Chuyện gì đã xảy ra
Các nhà nghiên cứu đã giới thiệu MacroAgent, một khung để sắp xếp cuối cùng các thành phần mạch lớn hoặc macro trong các thiết kế tích hợp quy mô rất lớn. Hệ thống sử dụng LLM để khám phá nhiều thuật toán heuristic nhận biết đều đặn trong quy trình bốn giai đoạn bao gồm phân cụm, tạo đường viền, khớp mẫu và sàng lọc giữa các cụm.
Trang arXiv xác định một bài báo có tiêu đề “MacroAgent: Hợp pháp hóa macro nhận thức chính quy với các thuật toán đường viền do tác nhân thiết kế LLM,” được gửi vào ngày 24 tháng 8 năm 2026. Bài báo đề cập đến việc hợp pháp hóa vĩ mô mà các tác giả mô tả là một bước ở giai đoạn cuối trong việc xác định vị trí của các thành phần mạch lớn trong các thiết kế tích hợp quy mô rất lớn hiện đại. Nguồn tin cho biết các vị trí vĩ mô có ảnh hưởng đáng kể đến chất lượng cuối cùng của kết quả, hay QoR, đồng thời lập luận rằng các phương pháp tiếp cận hiện tại có thể thiếu tính mạnh mẽ, yêu cầu tính toán đáng kể hoặc bỏ qua tính đều đặn giữa các macro. Trong khuôn khổ này, việc hợp pháp hóa gắn chặt với kết quả sắp xếp cuối cùng, chứ không phải là một bài tập sắp xếp riêng biệt.
MacroAgent được mô tả là một khuôn khổ gồm bốn giai đoạn. Đầu tiên, nó phân cụm các macro, sau đó tạo đường viền, áp dụng khớp mẫu và thực hiện sàng lọc giữa các cụm. Thành phần AI đặc biệt là việc sử dụng các mô hình ngôn ngữ lớn để khám phá nhiều thuật toán đường viền heuristic có tính quy luật. Nguồn mô tả các thuật toán kết quả là mạnh mẽ và hiệu quả, nhưng nó không xác định mô hình ngôn ngữ, nhà cung cấp nó, lời nhắc được sử dụng, quy trình tìm kiếm hoặc liệu các thuật toán do mô hình tạo ra có được phát hành để người khác kiểm tra hoặc tái tạo hay không. Do đó, các giai đoạn cung cấp cấu trúc tổng thể của phương pháp, trong khi mô tả có sẵn không xác định quá trình khám phá thuật toán.
Các tác giả báo cáo kết quả dựa trên công việc hợp pháp hóa vĩ mô tiên tiến nhất trên các tiêu chuẩn TILOS và Chipyard. Bản tóm tắt của họ tuyên bố cải thiện từ hai đến tám lần về tính đều đặn của bố cục, giảm 3% đến 5% độ dài dây định tuyến sau khi định tuyến toàn cầu, tắc nghẽn tương đương và độ bền tốt hơn đáng kể với thời gian chạy chấp nhận được. Trong đánh giá toàn diện bằng cách sử dụng địa điểm và tuyến đường của Cadence Innovus, bài báo báo cáo độ dài dây định tuyến thấp hơn 2,9% và cải thiện 68,3% chỉ số TNS được báo cáo so với đường cơ sở hợp pháp hóa vĩ mô của DREAMPlace. Nó cũng báo cáo độ dài dây được định tuyến thấp hơn 1,8% khi MacroAgent được tích hợp vào luồng vị trí macro của Innovus. Đây là những kết quả định lượng được trình bày trong bản dự thảo và chúng mô tả cả kết quả ở cấp độ chuẩn và đánh giá toàn diện riêng biệt.
Tại sao nó quan trọng
Bài viết trình bày AI như một cách để tạo ra các thuật toán kỹ thuật chuyên biệt thay vì chỉ tạo ra văn bản hoặc dự đoán. Nếu kết quả được báo cáo vượt xa các tiêu chuẩn đã được kiểm tra thì phương pháp này có thể giúp các nhà thiết kế chip cải thiện bố cục vật lý đồng thời kiểm soát chi phí định tuyến và tắc nghẽn.
Ý nghĩa thực tiễn là LLM đang được sử dụng để tìm kiếm các chiến lược thuật toán trong một bài toán kỹ thuật chuyên ngành. Bài viết không trình bày mô hình này như là công cụ bố trí cuối cùng tự đưa ra các quyết định không bị ràng buộc. Thay vào đó, nguồn mô tả một quy trình khám phá được hỗ trợ bởi LLM mà đầu ra của nó là một tập hợp các phương pháp phỏng đoán đường viền được sử dụng bên trong khung hợp pháp hóa có cấu trúc. Sự khác biệt đó rất quan trọng để hiểu AI tham gia vào quy trình làm việc ở đâu và các giai đoạn tối ưu hóa thông thường vẫn còn ở đâu. Nó cũng giữ cho đóng góp được báo cáo tập trung vào khám phá kinh nghiệm trong khuôn khổ.
