Проектирование топологии микросхем (floorplanning) долго оставалось «узким местом», где автоматика пасовала перед опытом ветеранов индустрии. Коммерческие инструменты часто выдают сырые макеты, которые инженерам приходится допиливать вручную. Исследователи Эндрю Б. Канг, Саяк Кунду и Бодхисатта Праманик решили эту проблему, представив Macro Placement Agentic Engine (MAGE) — систему мультимодальных агентов, которые имитируют логику человека, а не просто копируют паттерны из обучающих выборок.
Вместо того чтобы скармливать нейросетям гигабайты размеченных данных, MAGE полагается на кодирование экспертных знаний.
Шестифазный рабочий процесс использует текстовые директивы и правила проектирования. Агенты анализируют структуру чипа, группируют макросы и проводят визуальный аудит, опираясь на логические выводы. Это избавляет систему от типичной для ИИ проблемы «черного ящика»: каждый шаг агента интерпретируем и поддается проверке.
Главное в архитектуре MAGE
Текстовые директивы: использование естественного языка для передачи инженерных правил. Турнирная оценка: выбор лучшего варианта размещения через систему соревнований между агентами. Человекоподобные метрики: учет зазоров, свободного пространства и выравнивания компонентов. Мультимодальность: совмещение анализа графических схем и логических спецификаций.
Особый интерес вызывает турнирная система оценки. Вместо стандартных метрик PPA (мощность, производительность, площадь), которые часто упускают из виду структурную целостность, MAGE вводит четыре «человекоподобных» критерия: оценку зазоров (notch), свободного пространства (whitespace), карманов (pocket) и выравнивания. На тестах с использованием техпроцессов NanGate45 и GlobalFoundries 12nm система показала впечатляющий рост качества: показатели критического пути (WNS) улучшились на 11–19%, а суммарная задержка (TNS) сократилась на 70–74% по сравнению с коммерческими решениями.
В некоторых сценариях MAGE и вовсе превзошел живых экспертов, улучшив WNS на 18,3% при сохранении оптимальной длины соединений и энергопотребления. Для техлидов это важный сигнал: эра бесконечного обучения моделей на новых данных уступает место архитектурам, способным применять накопленные знания к новым задачам без переподготовки. Кажется, ручная коррекция макросов старшими дизайнерами скоро станет таким же анахронизмом, как черчение схем на кульмане.