要旨: テクノロジーマッピングは論理合成において重要かつ困難な段階である。大規模言語モデル（LLM）は最適化スクリプトの生成に適用されてきたが、コアとなるアルゴリズムの強化に対する可能性は未開拓である。我々は、LLMを用いてテクノロジーマッピングのコードを直接進化させることを先駆けるオープンソースの枠組みMappingEvolveを提案する。我々の手法はマッピング処理を異なる最適化オペレータとして抽象化し、進化的探索を導く階層的なエージェントベースのアーキテクチャ（Planner, Evolver, Evaluator）を用いる。このように構造化されたアプローチにより、戦略的かつ効果的なコード修正が可能となる。実験の結果、本手法は直接的な進化および強力なベースラインを大幅に上回り、ABCに対して10.04\%の面積削減、mockturtleに対して7.93\%の面積削減を達成した。さらに、EPFLベンチマークでS_{overall}が46.6\%--96.0\%改善し、面積--遅延のトレードオフを明示的に取り扱っている。我々のコードとデータはhttps://github.com/Flians/MappingEvolveで公開している。
MappingEvolve：技術マッピングのためのLLM駆動コード進化
arXiv cs.AI / 2026/4/30
📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research
要点
- 本論文では、ロジック合成における技術マッピングの「最適化スクリプト生成」だけでなく、コアとなる技術マッピングコード自体をLLMで進化（evolve）させるオープンソースのフレームワークMappingEvolveを提案しています。
- MappingEvolveは、マッピング処理を複数の最適化オペレータに分解し、階層型のエージェント構成（Planner, Evolver, Evaluator）でコード変更を導く進化的探索を行います。
- EPFLベンチマークでの実験では大きな改善が示され、ABCに対して面積を10.04%削減、mockturtleに対しては7.93%削減を達成しています。
- 面積—遅延（area–delay）のトレードオフを明示的に扱いながら、S_overallで46.6%〜96.0%の全体スコア改善を報告しています。
- フレームワークのコードとデータはGitHubで公開されており、再現や発展に利用できます。
