तकनीकी सारांश: MAGE: एजेंटिक मल्टीमॉडल रीजनिंग के माध्यम से मानव-समान मैक्रो प्लेसमेंट

1. समस्या विवरण

मैक्रो प्लेसमेंट VLSI फिजिकल डिज़ाइन में एक महत्वपूर्ण बाधा बना हुआ है, जिसमें अक्सर उच्च-गुणवत्ता वाले परिणाम प्राप्त करने के लिए विशेषज्ञ इंजीनियरों द्वारा पर्याप्त मैनुअल रिफाइनमेंट की आवश्यकता होती है। जबकि मौजूदा स्वचालित विधियाँ (क्लासिकल ऑप्टिमाइज़ेशन, एनालिटिकल प्लेसर्स और लर्निंग-आधारित दृष्टिकोण) प्रतिस्पर्धी पावर, परफॉरमेंस और एरिया (PPA) मेट्रिक्स के साथ लीगल प्लेसमेंट उत्पन्न कर सकती हैं, वे अक्सर विशेषज्ञ-डिज़ाइन किए गए फ्लोरप्लान की उच्च-स्तरीय स्थानिक नियमितता (spatial regularity), कार्यात्मक सुसंगतता (functional coherence) और संरचनात्मक संगठन को दोहराने में विफल रहती हैं। फलस्वरूप, स्वचालित प्लेसमेंट में अक्सर "मानव-समान" गुणों की कमी होती है—जैसे कि सुसंगत मैक्रो ग्रुपिंग, बाउंड्री अलाइनमेंट और उपयोगी व्हाइटस्पेस—जो डाउनस्ट्रीम ऑप्टिमाइज़ेशन, रूटिंग और टाइमिंग क्लोजर की सुविधा प्रदान करते हैं।

2. कार्यप्रणाली: MAGE फ्रेमवर्क

लेखक MAGE (मैक्रो प्लेसमेंट एजेंटिक इंजन) का प्रस्ताव करते हैं, जो एक मल्टीमॉडल मल्टी-एजेंट फ्रेमवर्क है जिसे लेबल किए गए प्लेसमेंट डेटा या प्रति-डिज़ाइन ट्रेनिंग पर निर्भर किए बिना मानव-समान मैक्रो प्लेसमेंट उत्पन्न करने के लिए डिज़ाइन किया गया है। इसके बजाय, MAGE संरचित प्राकृतिक-भाषा निर्देशों, विजुअल चेक्स और इटरेटिव रिफाइनमेंट मानदंडों के माध्यम से विशेषज्ञ फ्लोरप्निंग ज्ञान को एनकोड करता है।

मुख्य आर्किटेक्चर

MAGE दस विशिष्ट एजेंटों द्वारा संचालित एक छह-चरणीय वर्कफ़्लो के माध्यम से कार्य करता है:

1. डेटा पार्सिंग और नॉलेज एक्सट्रैक्शन: ज्योमेट्री, पदानुक्रम (hierarchy) और कनेक्टिविटी निकालता है, और पूर्व प्लेसमेंट पैटर्न एवं ज्ञात समस्याओं के लिए नॉलेज कॉर्पस को क्वेरी करता है।
2. हायरार्की-अवेयर ग्रुपिंग: पदानुक्रमित प्रीफिक्स के आधार पर मैक्रोज़ को समूहों में व्यवस्थित करता है और संरचनात्मक रूप से समान समूहों के परिवारों की पहचान करता है ताकि संदर्भ प्लेसमेंट साझा किया जा सके।
3. ग्रुप प्लेसमेंट: कनेक्टिविटी और IO-अवेयर प्लेसमेंट का उपयोग करके मैक्रो समूहों को बाउंडिंग बॉक्स असाइन करने के लिए इटरेशन करता है, जो मजबूत कनेक्टिविटी और IO एक्सेस सुनिश्चित करने के लिए विजुअल फ्लाईलाइन डायग्राम द्वारा निर्देशित होता है।
4. फिजिबिलिटी चेकिंग: सत्यापित करता है कि क्या समूह अपने असाइन किए गए बाउंडिंग बॉक्स के भीतर भौतिक रूप से फिट हो सकते हैं, आवश्यकतानुसार बड़े समूहों को पुन: विभाजित (partition) करता है।
5. मैक्रो प्लेसमेंट: प्रत्येक परिवार के प्रतिनिधि समूह के लिए एक संदर्भ प्लेसमेंट उत्पन्न करता है, जो छह स्थानिक सिद्धांतों (बाउंड्री प्लेसमेंट, मैक्रो स्टैकिंग, पिन-अवेयर ओरिएंटेशन, IO कीपआउट्स, पॉकेट मिनिमाइजेशन और व्हाइटस्पेस क्वालिटी) का पालन करता है। इस संदर्भ को फिर पूरे परिवार में ट्रांसफॉर्म और मर्ज किया जाता है।
6. स्वतंत्र सत्यापन: एक स्टेटलेस ऑडिटर विजुअल और नियम-आधारित ऑडिट के माध्यम से "सेकंड-पास" जांच करता है ताकि उन मुद्दों को पकड़ा जा सके जो जनरेशन लूप में छूट गए थे, जैसे कि ब्लॉक्ड पिन एक्सेस या खंडित व्हाइटस्पेस।

