🤖 AI

ORFS-agent: Tool-Using Agents for Chip Design Optimization

Dit artikel introduceert de ORFS-agent, een modulaire, modelonafhankelijke, op LLM's gebaseerde iteratieve optimalisatie-agent die in open-source chipontwerpstromen superieure prestatiecriteria bereikt met minder iteraties dan standaard Bayesiaanse optimalisatie en flexibele, interpreteerbare meerobjectieve afstemming mogelijk maakt via natuurlijke taaldoelstellingen.

Oorspronkelijke auteurs: Amur Ghose, Andrew B. Kahng, Sayak Kundu, Zhiang Wang

Gepubliceerd 2026-05-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Amur Ghose, Andrew B. Kahng, Sayak Kundu, Zhiang Wang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert de perfecte chocoladetaart te bakken. Je hebt een recept, maar het heeft duizenden kleine knoppen die je kunt draaien: hoeveel meel, precies hoe lang je moet mixen, de exacte temperatuur van de oven, de luchtvochtigheid in de kamer, en zelfs het merk van de chocoladechips. Als je er maar één van deze lichtjes aanpast, kan de taart perfect uitvallen, of het kan een droge, verbrande ramp worden.

In de wereld van computerchips staan ingenieurs voor precies dit probleem. Het ontwerpen van een chip is als het bakken van een taart, maar dan met miljoenen ingrediënten en regels. Er zijn duizenden instellingen (parameters) die bepalen hoe de chip wordt gebouwd. Het juist instellen van deze parameters is cruciaal voor de snelheid van de chip, het lage energieverbruik en het passen op een klein stukje silicium.

Het Probleem: De "Zwarte Doos" van Chipontwerp
Traditioneel hebben ingenieurs een methode genaamd "Bayesian Optimization" gebruikt om de beste instellingen te vinden. Denk hierbij aan een zeer slimme, maar lichtelijk blinde proever. Het probeert een instelling, proeft de taart en zegt: "Oké, probeer de volgende keer iets meer suiker." Het is goed, maar het begrijpt het recept niet echt. Het volgt gewoon een wiskundig patroon. Het vereist ook veel pogingen (iteraties) om het goed te krijgen, wat veel tijd en geld kost.

De Oplossing: ORFS-agent (De "Denkende" Chef)
De auteurs van dit artikel introduceerden ORFS-agent. In plaats van een blinde proever, stel je je een Meesterchef voor die het volledige kookboek kan lezen, de chemie van het bakken begrijpt en met je kan praten in gewoon Nederlands.

Deze "Chef" wordt aangedreven door een Large Language Model (LLM)—hetzelfde type AI dat verhalen kan schrijven of vragen kan beantwoorden. Maar hier krijgt de AI een speciale taak:

Het leest de resultaten: Het bekijkt de logs van het chipontwerpproces (zoals het lezen van de textuur en smaak van de taart).
Het gebruikt hulpmiddelen: Het kan een "gereedschapskist" met wiskundige helpers (zoals een rekenmachine of een grafiektool) raadplegen om de data te analyseren.
Het denkt: Het raadt niet zomaar. Het redeneert door de data heen en vraagt zichzelf af: "Waarom werd de chip te heet? Misschien moet ik de kloksnelheid vertragen en meer padding toevoegen."
Het past aan: Het verandert de instellingen voor de volgende ronde van "bakken".

Hoe Het in de Praktijk Werkt
De onderzoekers testten deze AI-chef op echte chipontwerpen met twee verschillende "hersenen" (AI-modellen):

Sonnet 4.6: Een krachtig, commercieel AI-model.
Kimi K2.5: Een krachtig, open-source AI-model dat iedereen op zijn eigen computers kan draaien.

Ze vroegen de AI om de chip te optimaliseren voor twee hoofddoelen: de draden binnenin de chip zo kort mogelijk maken (om ruimte te besparen) en de kloksnelheid zo snel mogelijk maken (om het sneller te laten werken).

