PrefixAgent: An LLM-Powered Design Framework for Efficient Prefix Adder Optimization

Resumen Técnico: PrefixAgent

Planteamiento del Problema
Los sumadores de prefijos son circuitos aritméticos fundamentales en los sistemas digitales; sin embargo, su espacio de diseño crece exponencialmente con el ancho de bits, lo que hace que la exploración exhaustiva sea impracticable. Las metodologías de diseño tradicionales dependen de estructuras regulares (por ejemplo, Kogge–Stone, Brent–Kung) o de la optimización manual, las cuales a menudo no logran equilibrar el área, el retardo y la potencia bajo diversas restricciones de tiempo y tiempos de llegada de entrada no uniformes. Aunque se han propuesto enfoques de aprendizaje automático (RL, VAE, MCTS) para automatizar este proceso, estos sufren de una pobre generalización, problemas de escalabilidad debido a los extensos requisitos de reentrenamiento para nuevos escenarios e ineficiencia al explorar grandes espacios de acción. Además, las aplicaciones actuales de Modelos de Lenguaje de Gran Escala (LLM) en el diseño de circuitos enfrentan dos limitaciones críticas: (1) la incapacidad de razonar eficientemente sobre grafos complejos con más de 20 nodos, y (2) la falta de datos de entrenamiento de alta calidad e interpretables para el ajuste fino de modelos en tareas de optimización específicas.

Metodología
El artículo propone PrefixAgent, un marco de diseño impulsado por LLM que aborda estos desafíos a través de un paradigma de descomposición en dos fases y razonamiento integrado con herramientas (TIR).

1. Descomposición en Dos Fases:

   • Fase I (Optimización del Backbone): En lugar de generar directamente un grafo de prefijo completo, el marco descompone el problema en "síntesis del backbone" y "refinamiento de la estructura local". El backbone se define como el subgrafo que computa el acarreo para el bit más significativo (MSB). Esto reduce el espacio de diseño de un producto de números de Catalan a un único número de Catalan, simplificando significativamente la complejidad. El LLM refina iterativamente una estructura inicial de backbone serial realizando operaciones de "regrupación" (regroup) (reorganizando subárboles) para optimizar el patrón de agrupación.
   • Fase II (Refinamiento de la Estructura Local): Una vez establecido un backbone optimizado, se construye un sumador de prefijo completo mediante la adición de nodos auxiliares. El LLM realiza entonces refinamientos estructurales locales (por ejemplo, optimización de niveles, reducción de fanout, clonación de nodos) guiados por la retroalimentación de herramientas de implementación física para resolver violaciones de tiempo.

2. Razonamiento Integrado con Herramientas (TIR):
   PrefixAgent emplea la llamada a funciones para permitir que el Modelo de Razonamiento Grande (LRM) delegue modificaciones estructurales precisas a herramientas externas. El LLM se centra en la toma de decisiones de alto nivel (identificar qué optimizar y dónde), mientras que las herramientas externas ejecutan las modificaciones y proporcionan retroalimentación (por ejemplo, expresiones S anotadas con tiempos, métricas físicas). Esto cierra la brecha entre el razonamiento de alto nivel y la precisión algorítmica.

3. Generación de Datos Basada en E-Graphs:
   Para abordar la escasez de datos de entrenamiento de alta calidad, los autores utilizan e-graphs y saturación de igualdad. Definen un lenguaje intermedio de dominio específico (BackboneLang) para representar las estructuras del backbone como expresiones S. Al aplicar reglas de reescritura de asociatividad dentro de una e-graph, exploran sistemáticamente el espacio de soluciones. El marco extrae candidatos de backbone optimizados utilizando una función de costo sensible al tiempo y utiliza el explicador de la e-graph para generar trayectorias de reescritura interpretables. Estas trayectorias sirven como la verdad fundamental (ground truth) para sintetizar datos de razonamiento de Cadena de Pensamiento (CoT), los cuales se utilizan para el ajuste fino del LRM.

Contribuciones Clave

• Marco PrefixAgent: El primer enfoque basado en LLM capaz de escalar la optimización de sumadores de prefijo a diseños de 64 bits, superando a las herramientas comerciales.
• Nueva Perspectiva de Diseño: Una estrategia de descomposición que separa la generación del backbone del refinamiento local, permitiendo un razonamiento eficiente y una síntesis de sumador sin deficiencias.
• Paradigma de Generación de Datos: Un método sistemático que utiliza e-graphs para generar trayectorias de optimización a gran escala, de alta calidad e interpretables para el ajuste fino de LRMs, superando la escasez de datos en el diseño de circuitos.
• Razonamiento Integrado con Herramientas: Una arquitectura donde el LLM actúa como un controlador que invoca herramientas externas para la ejecución, asegurando la validez estructural y la viabilidad física.

Resultados Experimentales
Los experimentos se realizaron utilizando el modelo QwQ-32B ajustado con el conjunto de datos generado, evaluado bajo perfiles de tiempo de llegada de entrada uniformes y no uniformes utilizando la librería NanGate45 y el flujo OpenROAD.

• Rendimiento: PrefixAgent sintetiza sumadores de prefijo con áreas más pequeñas que los métodos de referencia (incluyendo DP, MCTS, RL, VAE y PrefixGPT) en casi todas las configuraciones. La ventaja de área se amplía significamente en anchos de bits mayores (por ejemplo, hasta una reducción del 11.3% a 64 bits en comparación con el mejor método de referencia).
• Generalización: El marco demuestra una fuerte generalización, logrando resultados superiores en anchos de bits no vistos (por ejemplo, 54 bits) y perfiles de llegada no uniformes que no estaban presentes en el conjunto de entrenamiento.
• Eficiencia: PrefixAgent logra una aceleración de más de 10× en comparación con los métodos de búsqueda (MCTS, RL, VAE) porque evita el reentrenamiento para cada nuevo escenario y realiza optimizaciones dirigidas guiadas por el LRM.
• Flujo Comercial: Cuando se evaluó bajo un flujo de diseño físico comercial (tecnología de 32nm), los sumadores generados por PrefixAgent mantuvieron áreas más pequeñas en comparación con las herramientas de síntesis comerciales.
• Estudios de Ablación: Los resultados confirman la necesidad del refinamiento de la Fase II, la superioridad de la Representación de Prefijo Mejorada (EPR) sobre las codificaciones de rejilla/lista de adyacencia para el razonamiento del LLM, y el papel crítico del razonamiento CoT para lograr resultados de alta calidad.

Significancia
El artículo afirma que PrefixAgent representa un paso significativo hacia la automatización del diseño de circuitos aritméticos. Al descomponer la compleja tarea de diseño en subproblemas manejables y aprovechar las e-graphs para la generación de datos de alta calidad, supera las limitaciones de escalabilidad y generalización de los métodos previos basados en ML. El marco demuestra que los LLM, cuando son debidamente guiados por la integración de herramientas y ajustados mediante trayectorias de razonamiento interpretables, pueden navegar eficazmente espacios de diseño complejos para superar tanto a las heurísticas tradicionales como a las herramientas EDA comerciales, particularmente para diseños a gran escala. Los autores sugieren que este paradigma de generación de datos y la estrategia de descomposición pueden extenderse a otras tareas de optimización de datapath, como la optimización de multiplicadores.