芯片布局规律性狂飙8倍！LLM新算法让布线线长直降5%
MacroAgent: Regularity-Aware Macro Legalization with LLM-Agent-Designed Contour Algorithms
📖 AI 总结
该论文提出了一种名为MacroAgent的新型宏单元合法化框架，旨在解决现代超大规模集成电路设计中宏单元布局的规律性、鲁棒性和计算成本问题。该框架采用四阶段流程：聚类、轮廓生成、模板匹配和簇间优化，并创新性地利用大语言模型自动发现多种有效的规律性感知轮廓算法。实验结果显示，与现有最先进方法相比，MacroAgent在TILOS和Chipyard基准测试上将布局规律性提升了2至8倍，布线后线长缩短3%至5%，同时保持了可接受的运行时间和更强的鲁棒性。端到端评估进一步证实，通过Cadence Innovus布局布线流程，该方法相比DREAMPlace基线实现了2.9%的线长降低和68.3%的TNS改善，并在集成到Innovus宏布局流程时也取得了1.8%的线长优化，表明规律性提升能有效转化为实际的功耗、性能和面积收益。
🔑 关键词速览
| MacroAgent | 本文提出的宏单元合法化框架，利用大语言模型设计轮廓算法。 |
| Macro legalization | 宏单元合法化，即调整宏单元位置以满足设计约束并优化布局质量的过程。 |
| Large Language Models (LLMs) | 大型语言模型，如GPT系列，用于生成启发式算法。 |
| Regularity-aware | 考虑规律性的，指在布局中保持宏单元排列的规则性。 |
| PPA | 功耗、性能和面积的缩写，衡量芯片设计质量的关键指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