🤖 AI

EDATracer: An Agentic Framework for Large-Scale EDA Artifact Analysis

EDATracer est un cadre agentique qui exploite un graphe de connaissances et un index vectoriel sémantique pour permettre une analyse à grande échelle et fondée sur des preuves d'artefacts EDA hétérogènes, surpassant les outils existants sur un nouveau benchmark de 90 questions dérivé d'un ensemble de données de 2 787 conceptions tout en utilisant significativement moins de jetons.

Auteurs originaux : Phat Tieu, Sayanti Jana, Matthew DeLorenzo, Jiawen Wu, Narendran Srinivasan, Srinivas Shakkottai, Jiang Hu, Jeyavijayan Rajendran

Publié 2026-08-06

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Phat Tieu, Sayanti Jana, Matthew DeLorenzo, Jiawen Wu, Narendran Srinivasan, Srinivas Shakkottai, Jiang Hu, Jeyavijayan Rajendran

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 réparer une voiture en panne, mais au lieu d'un seul moteur, vous avez un million de pièces éparpillées : les plans, les notes manuscrites du mécanicien, les journaux informatiques de l'usine, la liste de chaque boulon utilisé et un rapport sur la quantité de carburant que le moteur devrait avoir consommée. Maintenant, imaginez que la voiture est une puce informatique, et que le « mécanicien » est un programme informatique très intelligent (une IA) essayant de comprendre pourquoi la voiture ne démarre pas. C'est la réalité quotidienne des ingénieurs qui conçoivent les puces modernes. Ils s'appuient sur des outils d'automatisation de la conception électronique (EDA), qui sont comme de gigantesques usines automatisées transformant du code en conceptions physiques de puces. Ces outils génèrent des montagnes de fichiers différents — journaux, scripts, rapports et code — qui sont tous connectés mais dispersés dans différents dossiers.

Le problème est que trouver un indice spécifique dans cette botte de foin numérique est incroyablement difficile. Si une puce échoue, l'erreur peut être mentionnée dans un fichier journal, mais la cause pourrait être cachée dans un fichier de code source ou un rapport de synchronisation provenant d'une étape différente de la conception. Les outils d'IA traditionnels se perdent souvent dans ce désordre, devinant des réponses ou manquant la connexion entre les fichiers. Ce document présente une nouvelle façon d'aider ces détectives de l'IA à résoudre le mystère sans être submergés par le volume colossal de données.

Les chercheurs de l'Université Texas A&M ont construit un système appelé EDATracer. Considérez EDATracer comme un bibliothécaire super organisé pour le monde de la conception de puces. Au lieu de simplement jeter tous les fichiers dans un tas et de demander à une IA de « tout lire », EDATracer construit d'abord une carte géante et interactive (appelée graphe de connaissances) de l'ensemble du projet de la puce. Cette carte relie les points : elle sait qu'une erreur spécifique dans un fichier journal est liée à une ligne de code spécifique, qui est liée à une partie spécifique du plan de la puce.

Pour tester leur idée, l'équipe ne s'est pas contentée d'examiner un ou deux designs ; ils ont rassemblé une collection massive de 2 787 conceptions de puces open-source différentes. Ils les ont passées à travers des outils de synthèse pour générer 18,9 Go d'artefacts réels, incluant des journaux, des netlists (les plans au niveau des portes logiques) et des rapports de performance. Ils ont ensuite créé un « test » composé de 90 questions allant de faits simples (« Quelle est la surface de cette puce ? ») à un raisonnement complexe (« Pourquoi la synchronisation a-t-elle échoué ? »).

Lorsqu'ils ont laissé EDATracer à l'œuvre sur ces questions, il a agi comme une équipe d'agents : un agent cherchait des indices sur la carte, et un autre agent assemblait ces indices pour former une réponse. Les résultats ont été impressionnants. EDATracer était plus précis que les assistants de codage IA commerciaux populaires comme Cursor et Claude Code, trouvant la bonne réponse 6,4 % à 7,2 % plus souvent en moyenne. Mieux encore, il y parvenait en utilisant 2,0 à 3,2 fois moins de « tokens » (la monnaie numérique que l'IA utilise pour penser et parler), ce qui le rend beaucoup plus efficace.