De Resultaten: Sneller, Goedkoper en Slimmer
Het artikel claimt enkele indrukwekkende resultaten:

Minder Pogingen: De AI-chef vond betere instellingen met 40% minder pogingen dan de traditionele methode. Het is alsof je het perfecte taartrecept in de helft van de tijd vindt.
Betere Taarten: De uiteindelijke chips waren iets beter (ongeveer 1% tot 2,7% verbetering) qua snelheid, vermogen en grootte in vergelijking met de oude methode.
Open Source Vriendelijk: De open-source AI (Kimi) presteerde bijna exact even goed als de dure commerciële versie. Dit betekent dat bedrijven geen enorme vergoedingen hoeven te betalen om deze technologie te gebruiken; ze kunnen het privé draaien.
Luisteren naar Instructies: De AI kan natuurlijke taal begrijpen. Als een ingenieur zegt: "Ik geef meer om snelheid dan om grootte, maar laat de grootte niet meer dan 2% verslechteren", dan begrijpt de AI dat en volgt die regel. Traditionele methoden hebben moeite met dit soort flexibele instructies.

De "Zoek"-Hulpmiddel: Een Tweesnijdend Zwaard
De onderzoekers gaven de AI ook een "zoekmachine"-hulpmiddel, waardoor het documentatie of onderzoeksartikelen kon opzoeken om de knoppen beter te begrijpen.

Aan het begin: Dit hielp de AI om snel op gang te komen, zoals een chef die een snelle tip leest voordat hij begint.
Later: Zodra de AI de specifieke chip had geleerd, vertraagde het zoeken naar meer informatie het proces eigenlijk of maakte het het iets slechter. Het is als een chef die blijft lezen in het boek terwijl de taart in de oven staat, en vergeet om de taart daadwerkelijk te controleren.

Waarom Dit Belangrijk Is
Het belangrijkste deel van dit artikel is dat de ORFS-agent een "plug-and-play"-systeem is. Het hoeft niet opnieuw getraind of fijn afgestemd te worden voor elke nieuwe chip of elk nieuw AI-model. Als er morgen een betere AI uitkomt, kun je gewoon de "hersenen" in de agent vervangen, en wordt het direct slimmer. Het is alsof je een robotchef hebt die direct zijn hersenen kan upgraden zonder een nieuw lichaam of een nieuw kookboek nodig te hebben.

Kortom, dit artikel laat zien dat AI-agenten die kunnen "denken", hulpmiddelen gebruiken en instructies in natuurlijke taal volgen, computerchips efficiënter en effectiever kunnen ontwerpen dan traditionele wiskundige methoden, waardoor tijd en geld worden bespaard.

1. Probleemstelling

Het ontwerp van geïntegreerde schakelingen (IC) omvat complexe Electronic Design Automation (EDA)-flows (van Register-Transfer Level tot fysieke lay-out) die worden beheerst door duizenden hyperparameters. Kleine aanpassingen in deze parameters kunnen aanzienlijke impact hebben op vermogen, prestaties en oppervlakte (PPA).

De Uitdaging: Traditionele optimalisatiemethoden, zoals Bayese Optimalisatie (BO), zijn efficiënt maar missen vaak domeinkennis, vereisen expliciet gedefinieerde doelwitfuncties en hebben moeite met hoogdimensionale, combinatorische zoekruimtes.
Het Gat: Hoewel Large Language Models (LLM's) breed "wereldkennis" en redeneervermogen bezitten, berustten eerdere pogingen om ze toe te passen op EDA vaak op fine-tuning van specifieke modellen op domeindata. Deze aanpak brengt hoge kosten met zich mee, vereist onderhoud bij de release van nieuwe foundation-modellen en beperkt de flexibiliteit.
Doel: Ontwikkel een model-agnostische, door LLM's gedreven agent die EDA-parameters autonoom kan afstemmen met behulp van natuurlijke taal-doelstellingen, waarbij redeneren en het gebruik van hulpmiddelen worden benut zonder hertraining.

2. Methodologie: ORFS-agent

De auteurs introduceren ORFS-agent, een iteratief optimalisatiekader geïntegreerd met OpenROAD-flow-scripts (ORFS), een open-source hardware-ontwerpproces.

