🤖 AI

Automated QoR improvement in OpenROAD with coding agents

Il paper presenta AuDoPEDA, un sistema di agenti autonomi basato su LLM capace di analizzare il repository OpenROAD e proporre miglioramenti automatici al codice, ottenendo riduzioni significative in termini di wirelength, periodo di clock e consumo energetico.

Autori originali: Amur Ghose, Junyeong Jang, Andrew B. Kahng, Jakang Lee

Pubblicato 2026-02-11

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Amur Ghose, Junyeong Jang, Andrew B. Kahng, Jakang Lee

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il "Super-Apprendista" che progetta i cervelli elettronici

Immaginate di dover costruire una città incredibilmente complessa: miliardi di strade, cavi elettrici, semafori e tubature, tutto incastrato in uno spazio minuscolo (un microchip). Per farlo, servono ingegneri con decenni di esperienza, capaci di leggere manuali infiniti e capire come un piccolo cambiamento in una strada possa causare un ingorgo dall'altra parte della città.

Oggi, creare questi chip è difficilissimo perché mancano gli esperti. Il problema è che i software che usiamo per progettare i chip (chiamati EDA) sono come enormi biblioteche di codici scritti in lingue diverse, con regole segrete e manuali spesso incompleti.

Il problema: Gli ingegneri umani sono pochi e il lavoro è troppo vasto.
La soluzione: Un gruppo di ricercatori della UC San Diego ha creato AuDoPEDA, un sistema di Intelligenza Artificiale che non si limita a "scrivere codice", ma agisce come un vero e proprio "Super-Apprendista Ingegnere".

Come funziona? (L'analogia della Biblioteca e del Laboratorio)

Per capire come lavora AuDoPEDA, immaginiamo che l'IA debba imparare a riparare un motore complicatissimo senza che nessuno le spieghi nulla. Il sistema segue quattro fasi:

1. La Fase del "Lettore Vorace" (S0: Documentazione)

Invece di guardare il codice a caso, l'IA inizia creando la propria "guida personale". Legge tutto il codice del software, ne capisce i collegamenti e crea delle "schede informative" (come le schede di Wikipedia) per ogni singolo pezzetto di programma.

Metafora: È come se un apprendista entrasse in una biblioteca disordinata e, in una notte, riordinasse tutto creando un indice perfetto e riassunti chiari per ogni libro.

2. La Fase del "Ricercatore" (S1: Pianificazione)

Una volta capito come è fatto il software, l'IA non agisce d'impulso. Va a leggere i libri di testo e i trattati scientifici (la letteratura accademica) per capire quali sono le ultime teorie per migliorare i chip. Poi unisce ciò che ha imparato dai libri con ciò che ha visto nel codice per creare un piano d'azione.

Metafora: È come uno studente che, dopo aver studiato il manuale del motore, legge un articolo scientifico su come rendere i motori più efficienti e dice: "Ehi, ho un'idea! Se cambiamo questa valvola seguendo questa teoria, risparmieremo carburante".

3. La Fase del "Meccanico di Precisione" (S2: Localizzazione)

L'IA trasforma l'idea astratta in istruzioni precise: "Cambia la riga 45 del file X e aggiungi questo comando". Prepara tutto il necessario per non fare danni.

Metafora: È il momento in cui l'apprendista prende la chiave inglese e decide esattamente su quale bullone agire, preparandosi a testare se la vite si stringe o si rompe.

4. La Fase del "Ciclo di Prova ed Errore" (S3: Esecuzione e Verifica)

Qui avviene la magia. L'IA applica la modifica, "accende" il chip virtuale e guarda i risultati. Se il chip consuma meno energia o è più veloce, continua. Se invece il chip si "rompe" o diventa più lento, l'IA dice: "Ops, errore!", torna indietro, cancella tutto e riprova con un piano diverso.

Metafora: È come un pilota di Formula 1 che prova una nuova impostazione del motore, vede che l'auto rallenta, torna in garage, cambia la miscela e riprova finché non batte il record della pista.

I Risultati: Un successo incredibile

L'IA non ha solo "scritto codice", ha effettivamente migliorato la qualità dei chip. I risultati sono stati sorprendenti:

Meno "strade" inutili: Ha ridotto la lunghezza dei collegamenti elettrici (meno ingorghi).
Più velocità: Ha reso i chip capaci di lavorare a ritmi più serrati.
Meno fame di energia: Ha ridotto drasticamente il consumo di elettricità (fino al 19% in meno!).

In conclusione

AuDoPEDA non è un semplice assistente che ti suggerisce la parola successiva mentre scrivi un'email. È un agente autonomo capace di studiare, pianificare, sperimentare e migliorare la tecnologia stessa che usiamo ogni giorno nei nostri smartphone e computer. È il primo passo verso un futuro in cui i software per progettare chip potranno "imparare da soli" a diventare sempre più intelligenti.

