Sintesi Tecnica: MAGE: Posizionamento di Macro in Stile Umano tramite Ragionamento Multimodale Agente

1. Definizione del Problema

Il posizionamento delle macro rimane un collo di bottiglia critico nel design fisico VLSI, richiedendo spesso un sostanziale raffinamento manuale da parte di ingegneri esperti per ottenere risultati di alta qualità. Sebbene i metodi automatizzati esistenti (ottimizzazione classica, placer analitici e approcci basati sull'apprendimento) possano produrre posizionamenti legali con metriche PPA (Potenza, Prestazioni e Area) competitive, essi spesso non riescono a riprodurre la regolarità spaziale di alto livello, la coerenza funzionale e l'organizzazione strutturale tipiche dei floorplan progettati da esperti. Di conseguenza, i posizionamenti automatizzati mancano spesso delle qualità "umane" — come il raggruppamento coerente delle macro, l'allineamento dei bordi e lo spazio bianco utilizzabile — che facilitano l'ottimizzazione a valle, il routing e la chiusura del timing.

2. Metodologia: Il Framework MAGE

Gli autori propongono MAGE (Macro Placement Agentic Engine), un framework multi-agente multimodale progettato per generare posizionamenti di macro simili a quelli umani senza fare affidamento su dati di posizionamento etichettati o addestramento specifico per ogni design. Invece, MAGE codifica la conoscenza esperta del floorplanning attraverso direttive strutturate in linguaggio naturale, controlli visivi e criteri di raffinamento iterativi.

Architettura Core

MAGE opera attraverso un flusso di lavoro in sei fasi orchestrato da dieci agenti specializzati:

1. Parsing dei Dati ed Estrazione della Conoscenza: Estrae geometria, gerarchia e connettività, interrogando un corpus di conoscenza per pattern di posizionamento precedenti e problemi noti.
2. Raggruppamento Consapevole della Gerarchia: Organizza le macro in gruppi basati su prefissi gerarchici e identifica famiglie di gruppi strutturalmente simili per condividere i posizionamenti di riferimento.
3. Posizionamento dei Gruppi: Assegna iterativamente i bounding box ai gruppi di macro utilizzando un posizionamento consapevole di connettività e IO, guidato da diagrammi di flyline visivi per garantire una forte connettività e l'accesso agli IO.
4. Controllo di Fattibilità: Verifica che i gruppi possano fisicamente entrare nei loro bounding box assegnati, partizionando ricorsivamente i gruppi grandi se necessario.
5. Posizionamento delle Macro: Genera un posizionamento di riferimento per un gruppo rappresentativo in ogni famiglia, aderendo a sei principi spaziali (posizionamento dei bordi, impilamento delle macro, orientamento consapevole dei pin, keepout degli IO, minimizzazione delle tasche e qualità dello spazio bianco). Questo riferimento viene poi trasformato e unito attraverso la famiglia.
6. Validazione Indipendente: Un auditor stateless esegue un audit visivo e basato su regole di "secondo passaggio" per individuare problemi saltati dal ciclo di generazione, come l'accesso ai pin bloccato o lo spazio bianco frammentato.

Ragionamento Multimodale e Feedback Visivo

Una caratteristica distintiva di MAGE è la presenza di gate di visualizzazione obbligatori. In fasi chiave, il framework renderizza diagrammi di posizionamento (es. flyline, heatmap dello spazio bianco, mappe di copertura dei bordi) che vengono ispezionati da Modelli Linguistici Visivi (VLM). Gli agenti estraggono fatti puramente visivi (es. "i bordi dei pin guardano verso le macro adiacenti") e generano suggerimenti di raffinamento azionabili. Ciò assicura che le proprietà spaziali non facilmente catturabili da metriche numeriche siano esplicitamente valutate.

Raffinamento in Stile Torneo

MAGE supporta una modalità di torneo Go-With-The-Winners (GWTW). Più posizionamenti candidati vengono generati in parallelo, valutati utilizzando la lunghezza del filo (wirelength) del routing globale precoce (eGR) come proxy per il PPA, e classificati. I migliori performer vengono analizzati per identificare le discrepanze che contribuiscono alla lunghezza del filo, e le loro intuizioni vengono utilizzate per raffinare la guida per i round successivi. Questo processo evolutivo permette al framework di esplorare molteplici traiettorie piuttosto che seguire un singolo percorso di ottimizzazione.

