技術要約: MAGE: エージェントによるマルチモーダル推論を用いた人間のようなマクロ配置

1. 問題提起

マクロ配置は、VLSI物理設計において依然として重要なボトルネックであり、高品質な結果を得るために熟練したエンジニアによる大幅な手動調整を必要とすることが多い。既存の自動化手法（古典的な最適化、解析的配置器、および学習ベースのアプローチ）は、競争力のある電力・性能・面積（PPA）指標を持つ合法的な配置を生成できる一方で、エキスパートが設計したフロアプランに特徴的な、より高次の空間的規則性、機能的コヒーレンス、および構造的組織化を再現することには頻繁に失敗する。その結果、自動配置は、後続の最適化、ルーティング、およびタイミング収束を容易にする「人間のような」特性（一貫したマクロのグルーピング、境界の整列、および利用可能なホワイトスペースなど）を欠くことが多い。

2. 手法: MAGEフレームワーク

著者らは、ラベル付きの配置データや設計ごとのトレーニングに依存することなく、人間のようなマクロ配置を生成するために設計された、マルチモーダル・マルチエージェント・フレームワークであるMAGE（Macro Placement Agentic Engine）を提案している。MAGEは、構造化された自然言語による指示、視覚的チェック、および反復的な洗練基準を通じて、エキスパートのフロアプランニング知識をエンコードする。

コアアーキテクチャ

MAGEは、10個の特化したエージェントによってオーケストレートされる6フェーズのワークフローを通じて動作する：

1. データ解析と知識抽出: 幾何学、階層、および接続性を抽出し、既知の配置パターンや既知の問題に関する知識コーパスを照会する。
2. 階層を考慮したグルーピング: 階層的なプレフィックスに基づいてマクロをグループに整理し、参照配置を共有するために構造的に類似したグループのファミリーを特定する。
3. グループ配置: 接続性とI/Oを考慮した配置に基づき、視覚的なフライライン図を用いて、強い接続性とI/Oアクセスを確保しながら、マクログループにバウンディングボックスを反復的に割り当てる。
4. 実現可能性チェック: グループが割り当てられたバウンディングボックス内に物理的に収まることを検証し、必要に応じて大きなグループを再帰的に分割する。
5. マクロ配置: 6つの空間原則（境界配置、マクロのスタッキング、ピンを考慮した方向、I/Oキープアウト、ポケットの最小化、およびホワイトスペースの品質）に従い、代表的なグループの参照配置を生成する。この参照配置は、ファミリー全体に対して変換およびマージされる。
6. 独立した検証: ステートレスな監査人が、生成ループで見逃された問題（ブロックされたピンアクセスや断片化したホワイトスペースなど）を捕捉するために、「セカンドパス」の視覚的およびルールベースの監査を実行する。

マルチモーダル推論と視覚的フィードバック

MAGEの際立った特徴は、必須の可視化ゲートである。フレームワークの重要な段階で、配置図（例：フライライン、ホワイトスペース・ヒートマップ、境界被覆マップ）がレンダリングされ、それらが視覚言語モデル（VLM）によって検査される。エージェントは、視覚のみの事実（例：「ピンのエッジが隣接するマクロに向いている」）を抽出し、実行可能な洗練の提案を生成する。これにより、数値的な指標では捉えにくい空間的特性が明示的に評価されることが保証される。

トーナメント形式の洗練

MAGEは、Go-With-The-Winners (GWTW) トーナメントモードをサポートしている。複数の候補配置が並行して生成され、PPAのプロキシとして初期グローバル配線（eGR）ワイヤ長を用いて評価・ランク付けされる。最も優れたパフォーマンスを示したものが分析され、ワイヤ長に寄与する不一致を特定し、その知見は次ラウンドのガイダンスの洗練に使用される。この進化的なプロセスにより、フレームワークは単一の最適化パスに従うのではなく、複数の軌跡を探索することが可能になる。

