MacroAgent：使用 LLM-Agent 设计的轮廓算法进行规律性宏观合法化

arXiv:2608.24946v1 发布类型：新 摘要：宏构成了现代超大规模集成 (VLSI) 设计核心领域的很大一部分。此外，宏观立场对最终结果质量（QoR）有重大影响，而宏观合法化通常是确定宏观立场的最后一步。然而，与宏合法化相关的现有方法要么缺乏鲁棒性，要么产生大量的计算成本，或者忽视宏之间的规律性。为了解决这些限制，我们引入了 MacroAgent。该新颖的框架采用四阶段方法：聚类、轮廓生成、模板匹配和聚类间细化。我们建议利用大型语言模型（LLM）来发现多种有效的启发式规则感知轮廓算法。该框架成功地为宏观合法化生成了稳健且有效的算法解决方案。与最先进的宏观合法化工作相比，TILOS 和 Chipyard 基准测试的实验结果表明，布局规律性提高了 2 至 8 倍，布线长度减少了 3% 至 5%，并且全局布线后的拥塞程度相当，并且鲁棒性显着提高，运行时间可接受。此外，通过 Cadence Innovus 布局布线进行的端到端评估证实，规律性的改进转化为切实的 PPA 收益，包括与 DREAMPlace 宏合法化基线相比，布线长度降低了 2.9%，TNS 提高了 68.3%；当集成到 Innovus 宏布局流程中时，它还可以将布线长度缩短 1.8%。