Bố trí chip vật lý liên quan đến các mục tiêu cạnh tranh. Nguồn kết nối các vị trí vĩ mô với QoR cuối cùng và báo cáo các cải tiến về tính đều đặn và chiều dài dây được định tuyến trong khi mô tả tình trạng tắc nghẽn là có thể so sánh được. Nó cũng báo cáo những tiến bộ trong việc đánh giá địa điểm và tuyến đường từ đầu đến cuối, bao gồm chiều dài dây được định tuyến thấp hơn và kết quả TNS được cải thiện. Những tuyên bố này gợi ý mối liên hệ có thể có giữa tìm kiếm bằng thuật toán được AI hỗ trợ và kết quả bố cục xuôi dòng, mặc dù nguồn không cung cấp giá trị tuyệt đối, khoảng tin cậy hoặc sao chép độc lập. Do đó, tầm quan trọng phụ thuộc vào cách so sánh các kết quả được báo cáo giữa các thiết kế và điều kiện đánh giá.
Nếu được xác thực rộng rãi hơn, cách tiếp cận này có thể hữu ích cho các nhóm thiết kế chip dành nhiều nỗ lực để phát triển các phương pháp phỏng đoán theo miền cụ thể cho vị trí và định tuyến. Nó cũng minh họa một hướng nghiên cứu rộng hơn: sử dụng các mô hình ngôn ngữ để đề xuất các thuật toán thực thi nhằm tối ưu hóa kỹ thuật thay vì chỉ coi chúng như các giao diện. Tác động công chúng là gián tiếp nhưng có khả năng quan trọng vì những cải tiến trong thiết kế vật lý có thể ảnh hưởng đến hiệu quả và chất lượng của các con chip trong tương lai. Nguồn không chứng minh rằng MacroAgent đã được áp dụng thương mại, được sử dụng trong băng từ hoặc cải tiến một sản phẩm được triển khai. Giá trị có thể vẫn gắn liền với việc xác nhận ngoài kết quả in trước được báo cáo.
Cơ chế tương tác: Nó thực sự hoạt động như thế nào
Khám phá công nghệ cơ bản đằng sau sự phát triển này một cách tương tác.
crm_get_transaction(id='4092').An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
Xem gì tiếp theo
Các câu hỏi mở chính là cách các thuật toán do LLM tạo ra được sản xuất và lựa chọn, quy trình yêu cầu bao nhiêu tính toán và liệu kết quả có khái quát hóa cho các thiết kế chip và quy trình sản xuất bổ sung hay không. Nguồn không xác định LLM được sử dụng, không cung cấp giá trị điểm chuẩn tuyệt đối hoặc mô tả kết quả chip bịa đặt.
Câu hỏi xác minh quan trọng nhất là khả năng tái tạo. Nguồn cung cấp các cải tiến về tỷ lệ phần trăm tiêu đề nhưng không nêu rõ kích thước điểm chuẩn, phần cứng được sử dụng, các phép đo thời gian chạy chi tiết, biến thể thống kê hoặc hệ thống hiện đại chính xác có trong mọi so sánh. Nó cũng không cho biết liệu mức tăng được báo cáo có phụ thuộc vào các quy tắc thiết kế cụ thể có thể không xuất hiện trong các bố cục chip khác hay không. Những thiếu sót đó gây khó khăn cho việc đánh giá mức độ ổn định của kết quả được chuyển sang các cài đặt đánh giá khác.
Vai trò của LLM cần được xem xét kỹ hơn. Bản tóm tắt cho biết mô hình này phát hiện ra nhiều thuật toán đường viền nhận biết quy luật heuristic hiệu quả, nhưng nó không giải thích cách tạo, kiểm tra, lọc hoặc kết hợp các thuật toán ứng cử viên. Người ta cũng không biết liệu LLM chỉ cần thiết trong quá trình khám phá thuật toán ngoại tuyến hay vẫn là một phần của quy trình thiết kế vận hành. Những chi tiết đó sẽ xác định chi phí tính toán, khả năng tái tạo và tính phù hợp của phương pháp này cho việc sử dụng sản xuất. Họ cũng sẽ làm rõ phần nào của quy trình yêu cầu mô hình và phần nào có thể chạy như quy trình thiết kế thông thường.
Bằng chứng sâu hơn sẽ bao gồm đánh giá về các kiểu dáng công nghiệp và có sẵn công khai bổ sung, so sánh với các đường cơ sở mạnh hơn hoặc gần đây hơn và nhân rộng độc lập các kết quả của Innovus. Nguồn báo cáo sự cải thiện so với đường cơ sở DREAMPlace và một kết quả riêng biệt khi được tích hợp với Innovus, nhưng nó không mô tả một con chip được chế tạo, triển khai sản xuất hoặc đánh giá độc lập. Bài viết có sẵn dưới dạng bản in trước arXiv, vì vậy các phát hiện được báo cáo phải được coi là tuyên bố của các tác giả đang chờ xác nhận rộng rãi hơn. Việc xác nhận đó sẽ giúp xác định xem các cải tiến được báo cáo có thể lặp lại và áp dụng rộng rãi hay không.