arXiv:2610.10858v1 cs.AR

RFChipAgent: 아날로그/RF 칩 설계를 위한 멀티 에이전트 AI 플로우

RFChipAgent: Multi-Agentic AI Flow for Analog/RF Chip Design

Awani Khodkumbhe, Yunfei Feng, Raj Rangarajan, Kevin Wang, Kamal Sahota

제출 2026-10-07

저자 비고

arXiv Comments

6 pages, 4 figures. Submitted to ACM/IEEE for possible publication

한국어 초록

아날로그/RF 회로는 디지털 연산과 물리적 세계 사이의 핵심 인터페이스로 남아 있으며, Wi-Fi 7부터 6G에 이르는 새로운 표준들은 이에 대해 엄격한 요구사항을 부과하고 있습니다. 그러나 아날로그/RF 설계는 여전히 칩 개발에서 가장 많은 노동력이 소요되는 단계 중 하나입니다. 본 논문에서는 인간의 감독 하에 AI 에이전트들이 전체 설계 흐름을 협력하여 조율하는, 엔드투엔드 아날로그/RF 회로 설계 자동화를 위한 최초의 대규모 언어 모델(LLM) 에이전트 기반 멀티 에이전트 플로우인 RFChipAgent를 제시합니다. RFChipAgent는 네 가지 기술적 기둥을 중심으로 구축되었습니다. 첫째, 문서별 비공개 FAISS 인덱싱을 갖춘 멀티모달 검색-증강 생성(RAG) 하위 시스템이 기존 엔지니어링 문서에서 설계 지식을 추출합니다. 둘째, 토폴로지 에이전트가 토폴로지 선택을 주도하고, 회로도 및 테스트벤치 에이전트가 회로 및 테스트벤치 조립을 자동화합니다. 셋째, 폐루프 하이브리드 회로 사이징 엔진은 TPE(Tree-structured Parzen Estimator)와 CMA-ES 최적화를 결합하여 시뮬레이터 루프 내(simulator-in-the-loop) 프레임워크에서 모든 후보를 평가합니다. 넷째, 신뢰도 점수가 부여된 시뮬레이션 데이터베이스가 검증된 성능 데이터를 축적하고 후속 시도에 정보를 제공하는 적응형 최적화 모델을 구축합니다. GF22FDSOI 60 GHz 광대역 mm-wave 저잡음 증폭기(LNA) 토폴로지 제품군에서 RFChipAgent를 검증하여 자동화된 토폴로지 생성, 사양 기반 설계 공간 탐험, 시뮬레이터 유도 최적화를 입증합니다. 실험 결과는 사인오프 품질의 검증을 유지하면서도 설계 노력을 대폭 줄일 수 있음을 보여줍니다. 본 연구는 아날로그/RF 회로를 위한 LLM 기반 멀티 에이전트 전자 설계 자동화(EDA)의 토대를 마련합니다.

원문 초록

Analog/RF circuits remain the critical interface between digital computation and the physical world, and emerging standards from Wi-Fi 7 to 6G place stringent demands on them, yet analog/RF design remains one of the most labor-intensive steps in chip development. We present RFChipAgent, a first-of-its-kind multi-agent flow of large language model (LLM) agents for end-to-end analog/RF circuit design automation, in which AI agents collaboratively orchestrate the complete design flow under human supervision. RFChipAgent is built around four technical pillars. First, a multimodal retrieval-augmented generation (RAG) subsystem with private per-document FAISS indexing extracts design knowledge from existing engineering documentation. Second, a topology agent drives topology selection, and a schematic and testbench agent automates circuit and testbench assembly. Third, a closed-loop hybrid circuit-sizing engine combines Tree-structured Parzen Estimator (TPE) and CMA-ES optimization, evaluating every candidate in a simulator-in-the-loop framework. Fourth, a trust-scored simulation database accumulates verified performance data and builds an adaptive optimization model that informs subsequent trials. We validate RFChipAgent on a family of GF22FDSOI 60 GHz wideband mm-wave low-noise amplifier (LNA) topologies, demonstrating automated topology generation, specification-driven design-space exploration, and simulator-guided optimization. Experimental results show substantial reductions in design effort while maintaining signoff-quality verification. This work establishes a foundation for LLM-driven multi-agent electronic design automation (EDA) for analog/RF circuits.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.10858v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.25325v1cs.NE공통 태그 Evolutionary Algorithms, Bayesian Optimization

