスである。
論文 参考訳(メタデータ) (2026-04-03T15:36:29Z) - ZTRS: Zero-Imitation End-to-end Autonomous Driving with Trajectory Scoring [52.195295396336526]
ZTRS(Zero-Imitation End-to-End Autonomous Driving with Trajectory Scoring)は、情報を失うことなくセンサー入力と堅牢な計画のためのRLトレーニングという、両方の世界の強みを組み合わせたフレームワークである。
ZTRSは、Navtest、Navhard、HUGSIMの3つのベンチマークで強力なパフォーマンスを示している。
論文 参考訳(メタデータ) (2025-10-28T06:26:36Z) - Hydra-MDP++: Advancing End-to-End Driving via Expert-Guided Hydra-Distillation [71.08149200234188]
Hydra-MDP++は,マルチヘッドデコーダを備えた新しい知識蒸留フレームワークである。
このフレームワークには、交通光コンプライアンス(TL)、車線維持能力(LK)、快適性(EC)など、拡張された評価指標が組み込まれている。
Hydra-MDP++は、これらのコンポーネントをNAVSIMの91.0%のドライブスコアと統合することで、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2025-03-17T04:58:09Z) - Trajectory-guided Control Prediction for End-to-end Autonomous Driving:
A Simple yet Strong Baseline [96.31941517446859]
現在のエンドツーエンドの自律運転法は、計画された軌道に基づいてコントローラを実行するか、直接制御予測を行う。
我々の統合されたアプローチには、それぞれ軌道計画と直接制御のための2つの枝があります。
CARLAシミュレータを用いて閉ループ都市運転環境の評価を行った。
論文 参考訳(メタデータ) (2022-06-16T12:42:44Z) - GDP: Stabilized Neural Network Pruning via Gates with Differentiable
Polarization [84.57695474130273]
ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。
GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。
CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
論文 参考訳(メタデータ) (2021-09-06T03:17:10Z)
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。