Résumé Technique : MAGE : Placement de Macros de Type Humain via le Raisonnement Multimodal Agentique

1. Énoncé du Problème

Le placement de macros demeure un goulot d'étranglement critique dans la conception physique VLSI, nécessant souvent un raffinement manuel substantiel par des ingénieurs experts pour obtenir des résultats de haute qualité. Bien que les méthodes automatisées existantes (optimisation classique, placeurs analytiques et approches basées sur l'apprentissage) puissent produire des placements légaux avec des métriques PPA (Puissance, Performance et Surface) compétitives, elles échouent fréquemment à reproduire la régularité spatiale de haut niveau, la cohérence fonctionnelle et l'organisation structurelle caractéristiques d'un floorplan conçu par un expert. Par conséquent, les placements automatisés manquent souvent de qualités « humaines » — telles qu'un regroupement cohérent des macros, l'alignement des bordures et un espace blanc utilisable — qui facilitent l'optimisation en aval, le routage et la clôture du timing.

2. Méthodologie : Le Cadre MAGE

Les auteurs proposent MAGE (Macro Placement Agentic Engine), un cadre multi-agents multimodal conçu pour générer des placements de macros de type humain sans dépendre de données de placement étiquetées ou d'un entraînement par design. Au lieu de cela, MAGE encode le savoir-faire des experts en floorplanning via des directives structurées en langage naturel, des vérifications visuelles et des critères de raffinement itératifs.

Architecture Centrale

MAGE fonctionne via un flux de travail en six phases orchestré par dix agents spécialisés :

1. Analyse des Données et Extraction de Connaissances : Extrait la géométrie, la hiérarchie et la connectivité, en interrogeant un corpus de connaissances pour les motifs de placement antérieurs et les problèmes connus.
2. Regroupement Sensible à la Hiérarchie : Organise les macros en groupes basés sur des préfixes hiérarchiques et identifie des familles de groupes structurellement similaires pour partager des placements de référence.
3. Placement des Groupes : Attribue de manière itérative des boîtes englobantes (bounding boxes) aux groupes de macros en utilisant un placement sensible à la connectivité et aux E/S (IO-aware), guidé par des diagrammes de lignes de vol (flylines) visuels pour assurer une forte connectivité et un accès aux E/S.
4. Vérification de Faisabilité : Vérifie que les groupes peuvent physiquement tenir dans leurs boîtes englobantes assignées, en partitionnant récursivement les grands groupes si nécessaire.
5. Placement des Macros : Génère un placement de référence pour un groupe représentatif dans chaque famille, en respectant six principes spatiaux (placement de bordure, empilement de macros, orientation sensible aux broches, zones d'exclusion d'E/S, minimisation des poches et qualité de l'espace blanc). Cette référence est ensuite transformée et fusionnée à travers la famille.
6. Validation Indépendante : Un auditeur sans état (stateless) effectue un audit visuel et basé sur des règles en « second passage » pour détecter les problèmes manqués par la boucle de génération, tels que l'accès bloqué aux broches ou l'espace blanc fragmenté.

Raisonnement Multimodal et Retour Visuel

Une caractéristique distinctive de MAGE est ses portes de visualisation obligatoires. À des étapes clés, le cadre génère des diagrammes de placement (ex: flylines, cartes de chaleur de l'espace blanc, cartes de couverture de bordure) qui sont inspectés par des modèles de langage-vision (VLM). Les agents extraient des faits purement visuels (ex: « les bords des broches font face aux macros adjacentes ») et génèrent des suggestions de raffinement exploitables. Cela garantit que les propriétés spatiales, non facilement capturées par des métriques numériques, sont explicitement évaluées.

Raffinement de Type Tournoi

MAGE supporte un mode de tournoi « Go-With-The-Winners » (GWTW). Plusieurs placements candidats sont générés en parallèle, évalués en utilisant la longueur de fil (wirelength) du routage global précoce (eGR) comme proxy pour le PPA, et classés. Les meilleurs performeurs sont analysés pour identifier les écarts contribuant à la longueur de fil, et leurs enseignements sont utilisés pour affiner les directives des tours suivants. Ce processus évolutif permet au cadre d'explorer plusieurs trajectires plutôt que de suivre un chemin d'optimisation unique.