대규모 언어 모델을 활용한 온라인 자동 알고리즘 설계

Online Automated Algorithm Design with Large Language Models

대규모 언어 모델(LLM)은 추론과 코드 합성을 통해 자동 알고리즘 설계(AAD)를 가능하게 한다. 그러나 기존의 LLM 기반 AAD 방법 대부분은 알고리즘 설계와 대상 최적화를 분리하여, 최적화 상태가 변화하는 동안에도 고정된 설계를 그대로 배포한다. 기존의 적응형 옵티마이저는 이러한 변화에 대응할 수 있지만, 그 조정은 사전에 정의된 파라미터, 연산자 또는 전략의 범위에 국한된다. 이러한 한계를 해결하기 위해, 본 논문은 알고리즘 자체를 상태 의존적 결정 변수로 취급하는 새로운 최적화 패러다임인 온라인 LLM 기반 AAD를 제안한다. 각 단계에서 LLM 에이전트는 현재의 최적화 상태로부터 새로운 동작 로직을 갖춘 알고리즘을 합성한다. 생성된 알고리즘을 실행하면 탐색이 진행되고 이후 설계를 위한 피드백이 제공되므로, 별도의 오프라인 알고리즘 사전학습 단계 없이도 알고리즘 설계와 대상 최적화가 결합된다. 이 패러다임을 구현하기 위해 본 논문은 상충하는 설계 관점을 조율하여 실행 가능한 알고리즘을 합성하고, 실행 피드백을 활용해 이후 설계를 위해 런타임 증거를 해석하는 방식을 개선하는 멀티 에이전트 프레임워크인 OnDesign을 제안한다. 우리는 두 가지 주류 블랙박스 최적화 패러다임에 걸친 세 가지 시나리오, 즉 베이지안 최적화, 진화적 연속 최적화, 진화적 혼합 변수 최적화에서 OnDesign을 평가한다. 여섯 개의 벤치마크 스위트와 하나의 공학 문제에 대해 다양한 문제 차원에서 수행한 광범위한 실험을 통해, 기존 옵티마이저와 오프라인 LLM 기반 AAD 방법보다 우수한 전반적 성능을 보임을 입증한다.

arXiv:2607.23408v1cs.AI공통 태그 Evolutionary Algorithms, Bayesian Optimization

NeurGO: 메타 블랙박스 고비용 최적화를 위한 엘리트 후보 생성 학습

NeurGO: Learning to Generate Elite Candidates for Meta-Black-Box Expensive Optimization

과학과 공학에서 고비용 블랙박스 최적화는 함수 평가가 비용이 크고 평가 예산이 제한적인 상황에서 널리 사용됩니다. 전통적인 진화 알고리즘과 메타 블랙박스 최적화(MetaBBO) 접근법은 일반적으로 대부분의 평가를 후보 선택에 소비하며, 종종 열등한 해에 소중한 예산을 낭비합니다. 서로게이트 보조 진화와 베이지안 최적화는 서로게이트 모델을 통해 평가 횟수를 줄이는 것을 목표로 하지만, 제한된 데이터로부터 정확한 전역 모델을 구축하는 것은 여전히 어려우며, 모델 바이어스가 탐색을 지역 최적해에 쉽게 갇히게 할 수 있습니다. 이러한 한계를 극복하기 위해, 우리는 역사적 개체군 상태로부터 엘리트 후보를 직접 합성하는 생성형 MetaBBO 프레임워크인 NeurGO를 제안합니다. 구체적으로, 개체군 수준의 탐색 추세를 포착하기 위해 어텐션 기반 인코더를 사용하고, 이 표현을 조건으로 디코더를 작동시켜 고품질 후보를 생성함으로써 대규모 자손 풀의 고비용 평가를 피합니다. 그다음 탐색 전반에 걸쳐 해의 품질과 개체군 다양성을 유지하기 위해 품질-다양성 손실을 설계합니다. CEC 2008 및 COCO BBOB 테스트 스위트에 대한 광범위한 벤치마킹을 통해, 우리 방법은 동일한 평가 예산 하에서 더 나은 최적화 성능을 달성하고 더 빠른 수렴을 보입니다.

arXiv:2607.13911v1cs.NE공통 태그 Evolutionary Algorithms, Bayesian Optimization

LLM 생성을 어떻게 유도할 것인가: 자동 휴리스틱 설계를 위한 이중 대리 모델 유도 탐색

How to Guide LLM Generation: Dual-Surrogate Guided Search for Automated Heuristic Design

