Technisches Resümee: MAGE: Menschähnliche Makro-Platzierung durch agentische multimodale Argumentation

1. Problemstellung

Die Makro-Platzierung bleibt ein kritischer Engpass im VLSI-Physical-Design, der oft eine erhebliche manuelle Verfeinerung durch Experten erforderlich macht, um hochwertige Ergebnisse zu erzielen. Während bestehende automatisierte Methoden (klassische Optimierung, analytische Placer und lernbasierte Ansätze) legale Platzierungen mit wettbewerbsfähigen PPA-Metriken (Power, Performance, Area) erzeugen können, scheitern sie häufig daran, die höhere räumliche Regularität, funktionale Kohärenz und strukturelle Organisation zu reproduzieren, die für Experten-Designs charakteristisch sind. Infolgedessen fehlt es automatisierten Platzierungen oft an den „menschlichen“ Qualitäten – wie etwa kohärenter Makro-Gruppierung, Randausrichtung und nutzbarem Weißraum –, die nachgeschaltete Optimierung, Routing und Timing-Closure erleichtern.

2. Methodik: Das MAGE-Framework

Die Autoren schlagen MAGE (Macro Placement Agentic Engine) vor, ein multimodales Multi-Agenten-Framework, das darauf ausgelegt ist, menschähnliche Makro-Platzierungen zu generieren, ohne auf gelabelte Platzierungsdaten oder designspezifisches Training zurückzugreifen. Stattdessen kodiert MAGE das Wissen von Experten über das Floorplanning durch strukturierte natürliche Sprachdirektiven, visuelle Prüfungen und iterative Verfeinerungskriterien.

Kernarchitektur

MAGE arbeitet durch einen sechsstufigen Workflow, der von zehn spezialisierten Agenten orchestriert wird:

1. Datenparsing & Wissensextraktion: Extrahiert Geometrie, Hierarchie und Konnektivität und fragt einen Wissenskörper nach bisherigen Platzierungsmustern und bekannten Problemen ab.
2. Hierarchie-bewusste Gruppierung: Organisiert Makros in Gruppen basierend auf hierarchischen Präfixen und identifiziert Familien strukturell ähnlicher Gruppen, um gemeinsame Referenzplatzierungen zu nutzen.
3. Gruppenplatzierung: Weist Makro-Gruppen iterativ Bounding Boxes zu, unter Verwendung von Konnektivitäts- und IO-bewusster Platzierung, geleitet durch visuelle Flyline-Diagramme, um eine starke Konnektivität und IO-Zugänglichkeit zu gewährleisten.
4. Machbarkeitsprüfung: Verifiziert, dass Gruppen physisch in ihre zugewiesenen Bounding Boxes passen, wobei große Gruppen bei Bedarf rekursiv partitioniert werden.
5. Makro-Platzierung: Generiert eine Referenzplatzierung für eine repräsentative Gruppe in jeder Familie unter Einhaltung von sechs räumlichen Prinzipien (Randplatzierung, Makro-Stapelung, Pin-bewusste Orientierung, IO-Keepouts, Minimierung von Taschenbildung und Whitespace-Qualität). Diese Referenz wird dann transformiert und über die gesamte Familie hinweg zusammengeführt.
6. Unabhängige Validierung: Ein zustandsloser Auditor führt eine visuelle und regelbasierte „Zweitpass“-Prüfung durch, um Probleme zu erfassen, die in der Generierungsschleife übersehen wurden, wie etwa blockierte Pin-Zugänge oder fragmentierten Weißraum.

Multimodale Argumentation und visuelles Feedback

Ein herausragendes Merkenteil von MAGE sind die obligatorischen Visualisierungsgates. In Schlüsselphasen rendert das Framework Platzierungsdiagramme (z. B. Flylines, Whitespace-Heatmaps, Boundary-Coverage-Maps), die von Vision-Language-Modellen (VLMs) inspiziert werden. Die Agenten extrahieren rein visuelle Fakten (z. B. „Pin-Kanten zeigen in benachbarte Makros“) und generieren umsetzbare Verbesserungsvorschläge. Dies stellt sicher, dass räumliche Eigenschaften, die nicht leicht durch numerische Metriken erfasst werden können, explizit evaluiert werden.

Turnier-basierte Verfeinerung

MAGE unterstützt einen „Go-With-The-Winners“ (GWTW)-Turniermodus. Mehrere Kandidaten-Platzierungen werden parallel generiert, unter Verwendung der frühen globalen Routing-Drahtlänge (eGR) als Proxy für PPA evaluiert und gerankt. Die Top-Performer werden analysiert, um Diskrepanzen zu identifizieren, die zur Drahtlänge beitragen, und deren Erkenntnisse werden genutzt, um die Anleitung für nachfolgende Runden zu verfeinern. Dieser evolutionäre Prozess ermöglicht es dem Framework, mehrere Trajektorien zu explorieren, anstatt nur einem einzigen Optimierungspfad zu folgen.