3. Contributions Clés

• Cadre Agentique pour un Placement de Type Humain : MAGE est le premier cadre de placement de macros agentique explicitement conçu pour générer des solutions de type humain en décomposant la tâche en un pipeline structuré à plusieurs phases plutôt qu'en une optimisation monolithique.
• Principes et Métriques pour la Ressemblance Humaine : Les auteurs formalisent six principes spatiaux de floorplanning expert et introduisent quatre métriques quantitatives pour mesurer la « ressemblance humaine » :
  • Score de l'Entaille (Notch Score) : Mesure l'aspect dentelé des silhouettes des macros.
  • Score de l'Espace Blanc (Whitespace Score) : Évalue la rectangularité et la compacité de l'espace libre.
  • Score de Poche (Pocket Score) : Pénalise les petites régions d'espace libre inutilisables.
  • Score d'Alignement (Alignment Score) : Évalue le placement des bordures, l'alignement des bords, l'occupation des coins et la justesse de l'empilement.
• Synthèse en Deux Étapes : Le cadre sépare l'organisation structurelle (Phases 1–5) de l'optimisation des métriques d'implémentation (Raffinement du tournoi), préservant l'intégrité structurelle tout en améliorant le timing et la longueur de fil.
• Généralisation : L'approche démontre un transfert zero-shot vers des designs non vus, des floorplans rectilignes et des contextes à haute utilisation sans réentraînement spécifique au design.

4. Résultats Expérimentaux

Le cadre a été évalué sur neuf designs via des implémentations NanGate45 (NG45) et GlobalFoundries 12nm (GF12), comparant contre un expert humain, deux placeurs de macros commerciaux (Comm-1, Comm-2) et l'outil Hier-RTLMP d'OpenROAD.

• Améliorations PPA :
  • vs Expert Humain : MAGE a amélioré le pire slack négatif (WNS) de 18,3 % et le slack négatif total (TNS) de 72,5 % sur les designs NG45, avec une longueur de fil et une puissance comparables.
  • vs Placeurs Commerciaux : MAGE a obtenu des améliorations de moyenne géométrique de 11,1 %–19,3 % en WNS et 70,0 %–74,0 % en TNS par rapport aux bases commerciales, bien qu'avec un compromis de longueur de fil routée (rWL) et de puissance plus élevées.
  • vs Hier-RTLMP : MAGE a amélioré le WNS de 47,0 % et le TNS de 80,4 %, tout en réduisant également le rWL et la puissance.
• Ressemblance Humaine : MAGE a surpassé toutes les bases de référence sur le score global de ressemblance humaine ($S_{HM}$) de 6 % à 48 %.
• Études de Cas :
  • Designs Non Vus : Sur deux designs GF12 non utilisés lors de l'entraînement, MAGE a amélioré le TNS de 27 % à 40 % par rapport aux outils commerciaux.
  • Floorplans Rectilignes : MAGE a amélioré le WNS sur des designs rectilignes denses (>70 % d'utilisation), là où les outils commerciaux produisent souvent des placements fragmentés.
  • Haute Utilisation : Sous des contraintes de surface serrées (jusqu'à 80 % d'utilisation), MAGE maintient une meilleure clôture de timing que les outils commerciaux en préservant des canaux de routage organisés.

5. Signification et Revendications

L'article affirme que l'organisation des macros de type humain sert de priorité structurelle utile pour le routage et la clôture de timing en aval. Les résultats suggèrent que les régularités structurelles spécifiques imposées par MAGE (ex: espace blanc continu, empilements alignés) contribuent directement à de meilleurs résultats de timing (réduction du skew d'horloge et de la congestion), même lorsque la longueur de fil totale est plus élevée.

Les auteurs soulignent que MAGE représente un changement de paradigme, passant d'un traitement du placement de macros comme un pur problème d'optimisation numérique à un processus de conception structuré guidé par des principes experts. En encodant ces principes via le raisonnement multimodal et le retour visuel, le cadre peut reproduire la logique organisationnelle des experts humains sans nécessier d'entraînement coûteux sur des données étiquetées. Ce travail démontre que les systèmes agentiques et multimodaux peuvent efficacement capturer et appliquer un jugement complexe de conception physique, réduisant potentiellement le temps de raffinement manuel qui domine actuellement les flux industriels.