대규모 언어 모델(LLM)은 작업 설명과 평가자(evaluator) 피드백으로 실행 가능한 휴리스틱 코드를 생성함으로써 자동 휴리스틱 설계(AHD)를 점점 더 실용적으로 만들었다. 그러나 제한된 쿼리 및 평가 예산 하에서는 탐색 효율이 사전 생성(pre-generation) 결정에 크게 달려 있다. 각 LLM 쿼리와 블랙박스 평가 이전에, 시스템은 아카이브된 휴리스틱 중 어떤 것을 부모(parent)로 재사용할지, 그리고 어떤 생성 연산자(generation operator)가 이를 변환해야 할지 선택해야 한다. 기존 방법들은 일반적으로 이러한 행동을 사전 정의된 규칙으로 선택하며, 각 구체적인 연산자-부모(operator-parent) 행동의 기대 결과를 간접적으로만 모델링한다. 따라서 본 논문은 LLM 기반 AHD에서 연산자-부모 선택을 위한 대리 모델(surrogate) 유도 행동 선택 모듈인 \emph{\fullmethod{}} (\method{})를 제안한다. \method{}는 두 가지 상보적인 대리 모델로 사전 생성 행동을 점수화함으로써 LLM 코드 생성 과정을 유도한다. 구체적으로, 전이(transition) 대리 모델은 연산자-부모 행동에 의해 유도되는 자식(child) 표현(representation)의 잠재(latent) 분포를 예측하고, 인스턴스 조건(instance-conditioned) 유틸리티 대리 모델은 샘플링된 자식 잠재의 기대 성능을 추정한다. 또한, 예측된 유틸리티, 유틸리티 불확실성, 전이 불확실성을 결합하여 다음 LLM 생성 행동을 선택하는 불확실성 인식 획득(acquisition) 규칙을 제안한다. 다양한 휴리스틱 설계 벤치마크에서 \method{}는 강력한 LLM-AHD 기준선(baseline)과 경쟁력 있는 성능을 보이며, ablation 및 행동 선택 분석은 그 동작이 단순한 아카이브 순위화나 고정된 연산자 선호를 넘어섬을 시사한다.

arXiv:2607.09706v1cs.AI공통 태그 Evolutionary Algorithms, Bayesian Optimization

YUKTI: 자연어 상황에서 강건하고 검증 가능한 의사결정으로 — 불확실성 타입 명제 IR, 가정 강건 파레토 프론티어, 그리고 후회 증명서

YUKTI: From Natural-Language Situations to Robust, Verifiable Decisions An Uncertainty-Typed Proposition IR, Assumption-Robust Pareto Frontiers, and a Regret Certificate

언어 모델은 서술된 상황을 수치 계획으로 변환하며, 주요 파이프라인(NL4Opt, OptiMUS, ORLM, OR-LLM-Agent)은 단일 목적 함수와 점 값(point-valued) 계수를 확정한 뒤 한 번만 풀어낸다. 실제 예산, 노력, 또는 임상적 주의를 배분하는 의사결정에서 이러한 확신은 실패의 원인이 된다: 객관화된 모든 수치는 가정이며, 추정이 정확히 맞을 때만 최적인 계획은 취약하다 — 계산의 흉내에 불과하다. YUKTI는 자동 공식화(autoformulation)의 대상을 바꾼다. 그 표현은 관계에 형태 사전 확률(shape priors), 계수 불확실성, 출처 정보를 담은 타입 명제 그래프다. YUKTI는 각 단계를 정확(exact), 비선형, 또는 진화적 솔버로 라우팅하고, 분포적 파레토 인계(distributional Pareto hand-off)를 통해 단계를 결합하며, 가정 강건 파레토 프론티어(Assumption-Robust Pareto Frontiers, ARPF)를 도입한다. ARPF는 구조적 엡실론 오염을 포함한 가정을 재샘플링하여 각 행동이 살아남는 빈도(ρ)를 평가한다. 우리는 ρ를 의사결정 후회의 정확한 인수(factor)로 만드는 경계를 증명하고, 감사 가능한 추적성을 추가하며, 데이터 기반이 존재하지 않을 때 벤치마크 충실 데이터 기반(SRJANA)을 합성한다. 우리는 세 가지 방식으로 검증한다: 통제된 잘못된 명세(misspecification) 하에서 강건한 타협안은 단순 점 계획 대비 평균 및 꼬리 후회를 90% 이상 감소시킨다; 규제된 상업적 의사결정에서는 합법적 행동 공간 내에서 최적화하고 하방 손실을 유로로 가격화한다; 41,188건의 의사결정으로 이루어진 실제 공개 데이터셋에서 표본 외 백테스트는 기록된 현상 유지 대비 34%, 단순 점 규칙 대비 4% 우수한 성과를 보이면서 옵티마이저의 저주를 완화한다. 솔버는 표준 방식이며, 벤치마크 SOTA 달성을 주장하지 않는다. 직접 비교 실험에서, 올바른 수치와 단일 목적 최적화가 주어진 대규모 언어 모델(LLM)은 모두 YUKTI 대비 약 47배의 보류 후회(held-out regret)를 발생시킨다 — LLM은 공식화기이지 솔버가 아니다. 장거리 인과 결합 하에서 전방 인계(forward hand-off)는 불건전해지며, 이는 역귀납(backward-induction) 인과 정책이 필요한 지점을 특정한다.

