CoEvoP&R: Co-Evolving Placement Objectives with Routing Feedback via Large Language Models
CoEvoP&R è un framework innovativo che sfrutta i grandi modelli linguistici per far evolvere automaticamente obiettivi di posizionamento leggibili e differenziabili guidati dal feedback di routing e timing, migliorando significativamente le metriche di wirelength post-route, congestione e timing rispetto ai placer analitici nativi.
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
Immagina di cercare di preparare una valigia per un viaggio, ma con una regola ferrea: devi disporre tutto in modo che si incastri perfettamente, appaia ordinato ed sia facile da prendere al tuo arrivo. Nel mondo dei chip elettronici, questa "valigia" è il die di silicio, e gli "oggetti" sono miliardi di minuscoli componenti elettronici. Il processo di disposizione di questi componenti è chiamato placement (posizionamento). Se li impacchetti male, i fili che li collegano diventano troppo lunghi, si verificano ingorghi (chiamati congestione) e il chip diventa troppo lento o consuma troppa energia.
Per risolvere questo problema, gli ingegneri utilizzano programmi informatici intelligenti chiamati analytical placers (posizionatori analitici). Questi programmi cercano di trovare la disposizione migliore minimizzando un "punteggio" o "funzione obiettivo". Pensa a questo punteggio come a una ricetta per un lavoro di imballaggio perfetto. Tradizionalmente, questa ricetta si preoccupa solo di quanto siano corti i fili e di quanto gli oggetti siano distribuiti uniformemente. Tuttavia, c'è un problema: un filo corto sul tavolo da disegno non significa necessariamente un chip veloce nella vita reale. La vera prova arriva più tardi, quando i fili vengono effettivamente costruiti e il chip viene testato per la velocità. Se la ricetta è troppo semplice, il prodotto finale potrebbe fallire il test di velocità, costringendo gli ingegneri a ricominciare da capo. Per anni, gli esperti hanno cercato di risolvere il problema modificando manualmente la ricetta o utilizzando un'IA a "scatola nera" che funziona bene ma è impossibile da comprendere o correggere quando qualcosa va storto.
È qui che entra in gioco un nuovo approccio chiamato CoEvoP&R. È come dare a uno chef robotico creativo e super intelligente un libro di cucina e chiedergli di inventare una nuova ricetta che garantisca una valigia perfetta, non solo una ordinata. Il documento introduce un framework che utilizza un Large Language Model (LLM) — lo stesso tipo di tecnologia alla base dei chatbot avanzati — per far evolvere e migliorare automaticamente le ricette di posizionamento. Invece di un essere umano che indovina quale debba essere la formula perfetta, l'LLM agisce come un esploratore curioso. Propone una nuova "funzione obiettivo" (una formula matematica), la testa su un chip simulato e poi controlla i risultati rispetto a strumenti reali di routing e timing. Se la nuova formula rende i fili più corti e il chip più veloce, l'LLM impara da questo successo. Se fallisce, l'LLM impara dall'errore.
I ricercatori hanno scoperto che questo metodo funziona sorprendentemente bene. Lasciando che l'IA "evolva" le regole per impacchettare i chip, sono stati in grado di migliorare significativamente la qualità finale del design del chip. Su un set di design di test standard, il nuovo metodo ha ridotto la lunghezza dei fili che collegano i componenti del 16,9% e ha ridotto gli ingorghi (congestione) del 36,7% rispetto al metodo standard. Ancora più impressionante, ha migliorato la velocità del chip, rendendo il ritardo temporale nel caso peggiore migliore di 0,70 nanosecondi e risolvendo un enorme ritardo temporale totale di 912 nanosecondi. Il team ha anche testato queste ricette evolute su diversi tipi di chip e ha scoperto che funzionavano ancora bene, riducendo la lunghezza dei fili del 5,4% e la congestione del 23,2% su altri design.
Ciò che rende tutto questo speciale è che l'IA non è solo una misteriosa scatola nera; scrive le formule matematiche effettive in un modo che gli esseri umani possono leggere e comprendere. Impara mantenendo una "memoria" di ciò che ha funzionato e di ciò che non ha funzionato, usando questa cronologia per guidare il suo tentativo successivo. Il documento suggerisce che questo approccio colma il divario tra il piano di imballaggio iniziale e le prestazioni finali, reali, del chip, offrendo un modo per scoprire automaticamente migliori regole di progettazione senza la necessità di un esperto umano che debba modificare manualmente ogni singola variabile. È un passo verso computer che non possono solo seguire istruzioni, ma possono anche inventare modi migliori per risolvere complessi problemi fisici.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.