CoEvoP&R: Co-Evolving Placement Objectives with Routing Feedback via Large Language Models
CoEvoP&R est un nouveau cadre qui exploite les grands modèles de langage pour faire évoluer automatiquement des objectifs de placement lisibles et différentiables guidés par le retour d'information du routage et du timing, améliorant considérablement les métriques de longueur de fil, de congestion et de timing post-routage par rapport aux placeurs analytiques natifs.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayez de faire votre valise pour un voyage, mais avec une règle stricte : vous devez tout disposer de manière à ce que cela s'adapte parfaitement, que l'ensemble soit ordonné et facile à attraper à votre arrivée. Dans le monde des puces informatiques, cette « valise » est la matrice de silicium (die), et les « articles » sont des milliards de minuscules composants électroniques. Le processus consistant à disposer ces composants est appelé placement. Si vous les rangez mal, les fils qui les relient deviennent trop longs, des embouteillages (appelés congestion) se produisent, et la puce devient plus lente ou consomme trop d'énergie.
Pour résoudre ce problème, les ingénieurs utilisent des programmes informatiques intelligents appelés placeurs analytiques. Ces programmes tentent de trouver l'arrangement optimal en minimisant un « score » ou une « fonction objectif ». Considérez ce score comme une recette pour un rangement parfait. Traditionnellement, cette recette ne se soucie que de la brièveté des fils et de l'uniformité de la répartition des objets. Cependant, il y a un piège : un fil court sur le plan de conception ne signifie pas toujours une puce rapide dans la réalité. Le véritable test intervient plus tard, lorsque les fils sont réellement construits et que la puce est testée pour sa vitesse. Si la recette est trop simple, le produit final pourrait échouer au test de vitesse, obligeant les ingénieurs à tout recommencer. Pendant des années, des experts ont tenté de corriger cela en ajustant manuellement la recette ou en utilisant une IA de type « boîte noire » qui fonctionne bien, mais qu'il est impossible de comprendre ou de réparer lorsqu'elle échoue.
C'est ici qu'intervient une nouvelle approche appelée CoEvoP&R. C'est comme donner un livre de cuisine à un robot chef créatif et super intelligent et lui demander d'inventer une nouvelle recette qui garantit une valise parfaite, et pas seulement une valise bien rangée. Le document présente un cadre qui utilise un modèle de langage étendu (LLM) — le même type de technologie qui se cache derrière les agents conversationnels avancés — pour faire évoluer et améliorer automatiquement ces recettes de placement. Au lieu qu'un humain devine quelle devrait être la formule parfaite, le LLM agit comme un explorateur curieux. Il propose une nouvelle « fonction objectif » (une formule mathématique), la teste sur une puce simulée, puis vérifie les résultats à l'aide d'outils de routage et de chronométrage réels. Si la nouvelle formule raccourcit les fils et rend la puce plus rapide, le LLM apprend de ce succès. Si elle échoue, le LLM apprend de cette erreur.
Les chercheurs ont constaté que cette méthode fonctionne étonnamment bien. En laissant l'IA « faire évoluer » les règles de rangement des puces, ils ont pu améliorer considérablement la qualité finale de la conception de la puce. Sur un ensemble de conceptions de test standards, la nouvelle méthode a réduit la longueur des fils reliant les composants de 16,9 % et a réduit les embouteillages (congestion) de 36,7 % par rapport à la méthode standard. Plus impressionnant encore, elle a amélioré la vitesse de la puce, améliorant le délai de temps du pire cas de 0,70 nanoseconde et corrigeant un délai de temps total massif de 912 nanosecondes. L'équipe a également testé ces recettes évoluées sur différents types de puces et a constaté qu'elles fonctionnaient toujours bien, réduisant la longueur des fils de 5,4 % et la congestion de 23,2 % sur d'autres conceptions.
Ce qui rend cela spécial, c'est que l'IA n'est pas seulement une boîte noire mystérieuse ; elle écrit les formules mathématiques réelles d'une manière que les humains peuvent lire et comprendre. Elle apprend en conservant une « mémoire » de ce qui a fonctionné et de ce qui n'a pas fonctionné, utilisant cet historique pour guider sa tentative suivante. Le document suggère que cette approche comble le fossé entre le plan de rangement initial et la performance réelle de la puce, offrant un moyen de découvrir automatiquement de meilleures règles de conception sans avoir besoin qu'un expert humain ajuste manuellement chaque variable. C'est une étape vers des ordinateurs qui peuvent non seulement suivre des instructions, mais aussi inventer de meilleures façons de résoudre des problèmes physiques complexes.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.