3. 主な貢献

• 人間のような配置のためのエージェント型フレームワーク: MAGEは、タスクをモノリシックな最適化ではなく、構造化された多段階のパイプラインに分解することで、明示的に人間のようなソリューションを生成するように設計された、初のエージェント型マクロ配置フレームワークである。
• 人間らしさのための原則と指標: 著者らは、エキスパートによるフロアプランニングの6つの空間原則を定式化し、「人間らしさ」を測定するための4つの定量的指標を導入した：
  • ノッチ・スコア (Notoch Score): マクロのシルエットにおけるギザギザ度を測定する。
  • ホワイトスペース・スコア (Whitespace Score): 空き領域の矩形性とコンパクト性を評価する。
  • ポケット・スコア (Pocket Score): 使用不可能な小さな空き領域にペナルティを与える。
  • 整列スコア (Alignment Score): 境界配置、エッジの整列、コーナーの占有、およびスタッキングの正確性を評価する。
• 2段階の合成: フレームワークは、構造的組織化（フェーズ1–5）と実装メトリクスの最適化（トーナメントによる洗練）を分離し、構造的完全性を維持しながらタイミングとワイヤ長を改善する。
• 汎用性: このアプローチは、設計固有の再学習なしに、未知の設計、矩形フロアプラン、および高利用率の設定へのゼロショット転移を実証している。

4. 実験結果

本フレームワークは、NanGate45 (NG45) および GlobalFoundries 12nm (GF12) のイネーブルメントにおける9つの設計に対して評価され、人間によるエキスパート、2つの商用マクロ配置器（Comm-1, Comm-2）、および OpenROAD の Hier-RTLMP と比較された。

• PPAの改善:
  • 人間によるエキスパートと比較: MAGEは、NG45の設計において、ワイヤ長と電力は同等でありながら、最悪負の遅延（WNS）を 18.3%、全負の遅延（TNS）を 72.5% 改善した。
  • 商用配置器と比較: MAGEは、商用ベースラインに対して、WNS で 11.1%–19.3%、TNS で 70.0%–74.0% の幾何平均的な改善を達成したが、ルーティングされたワイヤ長（rWL）と電力の増加というトレードオフが生じた。
  • Hier-RTLMPと比較: MAGEは、rWLと電力を削減しつつ、WNS を 47.0%、TNS を 80.4% 改善した。
• 人間らしさ: MAGEは、総合的な人間らしさスコア ($S_{HM}$) において、すべてのベースラインを 6%–48% 上回った。
• ケーススタディ:
  • 未知の設計: 学習に使用されていない2つの GF12 設計において、MAGEは商用ベースラインに対して TNS を 27%–40% 改善した。
  • 矩形フロアプラン: 商用ツールが断片的な配置を生じやすい高密度な矩形設計（利用率 >70%）において、MAGEは WNS を改善した。
  • 高利用率: 厳しい面積制約下（利用率最大 80%）においても、MAGEは整理されたルーティングチャネルを維持することで、商用ツールよりも優れたタイミング収束を実現した。

5. 重要性と主張

本論文は、人間のようなマクロ組織化が、後続のルーティングおよびタイミング収束のための有用な構造的事前分布として機能すると主張している。結果は、MAGEによって強制される特定の構造的規則性（例：連続したホワイトスペース、整列したスタック）が、たとえ総ワイヤ長が高くなったとしても、タイミングの結果（クロックスキューや混雑の低減）に直接的に寄与することを示唆している。

著者らは、MAGEがマクロ配置を純粋な数値最適化問題として扱うのではなく、エキスパートの原則に基づいた構造化された設計プロセスへと転換するものであることを強調している。これらの原則をマルチモーダルな推論と視覚的フィードバックを通じてエンコードすることで、本フレームワークは、ラベル付きデータに対する高価なトレーニングを必要とせずに、人間のエキスパートの組織化ロジックを再現できる。本研究は、エージェント型かつマルチモーダルなシステムが、複雑な物理設計の判断を効果的に捉え、適用できることを実証しており、現在、産業フローにおいて大部分を占めている手動の微調整時間を削減できる可能性を示している。