arXiv:2607.08791v1cs.NE공통 태그 Evolutionary Algorithms, Bayesian Optimization

다목적 베이지안 최적화 알고리즘의 LLM 기반 진화적 생성

LLM-Driven Evolutionary Generation of Multi-Objective Bayesian Optimization Algorithms

효과적인 다목적 베이지안 최적화(MOBO) 알고리즘을 설계하려면 문제에 따라 최적 구성이 달라지는 수많은 상호의존적 설계 선택들을 균형 있게 다루어야 하며, 일반적으로 깊은 전문 지식을 요구한다. 본 연구는 LLaMEA 프레임워크를 MOBO로 확장하여, 대규모 언어 모델(LLM)을 진화 전략 내의 변이 및 교차 연산자로 활용함으로써 완전한 알고리즘 구현을 생성하고, SMAC 하이퍼파라미터 최적화를 진화 루프에 통합한다. 총 9회의 진화 실행에 걸쳐 약 900개의 알고리즘을 생성하였으며, 12개의 합성 문제(ZDT, DTLZ, WFG)와 3개의 실세계 공학 문제(RE)에서 벤치마크를 수행하였고, BoFire의 qParEGO 구현을 최신 베이지안 최적화 기준선으로 사용하였다. 합성 문제 세트에서 가장 우수한 생성 알고리즘은 최고 평균 정규화 하이퍼볼륨(0.971, qParEGO의 0.869 대비)을 달성하면서 벽시계 시간을 약 60배 단축하였다. 사후 분석을 포함한 Friedman 검정 결과 두 알고리즘은 동일한 최상위 그룹에 속하였으며, 문제별 검정에서 생성 알고리즘은 12개 문제 중 7개에서 qParEGO보다 유의하게 우수하였고 열등한 경우는 없었다. 즉, 최신 수준의 정확도를 한 자릿수 낮은 비용으로 달성하였다. 학습에 사용되지 않은 3개의 실세계 공학 문제에서도 생성 알고리즘은 최고 평균 정규화 하이퍼볼륨(0.985, qParEGO의 0.971 대비)을 달성하였으며—세 문제 중 두 문제에서 qParEGO보다 유의하게 우수—벽시계 비용은 약 3.4배 낮아, 합성 환경을 넘어 성능 향상이 전이됨을 확인하였다. 따라서 LLM 기반 진화적 탐색은 수동 설계로는 달성하기 어려운 파레토 효율적 트레이드오프를 실현하는 알고리즘 설계를 발견할 수 있다.

arXiv:2607.07854v1cs.NE공통 태그 Evolutionary Algorithms, Bayesian Optimization

탐색적 경관 분석 맥락에서 제한된 데이터 조건의 무작위 부분공간 샘플링

Sampling on Random Subspaces under Limited Data in the Context of Exploratory Landscape Analysis

고전적인 공간 충전 설계(space-filling design)는 고차원 문제나 기타 자원 제약 환경에서 흔히 나타나는 평가 예산이 제한된 경우, 탐색적 경관 분석(ELA)에 대한 신뢰할 수 있는 통계적 결과를 제공하지 못하는 경우가 많으며, 이로 인해 잡음이 많고 불안정한 경관 기술자(landscape descriptor)가 생성된다. 이 문제를 해결하기 위해, 우리는 무작위 선형 임베딩(random linear embedding)에 기반한 ELA의 대안적 샘플링 전략을 제안한다. 전체 결정 공간에서 균일하게 샘플링하는 대신, 무작위로 방향이 설정된 저차원 부분공간에 예산을 할당하고, 이것이 결과적인 경관 기술자의 강건성(robustness)을 향상시키는지 조사한다. 우리는 20차원 설정에서 COmparing Continuous Optimizers(COCO) 환경의 노이즈 없는 블랙박스 최적화 벤치마킹(BBOB) 테스트 스위트에 대해 여러 고전적인 ELA 특징 집합에 걸쳐 전체 공간 샘플링 전략과 임베딩 기반 샘플링 전략을 비교한다. 우리의 결과는 무작위 선형 임베딩이 예산 제약 ELA에 대한 유망한 대안을 구성함을 시사하나, 그 효과는 특징 클래스와 기반 문제에 따라 달라진다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.