3. Contributi Chiave

• Framework Agente per il Posizionamento di Macro in Stile Umano: MAGE è il primo framework di posizionamento di macro agente esplicitamente progettato per generare soluzioni simili a quelle umane decomponendo il compito in una pipeline strutturata in più fasi anziché in un'ottimizzazione monolitica.
• Principi e Metriche per la "Umanità": Gli autori formalizzano sei principi spaziali del floorplanning esperto e introducono quattro metriche quantitative per misurare la "somiglianza umana":
  • Notch Score: Misura la frastagliatura nelle silhouette delle macro.
  • Whitespace Score: Valuta la rettangolarità e la compattezza dello spazio libero.
  • Pocket Score: Penalizza le regioni di spazio libero piccole e inutilizzabili.
  • Alignment Score: Valuta il posizionamento dei bordi, l'allineamento dei bordi, l'occupazione degli angoli e la correttezza dell'impilamento.
• Sintesi a Due Stadi: Il framework separa l'organizzazione strutturale (Fase 1–5) dall'ottimizzazione delle metriche di implementazione (Raffinamento del torneo), preservando l'integrità strutturale mentre si migliora il timing e la lunghezza del filo.
• Generalizzazione: L'approccio dimostra un trasferimento zero-shot su design non visti, floorplan rettilinei e contesti ad alta utilizzazione senza addestramento specifico per il design.

4. Risultati Sperimentali

Il framework è stato valutato su nove design su abilitazioni NanGate45 (NG45) e GlobalFoundries 12nm (GF12), confrontandolo con un esperto umano, due placer commerciali (Comm-1, Comm-2) e l'Hier-RTLMP di OpenROAD.

• Miglioramenti PPA:
  • vs Esperto Umano: MAGE ha migliorato il Worst Negative Slack (WNS) del 18,3% e il Total Negative Slack (TNS) del 72,5% sui design NG45, con una lunghezza del filo e potenza comparabili.
  • vs Placer Commerciali: MAGE ha ottenuto miglioramenti della media geometrica dell'11,1%–19,3% in WNS e del 70,0%–74,0% in TNS rispetto ai baseline commerciali, sebbene con un compromesso di maggiore lunghezza del filo routata (rWL) e potenza.
  • vs Hier-RTLMP: MAGE ha migliorato il WNS del 47,0% e il TNS dell'80,4%, riducendo contemporaneamente rWL e potenza.
• Somiglianza Umana: MAGE ha superato tutti i baseline sul punteggio complessivo di somiglianza umana ($S_{HM}$) del 6%–48%.
• Case Studies:
  • Design Non Visti: Su due design GF12 non utilizzati nell'addestramento, MAGE ha migliorato il TNS del 27%–40% rispetto ai baseline commerciali.
  • Floorplan Rettilinei: MAGE ha migliorato il WNS su design rettilinei densi (>70% di utilizzazione), dove gli strumenti commerciali spesso producono posizionamenti frammentati.
  • Alta Utilizzazione: Sotto vincoli di area stretti (fino all'80% di utilizzazione), MAGE ha mantenuto una migliore chiusura del timing rispetto agli strumenti commerciali preservando canali di routing organizzati.

5. Significato e Rivendicazioni

Il documento afferma che l'organizzazione delle macro in stile umano serve come un utile prior strutturale per il routing e la chiusura del timing a valle. I risultati suggeriscono che le specifiche regolarità strutturali imposte da MAGE (es. spazio bianco continuo, stack allineati) contribuiscono direttamente a migliori risultati di timing (riduzione dello skew del clock e della congestione) anche quando la lunghezza totale del filo è maggiore.

Gli autori sottolineano che MAGE rappresenta un cambiamento nel trattare il posizionamento delle macro come un problema di ottimizzazione puramente numerico verso un processo di design strutturato guidato da principi esperti. Codificando questi principi tramite ragionamento multimodale e feedback visivo, il framework può replicare la logica organizzativa degli esperti umani senza richiedere l'addestramento costoso su dati etichettati. Il lavoro dimostra che i sistemi agentici e multimodali possono catturare ed applicare efficacemente il giudizio complesso del design fisico, riducendo potenzialmente il tempo di raffinamento manuale che attualmente domina i flussi industriali.