Kernarchitectuur

Model-Agnostisch Ontwerp: De agent fungeert als een wrapper rondom elke geavanceerde LLM (getest met Anthropic's Sonnet 3.5, Sonnet 4.6 en Moonshot's Kimi K2.5). Het vereist zero fine-tuning, waardoor directe adoptie van nieuwere, capabelere modellen mogelijk is.
Iteratieve Lus: De agent opereert in een lus bestaande uit Run, Read, Collate, Inspect, Optimize, Agglomerate, en Alter.
1. Run: Voert $K$ parallelle OpenROAD-taken uit met verschillende parametersets.
2. Read/Collate: Verzamelt JSON-logbestanden en metrics (bijv. draadlengte, timing slack) uit gedeeltelijke of voltooide runs.
3. Inspect: Analyseert data-distributies en correlaties.
4. Optimize: Stelt nieuwe parametersets voor voor de volgende iteratie.
5. Agglomerate: Selecteert de beste $K$ kandidaten uit een grotere pool (bijv. om diversiteit of kwaliteit te maximaliseren).
6. Alter: Update de configuratiebestanden (config.mk en SDC) voor de volgende ronde.

Hulpmiddel-gebruik Capabilities

In tegenstelling tot eenvoudige prompt-gebaseerde agents, maakt ORFS-agent gebruik van een function-calling interface met vier categorieën hulpmiddelen:

INSPECT: Statistische analysehulpmiddelen (PCA, LOF, distributie-inspectie) om data-manifolds te begrijpen zonder ruwe logs te tokeniseren.
OPTIMIZE: Algoritmen om nieuwe punten voor te stellen, waaronder Gaussian Processes (GP), Expected Improvement (EI) en Latin Hypercube Sampling.
AGGLOM: Selectiehulpmiddelen om kandidaatsets te filteren (bijv. EntropySelect, GraphSelect) om diversiteit te behouden.
RETRIEVAL: Optionele webzoekopdrachten (Brave) en academische opzoekingen (OpenAlex) om de semantiek van parameters te bootstrappen of documentatie te vinden in een vroeg stadium van het optimalisatieproces.

Optimalisatiestrategie

Natuurlijke Taal Doelstellingen: Gebruikers definiëren doelen via natuurlijke taal (bijv. "minimaliseer draadlengte terwijl de kloksperiode onder 1ns blijft"). De agent vertaalt deze naar gewogen verliesfuncties.
Surrogaatbehandeling: De agent verwerkt gedeeltelijke data (bijv. het gebruik van Clock Tree Synthesis draadlengte als surrogaat voor de uiteindelijke gerouteerde draadlengte als de volledige flow time-out geeft).
Thinking Models: Het kader maakt gebruik van "thinking" modellen (zoals Sonnet 4.6 en Kimi K2.5) die interne redeneersporen genereren. De auteurs merken op dat hoewel deze sporen nuttig zijn voor debugging, ze niet letterlijk worden teruggevoerd om context-opschaling te voorkomen; in plaats daarvan worden beknopte beslissingssamenvattingen bewaard.

3. Belangrijkste Bijdragen

Kaderintegratie: Succesvol ingebed een LLM-agent in de OpenROAD-flow, waardoor autonome, iteratieve afstemming van fysieke ontwerpparameters mogelijk is.
Model Agnosticisme: Aangetoond dat de agent naadloos werkt over verschillende LLM-backends (propriëtaire en open-weight) zonder hertraining, wat de implementatiekosten en latentie aanzienlijk verlaagt.
Tool-Augmented Reasoning: Aangetoond dat het combineren van LLM-redenering met externe hulpmiddelen (Bayese optimalisatiebibliotheken, statistische analyse en ophalen) superieur is aan pure black-box optimalisatie.
Uitgebreide Evaluatie: Het systeem gevalideerd op zes benchmarks (IBEX, AES, JPEG) over twee technologienodes (SKY130HD en ASAP7), vergeleken met standaard Bayese optimalisatie (OR-AutoTuner) en eerdere LLM-baselines.