Sintesi Tecnica: AuDoPEDA

1. Il Problema (Problem Statement)

Lo sviluppo di strumenti di Electronic Design Automation (EDA) è frenato dalla scarsità di ingegneri esperti capaci di navigare codebase massicce, eterogenee (C++, Tcl, Python, Verilog) e spesso scarsamente documentate. Sebbene i Large Language Models (LLM) eccellano in compiti di programmazione locale, la loro efficacia diminuisce drasticamente quando devono operare su repository di scala industriale, dove è necessario comprendere invarianti non documentati, interfacce implicite e flussi di lavoro iterativi complessi. Il problema centrale è: un agente autonomo può contribuire a un software EDA di produzione migliorando concretamente la Quality-of-Results (QoR)?

2. Metodologia (Methodology)

Gli autori propongono AuDoPEDA, un sistema di agenti autonomi che opera attraverso un framework a quattro stadi, progettato per "onboardare" l'agente tramite un approccio documentation-first:

Stage 0: Repository Graphing & Documentation Bootstrap: Il sistema utilizza tree-sitter per analizzare il repository OpenROAD e costruire un grafo di proprietà ( $G$ ) che mappa le dipendenze tra file e funzioni. Un modulo chiamato "Docmaker" genera "schede di documentazione" (documentation cards) che riassumono API, invarianti e parametri di configurazione, creando una base di conoscenza gerarchica.
Stage 1: Literature-Grounded Planning (DSPy): Invece di semplici prompt, il sistema utilizza DSPy per programmare il piano di ricerca in modo dichiarativo. L'agente recupera informazioni sia dalle schede di documentazione del codice ( $C_{repo}$ ) sia dalla letteratura scientifica EDA ( $C_{lit}$ ) tramite RAG (Retrieval-Augmented Generation). Questo permette di generare ipotesi di ricerca (es. "ridurre il wirelength regolando i costi di legalizzazione").
Stage 2: Localization: Il piano ad alto livello viene tradotto in una sequenza granulare di modifiche al codice (diff), includendo controlli pre-esecuzione (build, unit test), sonde di runtime (metriche di timing, DRC) e criteri di accettazione post-esecuzione.
Stage 3: Autonomous Execution & QoR Feedback: Un agente di tipo "Codex-class" applica i diff, compila il codice e lancia i flussi di progettazione fisica. Il sistema opera in un loop chiuso: se una modifica causa un errore di compilazione o una regressione nelle metriche PPA (Power, Performance, Area), l'agente utilizza il feedback per riparare il piano o effettuare il rollback.

3. Contributi Chiave (Key Contributions)

Framework Closed-loop per EDA: Il primo sistema che integra la sintesi di codice con i flussi di automazione del design fisico.
Pipeline di Documentazione Strutturata: Un metodo per trasformare repository complessi in grafi di conoscenza leggibili dalle macchine.
Pianificazione basata sulla letteratura: L'integrazione di paper scientifici (es. da DAC, ICCAD) nel processo decisionale dell'agente.
Validazione End-to-End: Dimostrazione che un agente può produrre patch accettabili che migliorano metriche reali di progettazione VLSI.

4. Risultati (Results)

Gli esperimenti condotti su OpenROAD utilizzando diversi PDK (ASAP7, SKY130HD, Nangate45) hanno mostrato miglioramenti significativi:

Riduzione del Wirelength (rWL): Attraverso la ristrutturazione del motore di detailed placement, l'agente ha ottenuto riduzioni del wirelength routato fino al 5.9% in scenari ad alta densità, senza peggiorare il timing o il consumo.
Miglioramento del Clock Period (ECP): Implementando una strategia di timing-driven placement più sofisticata (con controllo della curva di peso e focus sul range di slack), l'agente ha ridotto l'ECP fino al 10.0% sotto target di clock aggressivi.
Riduzione del Consumo (Power): Modificando il modulo di resizer per passare da un approccio basato su "path" a uno basato su "istanza" (ranking delle celle per contributo energetico), l'agente ha ottenuto riduzioni di potenza fino al 19.4%.

5. Significato e Conclusioni (Significance)

Il lavoro di AuDoPEDA sposta il paradigma degli LLM nell'EDA: gli agenti non sono più semplici assistenti per la scrittura di script, ma partecipanti attivi nella ricerca e sviluppo (R&D). Il sistema dimostra che è possibile automatizzare l'innovazione algoritmica all'interno di tool industriali, permettendo una manutenzione e un'ottimizzazione continua dei flussi di progettazione con un intervento umano minimo. Questo apre la strada a tool di progettazione "self-improving" che apprendono dai propri errori e dalla letteratura scientifica.