मल्टीमॉडल रीजनिंग और विजुअल फीडबैक

MAGE की एक विशिष्ट विशेषता इसकी अनिवार्य विज़ुअलाइज़ेशन गेट्स है। प्रमुख चरणों पर, फ्रेमवर्क प्लेसमेंट डायग्राम (जैसे, फ्लाईलाइन्स, व्हाइटस्पेस हीटमैप, बाउंड्री कवरेज मैप) रेंडर करता है, जिनका निरीक्षण विजन-लैंग्वेज मॉडल्स (VLMs) द्वारा किया जाता है। एजेंट विजुअल-ओनली तथ्यों (जैसे, "पिन किनारे आस-पास के मैक्रोज़ की ओर मुख करते हैं") को निकालते हैं और कार्रवाई योग्य रिफाइनमेंट सुझाव उत्पन्न करते हैं। यह सुनिश्चित करता है कि स्थानिक गुण जिन्हें संख्यात्मक मेट्रिक्स द्वारा आसानी से कैप्चर नहीं किया जा सकता है, उनका स्पष्ट रूप से मूल्यांकन किया जाए।

टूर्नामेंट-स्टाइल रिफाइनमेंट

MAGE एक गो-विथ-द-विनर्स (GWTW) टूर्नामेंट मोड का समर्थन करता है। कई कैंडिडेट प्लेसमेंट समानांतर में उत्पन्न किए जाते हैं, PPA के प्रॉक्सी के रूप में अर्ली ग्लोबल रूटिंग (eGR) वायरलेंथ का उपयोग करके उनका मूल्यांकन किया जाता है, और उन्हें रैंक किया जाता है। शीर्ष प्रदर्शन करने वालों का विश्लेषण वायरलेंथ में योगदान देने वाली विसंगतियों की पहचान करने के लिए किया जाता है, और उनके अंतर्दृष्टि का उपयोग अगले दौर के लिए मार्गदर्शन को रिफाइन करने के लिए किया जाता है। यह विकासवादी प्रक्रिया फ्रेमवर्क को एक एकल अनुकूलन पथ का पालन करने के बजाय कई ट्राजेक्टरीज को एक्सप्लोर करने की अनुमति देती है।

3. मुख्य योगदान

• मानव-समान प्लेसमेंट के लिए एजेंटिक फ्रेमवर्क: MAGE पहला एजेंटिक मैक्रो प्लेसमेंट फ्रेमवर्क है जिसे एक मोनोलिथिक ऑप्टिमाइज़ेशन के बजाय एक संरचित, बहु-चरणीय पाइपलाइन में कार्य को विभाजित करके मानव-समान समाधान उत्पन्न करने के लिए विशेष रूप से डिज़ाइन किया गया है।
• मानव-समानता के लिए सिद्धांत और मेट्रिक्स: लेखक विशेषज्ञ फ्लोरप्निंग के छह स्थानिक सिद्धांतों को औपचारिक रूप देते हैं और "मानव-समानता" को मापने के लिए चार मात्रात्मक मेट्रिक्स पेश करते हैं:
  • नॉच स्कोर (Notch Score): मैक्रो सिलुएट्स में जैग्डनेस (jaggedness) को मापता है।
  • व्हाइटस्पेस स्कोर (Whitespace Score): मुक्त स्थान की आयताकारता और सघनता का मूल्यांकन करता है।
  • पॉकेट स्कोर (Pocket Score): छोटे, अनुपयोगी मुक्त-स्थान क्षेत्रों को दंडित करता है।
  • अलाइनमेंट स्कोर (Alignment Score): बाउंड्री प्लेसमेंट, एज अलाइनमेंट, कॉर्नर ऑक्यूपेशन और स्टैकिंग शुद्धता का आकलन करता है।
• दो-चरणीय संश्लेषण (Two-Stage Synthesis): फ्रेमवर्क संरचनात्मक संगठन (चरण 1-5) को कार्यान्वयन मेट्रिक ऑप्टिमाइज़ेशन (टूर्नामेंट रिफाइनमेंट) से अलग करता है, जिससे संरचनात्मक अखंडता बनाए रखते हुए टाइमिंग और वायरलेंथ में सुधार होता है।
• सामान्यीकरण (Generalization): यह दृष्टिकोण बिना डिज़ाइन-विशिष्ट रिट्रेनिंग के अनदेखे डिज़ाइनों, रेक्टिलिनियर फ्लोरप्लान और उच्च-उपयोगिता सेटिंग्स में ज़ीरो-शॉट ट्रांसफर प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम

