Resumen Técnico: MAGE: Colocación de Macros con Estilo Humano mediante Razonamiento Agéntico Multimodal

1. Planteamiento del Problema

La colocación de macros sigue siendo un cuello de botella crítico en el diseño físico de VLSI, lo que a menudo requiere un refinamiento manual sustancial por parte de ingenieros expertos para lograr resultados de alta calidad. Aunque los métodos automatizados existentes (optimización clásica, colocadores analíticos y enfoques basados en aprendizaje) pueden producir colocaciones legales con métricas competitivas de Potencia, Rendimiento y Área (PPA), frecusecuentemente fallan en reproducir la regularidad espacial de alto nivel, la coherencia funcional y la organización estructural características de un diseño de planta (floorplan) realizado por un experto. En consecuencia, las colocaciones automatizadas suelen carecer de las cualidades "similares a las humanas" —como la agrupación coherente de macros, la alineación de bordes y el espacio en blanco utilizable— que facilitan la optimización, el enrutamiento y el cierre de tiempos (timing closure) posteriores.

2. Metodología: El Marco de Trabajo MAGE

Los autores proponen MAGE (Motor Agéntico de Colocación de Macros), un marco de trabajo multimodales de múltiples agentes diseñado para generar colocaciones de macros con estilo humano sin depender de datos de colocación etiquetados o entrenamiento por diseño. En su lugar, MAGE codifica el conocimiento de planificación de planta de expertos mediante directivas estructuradas en lenguaje natural, verificaciones visuales y criterios de refinamiento iterativos.

Arquitectura Central

MAGE opera a través de un flujo de trabajo de seis fases orquestado por diez agentes especializados:

1. Análisis de Datos y Extracción de Conocimiento: Extrae geometría, jerarquía y conectividad, consultando un corpus de conocimiento para patrones de colocación previos y problemas conocidos.
2. Agrupación Consciente de la Jerarquía: Organiza las macros en grupos basados en prefijos jerárquicos e identifica familias de grupos estructuralmente similares para compartir colocaciones de referencia.
3. Colocación de Grupos: Asigna iterativamente cajas delimitadoras (bounding boxes) a los grupos de macros utilizando una colocación consciente de la conectividad y de los E/S (I/O), guiada por diagramas visuales de líneas de vuelo (flylines) para asegurar una conectividad fuerte y acceso a E/S.
4. Verificación de Factibilidad: Verifica que los grupos puedan caber físicamente dentro de sus cajas delimitadoras asignadas, particionando recursivamente los grupos grandes si es necesario.
5. Colocación de Macros: Genera una colocación de referencia para un grupo representativo en cada familia, adhiriéndose a seis principios espaciales (colocación de bordes, apilamiento de macros, orientación consciente de pines, exclusión de E/S, minimización de bolsillos y calidad del espacio en blanco). Esta referencia se transforma y se fusiona a través de la familia.
6. Validación Independiente: Un auditor sin estado realiza una auditoría visual y basada en reglas de "segunda pasada" para detectar problemas omitidos por el bucle de generación, como el bloqueo del acceso a pines o el espacio en blanco fragmentado.

Razonamiento Multimodal y Retroalimentación Visual

Una característica distintiva de MAGE son sus puertas de visualización obligatorias. En etapas clave, el marco renderiza diagramas de colocación (por ejemplo, líneas de vuelo, mapas de calor de espacio en blanco, mapas de cobertura de bordes) que son inspeccionados por Modelos de Lenguaje-Visión (VLM). Los agentes extraen hechos puramente visuales (por ejemplo, "los bordes de los pines miran hacia las macros adyacentes") y generan sugerencias de refinamiento accionables. Esto asegura que las propiedades espaciales que no se capturan fácilmente mediante métricas numéricas sean evaluadas explícitamente.

Refinamiento Estilo Torneo

MAGE soporta un modo de torneo "Go-With-The-Winners" (GWTW). Se generan múltiples colocaciones candidatas en paralelo, se evalúan utilizando el cableado de enrutamiento global temprano (eGR) como un sustituto (proxy) de PPA, y se clasifican. Los mejores desempeños se analizan para identificar las discrepancias que contribuyen al cableado, y sus conocimientos se utilizan para refinar la guía para las rondas subsecuentes. Este proceso evolutivo permite al marco explorar múltiples trayectorias en lugar de seguir un único camino de optimización.