Le document suggère que la clé de ce succès n'était pas seulement d'avoir un cerveau d'IA plus intelligent, mais de donner à ce cerveau une meilleure carte. En ancrant le raisonnement de l'IA dans un graphe structuré de preuves, EDATracer a évité le piège courant de l'« hallucination » (inventer des choses) ou de manquer la forêt pour l'arbre. Bien que le système se concentre actuellement sur l'étape de synthèse de la conception de puces, les auteurs montrent qu'organiser des données complexes et éparpillées en un réseau connecté peut transformer une IA confuse en un détective précis, résolvant des problèmes qui étaient auparavant trop complexes pour être gérés seuls par des ordinateurs.

Résumé Technique : EDATracer

Énoncé du Problème

La conception de semi-conducteurs moderne repose largement sur les outils d'automatisation de la conception électronique (EDA), qui génèrent de vastes collections hétérogènes d'artefacts comprenant du code source (RTL), des scripts de synthèse, des journaux (logs), des netlists et des rapports PPA (Puissance-Performance-Surface). L'analyse de ces artefacts est cruciale pour le débogage, l'optimisation et la compréhension des flux de conception. Cependant, ce processus est confronté à trois défis majeurs :

Manque de Benchmarks : Les jeux de données existants se concentrent sur la génération de code ou l'analyse de logs isolés, manquant de benchmarks publics pour l'analyse à grande échelle et multi-artefacts où les preuves sont distribuées à travers plusieurs types de fichiers et étapes de conception.
Complexité et Échelle : Une seule conception peut produire des milliers de fichiers et des millions de lignes de sortie. Le prompting à contexte complet est impraticable en raison des limites de tokens et de l'hétérogénéité des données.
Échecs de l'Ancrage (Grounding) : Une analyse efficace nécessite souvent de lier des preuves provenant de sources disparates (par exemple, un message d'erreur dans un fichier log lié à un module spécifique dans un fichier source ou à un rapport antérieur). Sans une référence fiable au contexte de l'outil EDA, les agents de Grands Modèles de Langage (LLM) ont tendance à halluciner ou à s'appuyer sur des correspondances de mots-clés superficielles plutôt que sur un raisonnement ancré.

Méthodologie

Les auteurs proposent EDATracer, un cadre agentique conçu pour l'analyse d'artefacts EDA ancrée dans les preuves. Le système opère à travers deux étapes distinctes :

1. Curation et Construction du Jeu de Données

Pour remédier au manque de données publiques, les auteurs ont construit un jeu de données complet comprenant 2 787 conceptions de puces open-source synthétisables et leurs artefacts EDA associés, totalisant 18,9 Go.

Collecte : Un processus de filtrage en quatre phases (découverte, filtrage heuristique, évaluation par LLM et vérifications de faisabilité de synthèse) a été appliqué aux dépôts GitHub publics pour identifier des conceptions RTL valides et synthétisables.
Génération : Un pipeline automatisé a synthétisé chaque conception en utilisant des outils standards de l'industrie (Synopsys Design Compiler) et des bibliothèques technologiques open-source (NanGate45, SkyWater130, ASAP7). Ce processus a impliqué une boucle de réparation d'erreurs itérative pour gérer les échecs de synthèse en ajustant la sélection du module supérieur, les signaux d'horloge ou les configurations de scripts.
Artefacts : Le jeu de données final inclut le code source, les scripts de synthèse, les logs, les netlists au niveau des portes (gate-level) et les rapports PPA.

