🤖 AI

Automated QoR improvement in OpenROAD with coding agents

Este artículo presenta AuDoPEDA, un sistema de agentes de codificación autónomos basado en LLM que mejora automáticamente la calidad de resultados (QoR) en la herramienta OpenROAD, logrando reducciones significativas en el área, potencia y rendimiento mediante la generación de cambios de código con mínima intervención humana.

Autores originales: Amur Ghose, Junyeong Jang, Andrew B. Kahng, Jakang Lee

Publicado 2026-02-11

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Amur Ghose, Junyeong Jang, Andrew B. Kahng, Jakang Lee

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El "Ingeniero Robot" que aprende a diseñar chips

Imagina que quieres construir la ciudad más eficiente del mundo (esto es lo que hacen los ingenieros de chips, pero a una escala microscópica y ultra compleja). El problema es que las reglas para construir esta ciudad son tan difíciles y los planos son tan gigantescos que solo unos pocos "maestros arquitectos" (ingenieros expertos) pueden entenderlos. Si un arquitecto se cansa o no hay suficientes, la ciudad no se construye bien.

Este grupo de investigadores de la Universidad de California en San Diego ha creado a AuDoPEDA, que no es un robot que solo sigue órdenes, sino un "Aprendiz de Arquitecto Autónomo".

¿Cómo funciona? (Las 4 etapas de su aprendizaje)

Para que este robot no sea solo un buscador de Google con esteroides, lo entrenaron siguiendo un proceso muy humano:

El Gran Mapa (S0): Imagina que le das al robot una biblioteca infinita de planos, pero todos están en idiomas distintos y desordenados. Lo primero que hace AuDoPEDA es leer todo y crear su propio "Mapa Inteligente". No solo lee las palabras, sino que entiende cómo una tubería en el piso 1 se conecta con una ventana en el piso 50. Crea fichas de estudio para entender cada pieza del rompecabezas.
El Investigador de Libros (S1): En lugar de adivinar, el robot va a la "biblioteca de ciencia". Lee artículos académicos y teorías de expertos para decir: "Oye, he leído que si cambiamos la forma de las calles, el tráfico (la electricidad) fluirá mejor". No solo propone cambios, sino que diseña un plan de investigación.
El Plan de Obra (S2): Una vez que tiene la idea, no sale corriendo a romper paredes. Primero escribe una "lista de tareas detallada": "Primero voy a cambiar este tornillo, luego probaré si la pared sigue en pie, y si algo falla, volveré a dejarlo como estaba". Es un plan con red de seguridad.
El Constructor con Sentido Común (S3): Aquí es donde ocurre la magia. El robot empieza a escribir el código (el "material de construcción") y lo pone a prueba. Si el cambio hace que el chip sea más lento o gaste más energía, el robot dice: "¡Error! Esto no funciona", borra lo que hizo y lo intenta de nuevo hasta que lo logra.

¿Qué logró este "Aprendiz"?

Lo increíble es que el robot no solo hizo cambios pequeños; hizo mejoras de nivel profesional. Usando este sistema, logró que los chips fueran:

Más compactos: Como si lograra meter más casas en la misma ciudad sin que las calles se atasquen (redujo el cableado hasta un 5.9%).
Más rápidos: Logró que la "señal" viajara más velozmente, como si pusiera autopistas en lugar de callejones (mejoró la velocidad del reloj hasta un 10%).
Más ahorradores: Logró que el chip consumiera mucha menos batería, como si instalara luces LED inteligentes en toda la ciudad (redujo el consumo de energía hasta un 19.4%).

En resumen...

Hasta ahora, la Inteligencia Artificial nos ayudaba a escribir correos o dibujos. AuDoPEDA es un paso hacia algo más grande: una IA que puede entender la ingeniería profunda, leer libros de ciencia, proponer nuevas formas de hacer las cosas y, lo más importante, corregirse a sí misma para crear tecnología mejor que la que los humanos diseñamos manualmente.

Es como si hubiéramos pasado de tener una calculadora a tener un colega ingeniero que nunca duerme, lee todos los libros del mundo y siempre busca la forma de que todo funcione mejor.