3. Contribuciones Clave

• Marco Agéntico para Colocación de Estilo Humano: MAGE es el primer marco de colocación de macros agéntico diseñado explícitamente para generar soluciones similares a las humanas mediante la descomposición de la tarea en un flujo de trabajo de múltiples fases estructuradas, en lugar de una optimización monolítica.
• Principios y Métricas para la Similitud Humana: Los autores formalizan seis principios espaciales de la planificación de planta experta e introducen cuatro métricas cuantitativas para medir la "similitud humana":
  • Puntuación de Notch (Muesca): Mide la irregularidad en las siluetas de las macros.
  • Puntuación de Espacio en Blanco: Evalúa la rectangularidad y compacidad del espacio libre.
  • Puntuación de Bolsillo: Penaliza las regiones de espacio libre pequeñas e inutilizables.
  • Puntuación de Alineación: Evaliza la colocación de bordes, la alineación de aristas, la ocupación de esquinas y la corrección del apilamiento.
• Síntesis de Dos Etapas: El marco separa la organización estructural (Fase 1–5) de la optimización de métricas de implementación (refinamiento de Torneo), preservando la integridad estructural mientras se mejora el tiempo y el cableado.
• Generalización: El enfoque demuestra una transferencia zero-shot a diseños no vistos, planos rectilíneos y entornos de alta utilización sin necesidad de reentrenamiento específico para el diseño.

4. Resultados Experimentales

El marco fue evaluado en nueve diseños a través de habilitaciones de NanGate45 (NG45) y GlobalFoundries 12nm (GF12), comparándose contra un experto humano, dos colocadores comerciales (Comm-1, Comm-2) y el Hier-RTLMP de OpenROAD.

• Mejoras en PPA:
  • vs. Experto Humano: MAGE mejoró el Peor Slack Negativo (Worst Negative Slack - WNS) en un 18.3% y el Slack Negativo Total (TNS) en un 72.5% en diseños de NG45, con cableado y potencia comparables.
  • vs. Colocadores Comerciales: MAGE logró mejoras de la media geométrica de 11.1%–19.3% en WNS y 70.0%–74.0% en TNS sobre las líneas base comerciales, aunque con un compromiso de mayor cableado enrutado (rWL) y potencia.
  • vs. Hier-RTLMP: MAGE mejoró el WNS en un 47.0% y el TNS en un 80.4%, reduciendo también el rWL y la potencia.
• Similitud Humana: MAGE superó a todas las líneas base en la puntuación general de similitud humana ($S_{HM}$) entre un 6% y un 48%.
• Casos de Estudio:
  • Diseños No Vistos: En dos diseños de GF12 no utilizados en el entrenamiento, MAGE mejoró el TNS en un 27%–40% respecto a los colocadores comerciales.
  • Planos Rectilíneos: MAGE mejoró el WNS en diseños rectilíneos densos (>70% de utilización), donde las herramientas comerciales suelen producir colocaciones fragmentadas.
  • Alta Utilización: Bajo restricciones de área estrictas (hasta un 80% de utilización), MAGE mantuvo un mejor cierre de tiempos que las herramientas comerciales al preservar canales de enrutamiento organizados.

5. Significado y Reivindicaciones

El artículo sostiene que la organización de macros de estilo humano sirve como un prior estructural útil para el enrutamiento y el cierre de tiempos posteriores. Los resultados sugieren que las regularidades estructurales específicas impuestas por MAGE (por ejemplo, espacio en blanco continuo, apilamientos alineados) contribuyen directamente a mejores resultados de tiempo (reducción de la desviación de reloj y congestión) incluso cuando el cableado total es mayor.

Los autores enfatizan que MAGE representa un cambio de tratar la colocación de macros como un problema de optimización puramente numérico a un proceso de diseño estructurado guiado por principios expertos. Al codificar estos principios mediante razonamiento multimodal y retroalimentación visual, el marco puede replicar la lógica organizacional de los expertos humanos sin requerir un entrenamiento costoso basado en datos etiquetados. El trabajo demuestra que los sistemas agénticos y multimodales pueden capturar y aplicar eficazmente el juicio complejo del diseño físico, reduciendo potencialmente el tiempo de refinamiento manual que actualmente domina los flujos industriales.