Bridging the Last Mile of Circuit Design: PostEDA-Bench, a Hierarchical Benchmark for PPA Convergence and DRC Fixing

Stellen Sie sich vor, Sie bauen eine massive, unglaublich komplexe Stadt aus winzigen, mikroskopischen Lego-Steinen. Diese Stadt ist ein Computerchip. Sie haben ein Team von Expertenarchitekten (die Ingenieure) und eine Reihe sehr strenger Bauvorschriften (die Design-Regeln).

Seit langem helfen Computer den Architekten beim Entwerfen der Stadt. Doch wenn das Design fertig ist, gibt es oft ein Problem der „letzten Meile": Der Computer hat möglicherweise ein paar winzige Risse in den Wänden übersehen, oder die Stadt ist etwas zu groß, zu langsam oder verbraucht zu viel Strom. Die Behebung dieser letzten, hartnäckigen Probleme erfordert in der Regel, dass ein menschlicher Experte die Baupläne studiert, genau herausfindet, wo das Problem liegt, und eine winzige, präzise Anpassung vornimmt.

Diese Arbeit stellt eine neue Methode vor, um zu testen, ob KI-Agenten (intelligente Computerprogramme, die von Large Language Models angetrieben werden) diesen „letzten Meilen"-Job übernehmen können. Die Autoren nennen ihren Test POSTEDA-BENCH.

Hier ist eine einfache Aufschlüsselung dessen, was sie taten und was sie fanden, unter Verwendung alltäglicher Analogien:

1. Die zwei großen Probleme: „Die Code-Polizei" und „Das Budget"

Der Benchmark testet die KI bei zwei unterschiedlichen Herausforderungen:

• DRC (Design Rule Check) – Die Code-Polizei:
  Stellen Sie sich einen strengen Bauinspektor vor, der durch Ihre Stadt geht und Verstöße aufdeckt: „Diese Gasse ist zu schmal" oder „Diese beiden Gebäude stehen zu nah beieinander."

  • Der einfache Teil: Manchmal ist der Verstoß offensichtlich, wie eine Wand, die eindeutig zu dünn ist. Die KI ist darin gut.
  • Der schwierige Teil: Manchmal ist der Verstoß in einer unordentlichen Nachbarschaft versteckt, oder die Behebung eines Problems zerstört versehentlich die Wand eines Nachbarn. Dies erfordert „geometrisches Schlussfolgern" – die Visualisierung, wie Formen im 3D-Raum zusammenpassen. Die Arbeit ergab, dass die KI hier Schwierigkeiten hat und sich oft in der Komplexität verirrt.

• PPA (Leistung, Leistungsfähigkeit, Fläche) – Das Budget:
  Stellen Sie sich vor, Sie müssen die Stadt neu gestalten, um sie gleichzeitig schneller zu machen, weniger Energie zu verbrauchen und weniger Land zu beanspruchen.

  • Der einfache Teil: Wenn Sie die Stadt nur schneller machen müssen, findet die KI normalerweise einen Regler, den sie drehen kann, um sie zu beschleunigen.
  • Der schwierige Teil: Wenn Sie sie schneller und kleiner und energieeffizienter machen müssen, ist es ein Balanceakt. Schneller zu machen, könnte bedeuten, dass sie mehr Energie verbraucht. Die KI wird oft gierig, korrigiert eine Sache, bricht aber eine andere, und scheitert daran, den perfekten „Sweet Spot" zu finden, an dem alles zusammenarbeitet.

2. Der neue Test: POSTEDA-BENCH

Vor dieser Arbeit waren Tests für KI im Chip-Design wie das Fahren mit einem Auto auf einer leeren, geraden Autobahn. Sie testeten nicht, ob die KI mit einer überfüllten Stadt Kreuzung oder einem plötzlichen Regensturm zurechtkommt.

Die Autoren bauten POSTEDA-BENCH, was wie ein Fahrschultest mit 145 verschiedenen Szenarien ist:

• Synthetische Szenarien: Saubere, erfundene Probleme (wie eine gerade Autobahn).
• Realwelt-Szenarien: Unordentliche, übrig gebliebene Probleme aus tatsächlichen Chip-Designs (wie eine überfüllte Kreuzung mit Schlaglöchern).
• Die Werkzeuge: Sie verwendeten sowohl Open-Source-Tools (wie eine kostenlose, von der Gemeinschaft erstellte Karte) als auch kommerzielle Tools (wie ein High-End, kostenpflichtiges GPS), um sicherzustellen, dass der Test realistisch ist.

3. Was die KI richtig (und falsch) machte

Die Forscher testeten 8 verschiedene KI-Modelle (einige von großen Technologieunternehmen, einige Open-Source) unter Verwendung verschiedener „Strategien" (wie ihnen eine Checkliste zu geben versus sie laut denken zu lassen).

• Die gute Nachricht: Die KI ist überraschend gut bei einfachen, isolierten Aufgaben. Wenn Sie auf einen spezifischen Regelverstoß zeigen und sagen „Korrigiere das", kann sie dies oft tun. Sie ist auch gut darin, nur eine Sache zu optimieren (wie den Chip schneller zu machen).
• Die schlechte Nachricht: Die KI zerfällt, wenn es chaotisch wird.
  • Visuelles Schlussfolgern: Wenn die KI ein Bild des Chip-Layouts betrachten musste, um zu verstehen, warum eine Regel gebrochen wurde, schnitt sie viel besser ab. Es ist, als würde man der KI eine Brille geben; ohne sie rät sie im Dunkeln.
  • Die Trade-off-Falle: Wenn sie gebeten wurde, mehrere Ziele auszubalancieren (Geschwindigkeit vs. Leistung vs. Größe), scheiterte die KI oft. Statt ein Gleichgewicht zu finden, korrigierte sie die Geschwindigkeit, ließ aber den Energieverbrauch explodieren. Ihr fehlt der „gesunde Menschenverstand", zu wissen, wann man aufhört, einen Knopf zu drücken, weil dies einen anderen zerstört.

4. Der „Vision"-Boost

Eine der interessantesten Erkenntnisse ist, dass die Fähigkeit der KI, das Chip-Layout zu sehen (wie das Betrachten einer Karte), ihr erheblich half.

• Analogie: Stellen Sie sich vor, Sie versuchen, ein Leck in einer Rohrleitung zu reparieren, indem Sie nur eine Textbeschreibung des Standorts der Rohrleitung lesen. Das ist schwer. Aber wenn Sie das Rohr und das Leck sehen können, ist es viel einfacher. Die KI schnitt viel besser ab, wenn sie die Layout-Bilder neben den Textanweisungen „sehen" konnte.

5. Das Fazit

Die Arbeit kommt zu dem Schluss, dass die KI zwar gut darin wird, Anweisungen zu befolgen und einfache Fehler zu beheben, aber noch nicht bereit ist, der „Chefingenieur" für die letzte, schwierigste Phase des Chip-Designs zu sein.

• Sie kann die „einfachen" Reparaturen bewältigen.
• Sie hat Schwierigkeiten mit den „chaotischen" Realwelt-Problemen, die das Visualisieren komplexer Formen erfordern.
• Sie hat Schwierigkeiten mit dem „Jonglieren" beim Ausbalancieren mehrerer konkurrierender Ziele.

Die Autoren bauten diese Testbank nicht, um zu sagen „KI ist nutzlos", sondern um genau zu zeigen, wo sie versagt, damit Forscher bessere KI entwickeln können, die schließlich die volle Komplexität des Designs der nächsten Generation von Computerchips bewältigen kann.