1. El Problema: La Escasez de Expertos en EDA

El desarrollo de herramientas de Automatización de Diseño Electrónico (EDA) es un cuello de botella en la industria de semiconductores debido a la extrema escasez de ingenieros senior capaces de navegar y modificar bases de código masivas, heterogéneas (C++, Tcl, Python, Verilog) y con documentación escasa. Aunque los Modelos de Lenguaje Extensos (LLMs) han demostrado éxito en tareas de programación general, su capacidad para realizar contribuciones de nivel de investigación en dominios altamente especializados como el diseño físico de VLSI (donde los cambios deben optimizar métricas de PPA: Potencia, Rendimiento y Área) no había sido probada a escala de repositorio.

2. Metodología: El Framework AuDoPEDA

Los autores proponen AuDoPEDA, un sistema autónomo que no solo escribe código, sino que "se integra" en el ecosistema de ingeniería mediante un ciclo cerrado de retroalimentación basado en la Calidad de Resultados (QoR). El sistema se divide en cuatro etapas críticas:

Etapa 0: Bootstrap de Documentación y Grafo de Código (S0): Utiliza tree-sitter para analizar el repositorio de OpenROAD y construir un Grafo de Propiedades ( $G$ ) que conecta múltiples lenguajes. Un componente llamado "Docmaker" genera "tarjetas de documentación" que resumen APIs, invariantes y condiciones de los módulos, mitigando la pérdida de contexto que sufren los LLMs al leer archivos crudos.
Etapa 1: Planificación Basada en Literatura (S1): Utiliza el framework DSPy para realizar una planificación declarativa. El sistema combina la documentación del código ( $C_{repo}$ ) con un corpus de literatura científica de EDA ( $C_{lit}$ ) mediante RAG (Generación Aumentada por Recuperación). Esto permite que el agente proponga hipótesis de investigación (ej. "ajustar las penalizaciones de congestión para reducir el wirelength") en lugar de simples correcciones de sintaxis.
Etapa 2: Localización de Planes (S2): Traduce los planes de alto nivel en una secuencia granular de ediciones de código ( $\Delta_i$ ), incluyendo pruebas de pre-ejecución, configuraciones de flujo de diseño y métricas de monitoreo (probes).
Etapa 3: Ejecución Autónoma con Feedback de QoR (S3): Un agente de codificación (clase Codex) aplica los cambios, compila, ejecuta los flujos de diseño de OpenROAD y evalúa el impacto en las métricas PPA. El sistema utiliza mecanismos de seguridad como el revert-on-regression (revertir si hay regresión) y bisect-on-failure (aislar errores).

3. Contribuciones Clave

Pipeline de documentación estructurada: Un método para convertir repositorios complejos en bases de conocimiento jerárquicas y navegables por agentes.
Planificación fundamentada en investigación: Un sistema que utiliza DSPy para conectar la teoría de la literatura de EDA con la implementación práctica en el código.
Ejecutor autónomo con validación de diseño: Un agente capaz de realizar "hill-climbing" (búsqueda de máximos) sobre métricas físicas reales, no solo sobre tests de software.
Validación End-to-End: Demostración de que el sistema puede generar patches (parches) aceptables que mejoran el rendimiento de herramientas de producción.

4. Resultados Experimentales

El sistema fue probado en el stack de OpenROAD utilizando diversos procesos tecnológicos (PDKs) como ASAP7, SKY130HD y Nangate45. Los resultados muestran mejoras significativas sin intervención humana:

Reducción de Longitud de Cableado (rWL): Se lograron reducciones de hasta un 5.9% mediante la reestructuración del motor de colocación (placement) para balancear el wirelength con la evitabilidad de congestión.
Mejora del Periodo de Reloj Efectivo (ECP): Se lograron reducciones de hasta un 10.0% en condiciones de tiempos agresivos, mediante la implementación autónoma de estrategias de ponderación de slack y control de intensidad de pesos en el colocador global.
Reducción de Potencia: Se observaron reducciones de hasta un 19.4% al transformar el flujo de optimización de un enfoque basado en rutas (path-based) a uno basado en instancias (instance-based), incluyendo técnicas de intercambio de voltajes (VT swapping) y eliminación de buffers.

5. Significado e Impacto

El trabajo de AuDoPEDA marca un cambio de paradigma: los agentes de IA en EDA dejan de ser simples asistentes de scripting para convertirse en participantes activos en la investigación y desarrollo (R&D). El sistema demuestra que es posible automatizar la mejora de algoritmos fundamentales de diseño físico, lo que sugiere un futuro hacia herramientas de diseño que se auto-mejoran continuamente mediante ciclos de aprendizaje autónomo.