फ्रेमवर्क का मूल्यांकन NanGate45 (NG45) और GlobalFoundries 12nm (GF12) सक्षमताओं के तहत नौ डिज़ाइनों पर किया गया, जिसमें मानव विशेषज्ञ, दो कमर्शियल मैक्रो प्लेसर्स (Comm-1, Comm-2) और OpenROAD के Hier-RTLMP के साथ तुलना की गई।

• PPA सुधार:
  • मानव विशेषज्ञ बनाम: MAGE ने NG45 डिज़ाइनों पर वर्स्ट नेगेटिव स्लैक (WNS) में 18.3% और टोटल नेगेटिव स्लैक (TNS) में 72.5% का सुधार किया, जबकि वायरलेंथ और पावर तुलनीय रहे।
  • कमर्शियल प्लेसर्स बनाम: MAGE ने कमर्शियल बेसलाइन्स पर WNS में 11.1%–19.3% और TNS में 70.0%–74.0% के ज्यामितीय-माध्य (geometric-mean) सुधार हासिल किए, हालांकि इसमें अधिक रूटेड वायरलेंथ (rWL) और पावर का ट्रेड-ऑफ रहा।
  • Hier-RTLMP बनाम: MAGE ने WNS में 47.0% और TNS में 80.4% का सुधार किया, साथ ही rWL और पावर को भी कम किया।
• मानव-समानता (Human-Likeness): MAGE सभी बेसलाइन्स पर समग्र मानव-समानता स्कोर ($S_{HM}$) पर 6%–48% बेहतर प्रदर्शन करता है।
• केस स्टडीज:
  • अनदेखे डिज़ाइन: प्रशिक्षण में उपयोग नहीं किए गए दो GF12 डिज़ाइनों पर, MAGE ने कमर्शियल बेसलाइन्स की तुलना में TNS में 27%–40% का सुधार किया।
  • रेक्टिलिनियर फ्लोरप्लान: MAGE ने घने रेक्टिलिनियर डिज़ाइनों (>70% उपयोगिता) पर WNS में सुधार किया, जहाँ कमर्शियल टूल्स अक्सर खंडित प्लेसमेंट उत्पन्न करते हैं।
  • उच्च उपयोगिता: टाइट एरिया कंस्ट्रेंट्स (80% उपयोगिता तक) के तहत, MAGE संगठित रूटिंग चैनल्स को बनाए रखकर कमर्शियल टूल्स की तुलना में बेहतर टाइमिंग क्लोजर बनाए रखता है।

5. महत्व और दावे

पेपर का दावा है कि मानव-समान मैक्रो संगठन डाउनस्ट्रीम रूटिंग और टाइमिंग क्लोजर के लिए एक उपयोगी संरचनात्मक प्रायर (structural prior) के रूप में कार्य करता है। परिणाम बताते हैं कि MAGE द्वारा लागू की गई विशिष्ट संरचनात्मक नियमितताएं (जैसे, निरंतर व्हाइटस्पेस, संरेखित स्टैक्स) सीधे बेहतर टाइमिंग परिणामों (कम क्लॉक स्क्यू और कंजेशन) में योगदान करती हैं, भले ही कुल वायरलेंथ अधिक हो।

लेखक इस बात पर जोर देते हैं कि MAGE मैक्रो प्लेसमेंट को विशुद्ध रूप से संख्यात्मक अनुकूलन समस्या के रूप में मानने के बजाय, विशेषज्ञ सिद्धांतों द्वारा निर्देशित एक संरचित डिज़ाइन प्रक्रिया के रूप में देखने में बदलाव का प्रतिनिधित्व करता है। इन सिद्धांतों को मल्टीमॉडल रीजनिंग और विजुअल फीडबैक के माध्यम से एनकोड करके, फ्रेमवर्क बिना किसी महंगी लेबल वाली ट्रेनिंग के मानव विशेषज्ञों के संगठनात्मक तर्क को दोहरा सकता है। यह कार्य प्रदर्शित करता है कि एजेंटिक, मल्टीमॉडल सिस्टम प्रभावी रूप से जटिल फिजिकल-डिज़ाइन जजमेंट को कैप्चर और लागू कर सकते हैं, जिससे वर्तमान में औद्योगिक फ्लो में हावी होने वाले मैनुअल रिफाइनमेंट समय को कम किया जा सकता है।