3. Zentrale Beiträge

• Agentisches Framework für menschähnliche Platzierung: MAGE ist das erste agentische Makro-Platzierungs-Framework, das explizit darauf ausgelegt ist, menschähnliche Lösungen zu generieren, indem es die Aufgabe in eine strukturierte, mehrphasige Pipeline zerlegt, anstatt ein monolithisches Optimierungsproblem zu behandeln.
• Prinzipien und Metriken für Menschähnlichkeit: Die Autoren formalisieren sechs räumliche Prinzipien des Experten-Floorbuildings und führen vier quantitative Metriken ein, um „Menschähnlichkeit“ zu messen:
  • Notch Score: Misst die Unregelmäßigkeit (Jaggedness) in den Silhouetten der Makros.
  • Whitespace Score: Evaluiert die Rechteckigkeit und Kompaktheit des freien Raums.
  • Pocket Score: Bestraft kleine, unbrauchbare Freiraumregionen.
  • Alignment Score: Bewertet Randplatzierung, Kanten-Ausrichtung, Eck-Besetzung und Stapel-Korrektheit.
• Zweistufige Synthese: Das Framework trennt die strukturelle Organisation (Phase 1–5) von der Implementierung der Metrik-Optimierung (Turnier-Verfeinerung) und bewahrt so die strukturelle Integrität bei gleichzeitiger Verbesserung von Timing und Drahtlänge.
• Generalisierung: Der Ansatz demonstriert Zero-Shot-Transfer auf ungesehene Designs, rechtwinklige Floorplans und Szenarien mit hoher Auslastung ohne designspezifisches Retraining.

4. Experimentelle Ergebnisse

Das Framework wurde auf neun Designs über NanGate45 (NG45) und GlobalFoundries 12nm (GF12) Enablments evaluiert und mit einem menschlichen Experten, zwei kommerziellen Makro-Placern (Comm-1, Comm-2) sowie OpenROAD's Hier-RTLMP verglichen.

• PPA-Verbesserungen:
  • gegenüber menschlichem Experten: MAGE verbesserte den Worst Negative Slack (WNS) um 18,3 % und den Total Negative Slack (TNS) um 72,5 % bei NG45-Designs, bei vergleichbarer Drahtlänge und Leistung.
  • gegenüber kommerziellen Placern: MAGE erreichte geometrische Mittelwert-Verbesserungen von 11,1 %–19,3 % im WNS und 70,0 %–74,0 % im TNS gegenüber kommerziellen Baselines, allerdings mit einem Trade-off bei höherer gerouteter Drahtlänge (rWL) und Leistung.
  • gegenüber Hier-RTLMP: MAGE verbesserte den WNS um 47,0 % und den TNS um 80,4 %, während es gleichzeitig rWL und Leistung reduzierte.
• Menschähnlichkeit: MAGE übertraf alle Baselines beim Gesamtwert der Menschähnlichkeit ($S_{HM}$) um 6 %–48 %.
• Fallstudien:
  • Ungesehene Designs: Bei zwei GF12-Designs, die nicht im Training verwendet wurden, verbesserte MAGE den TNS um 27 %–40 % gegenüber kommerziellen Baselines.
  • Rechtwinklige Floorplans: MAGE verbesserte den WNS bei dichten rechtwinkligen Designs (>70 % Auslastung), bei denen kommerzielle Tools oft fragmentierte Platzierungen erzeugen.
  • Hohe Auslastung: Unter engen Flächenbeschränkungen (bis zu 80 % Auslastung) behielt MAGE durch die Bewahrung organisierter Routing-Kanäle eine bessere Timing-Konvergenz als kommerzielle Tools bei.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass die menschähnliche Makro-Organisation als nützlicher struktureller Prior für nachgeschaltetes Routing und Timing-Closure dient. Die Ergebnisse legen nahe, dass die durch MAGE erzwungenen spezifischen strukturellen Regularitäten (z. B. kontinuierlicher Weißraum, ausgerichtete Stapel) direkt zu besseren Timing-Ergebnissen (reduzierter Clock Skew und Congestion) beitragen, selbst wenn die Gesamtdrahtlänge höher ist.

Die Autoren betonen, dass MAGE eine Verschiebung darstellt: Weg von der Behandlung der Makro-Platzierung als rein numerisches Optimierungsproblem, hin zu einem strukturierten Designprozess, der durch Expertenprinzipien geleitet wird. Durch die Kodierung dieser Prinzipien mittels multimodaler Argumentation und visuellem Feedback kann das Framework die organisatorische Logik menschlicher Experten replizieren, ohne dass ein teures Training auf gelabelten Daten erforderlich ist. Die Arbeit zeigt, dass agentische, multimodale Systeme effektiv komplexe physikalische Design-Urteilskraft erfassen und anwenden können, was potenziell die manuelle Verfeinerungszeit reduziert, die derzeit die industriellen Abläufe dominiert.