2. Architecture du Cadre Agentique

EDATracer organise ces artefacts en une représentation structurée pour permettre la récupération et le raisonnement :

Étape Hors-ligne (Graphe de Connaissances & Index) :
- Graphe de Connaissances (KG) : Les artefacts sont cartographiés dans un graphe de connaissances typé ( $G$ ) où les nœuds représentent des entités (conceptions, modules, logs, rapports) et les arêtes encodent la hiérarchie, la provenance et les relations structurelles.
- Index Vectoriel Sémantique : Les nœuds porteurs de texte (ex: segments de logs, documentation) sont intégrés (embedded) et indexés ( $Z$ ) pour supporter la recherche sémantique tout en maintenant des liens vers la structure du graphe.
Étape En-ligne (Interaction Agentique) :
- Agent de Récupération (Retrieval Agent) : Interagit avec la requête de l'utilisateur pour générer des demandes d'informations. Il utilise deux modes : la Récupération Sémantique (recherche vectorielle sur des segments de texte) et la Récupération Structurée (requêtes Cypher sur le graphe de connaissances pour extraire des métriques, des relations ou de la provenance spécifiques).
- Agent de Raisonnement (Reasoning Agent) : Synthétise les preuves récupérées. Il évalue de manière itérative si le contexte accumulé est suffisant pour répondre à la requête. Si ce n'est pas le cas, il demande des preuves supplémentaires ; sinon, il génère une réponse ancrée supportée par des artefacts spécifiques.

Contributions Clés

Cadre EDATracer : Un système agentique qui combine un graphe de connaissances spécifique au domaine avec le raisonnement de LLM pour effectuer une analyse ancrée et multi-artefacts des conceptions de puces.
Jeu de Données EDA à Grande Échelle : Un jeu de données curaté de 2 787 conceptions avec 18,9 Go d'artefacts hétérogènes, capturant les hiérarchies de conception et les dépendances inter-artefacts.
Benchmark de 90 Questions : Un benchmark vérifié manuellement couvrant des tâches factuelles, statistiques et de raisonnement à différents niveaux de difficulté pour évaluer les capacités d'analyse d'artefacts EDA.
Évaluation Complète : Une comparaison rigoureuse par rapport aux agents commerciaux de pointe (Cursor, Claude Code) et diverses architectures de LLM (Claude Opus, Sonnet, Haiku, GPT-5, Qwen).

Résultats

L'évaluation démontre qu'EDATracer surpasse les cadres agentiques commerciaux existants en termes de précision et d'efficacité :

Précision : EDATracer a obtenu la meilleure précision pass@1 globale, surpassant Cursor en moyenne de 6,4 points de pourcentage et Claude Code de 7,2 points de pourcentage. Le système a montré une force particulière dans les questions statistiques, où il a réussi à agréger des données de plusieurs artefacts tout en préservant les unités et les préfixes corrects.
Efficacité : EDATracer a utilisé 2,0× à 3,2× moins de tokens que Cursor et Claude Code. Cette réduction est attribuée au mécanisme de récupération structurée, qui évite de transmettre de larges contextes non pertinents au LLM et récupère plutôt des nœuds et des relations ciblés du graphe.
Déploiement Local : Le cadre a permis à des modèles plus petits à poids ouverts (ex: Qwen 3.5-9B) de performer efficacement sur des tâches factuelles et statistiques, approchant les performances de modèles propriétaires plus larges lorsqu'ils sont ancrés par le graphe de connaissances.

Signification et Revendications

L'article positionne EDATracer comme une solution au goulot d'étranglement pratique de l'analyse d'artefacts EDA dans la conception de puces moderne. Les auteurs affirment qu'en organisant les artefacts hétérogènes dans un graphe de connaissances structuré, le cadre permet aux agents LLM d'effectuer un raisonnement ancré plutôt que de compter sur l'hallucination ou la correspondance de motifs superficiels.

La signification réside dans la démonstration que la récupération basée sur les graphes peut améliorer considérablement l'efficacité des coûts et la précision de l'analyse EDA par LLM. Les auteurs notent que bien que le cadre actuel se concentre sur les artefacts de l'étape de synthèse, la méthodologie fournit une base pour étendre l'analyse à des étapes plus larges du flux de conception (planification, routage, sign-off) et à des artefacts multimodaux (layouts, formes d'ondes) dans des travaux futurs. L'article souligne que la représentation structurée est cruciale pour lier les preuves à travers le flux de conception, une capacité dont les approches de génération augmentée par récupération (RAG) à plat manquent.