4. Experimentele Resultaten

De experimenten werden uitgevoerd op Google Cloud Platform met 25 parallelle runs per iteratie.

Prestaties vs. OR-AutoTuner (Bayese Optimalisatie)

Efficiëntie: ORFS-agent behaalde superieure of vergelijkbare resultaten dan OR-AutoTuner terwijl er 40% minder iteraties werden gebruikt (600 iteraties voor ORFS-agent versus 1000 voor OR-AutoTuner in 12-parameter instellingen).
Verbetering van Metrics:
- Sonnet 4.6: Verbeterde de geometrisch-gemiddelde genormaliseerde draadlengte ($WL$) met 1,0%, de Effectieve Kloksperiode ($ECP$) met 1,3%, en co-optimalisatie-doelstellingen met 2,7% ten opzichte van OR-AutoTuner.
- Kimi K2.5 (Open-Weight): Bereikte bijna identieke resultaten als Sonnet 4.6 (binnen 0,24%), wat bewijst dat open-weight modellen levensvatbaar zijn voor private, kosteneffectieve implementatie.

Impact van Model Backends

Thinking Models: De overstap van Sonnet 3.5 naar Sonnet 4.6 (een "thinking" model) leverde aanzienlijke winsten op: 7,5% verbetering in $WL$, 3,1% in $ECP$ en 4,0% in co-optimalisatie.
Redenering: De "thinking" modellen toonden betere naleving van beperkingen en stabielere multi-objectieve afwegingen.

Ophalen Analyse

Vroege Convergentie: Ophaalhulpmiddelen (WebSearch/ScholarlyLookup) versnelden de vroege convergentie (bij 200 iteraties), waardoor het geometrisch-gemiddelde co-optimalisatie-doel met ongeveer 0,35% verbeterde.
Eindpunt: Verrassend genoeg verslechterde ophalen de eindpunten van 600 iteraties met ongeveer 0,6%. De auteurs concluderen dat ophalen fungeert als "steigers" voor initiële parameterbegrip, maar ruis of context-opschaling introduceert in latere, fijnafstemmende fasen.

Robuustheid en Beperkingen

Beperkte Optimalisatie: ORFS-agent slaagde erin natuurlijke taal-beperkingen succesvol te hanteren (bijv. "verlaag het vermogen niet met meer dan 2%"), en presteerde beter dan OR-AutoTuner, die moeite had met dergelijke zachte beperkingen.
Statistische Significantie: Uitgebreide ablatiestudies (verduistering, ruisinjectie, meerdere runs) bevestigden dat de resultaten robuust zijn en niet het gevolg zijn van datalekken of memorisatie.

5. Betekenis en Toekomstige Richtingen

Paradigmaverschuiving: Het artikel toont aan dat model-agnostische, hulpmiddelen-gebruikende agents een superieur alternatief zijn voor fine-tuning voor dynamische, hoog-risico engineeringtaken zoals chipontwerp. Dit stelt de gemeenschap in staat om direct de nieuwste LLM-doorbraken te benutten zonder kosten voor hertraining.
Interpreteerbaarheid: Door het vastleggen van redeneersamenvattingen en beslissingstrajecten biedt de agent een interpreteerbaar beeld van het optimalisatieproces, in tegenstelling tot "black-box" BO-methoden.
Kostenefficiëntie: Het gebruik van open-weight modellen (Kimi K2.5) en gereduceerde iteratieaantallen maakt hoogwaardige chipoptimalisatie aanzienlijk toegankelijker en betaalbaarder.
Toekomstig Werk: De auteurs plannen om dynamische hulpmiddelgeneratie mogelijk te maken (waardoor de LLM zijn eigen hulpmiddelen kan creëren), visuele feedback te integreren voor multi-modale redenering, en het kader te schalen naar grotere, complexere schakelingen.

Kortom, ORFS-agent vertegenwoordigt een belangrijke stap voorwaarts in AI-gedreven EDA, en bewijst dat LLM's uitgerust met redeneer- en hulpmiddelgebruikscapaciteiten traditionele optimalisatiealgoritmen kunnen overtreffen in complexe, real-world hardware-ontwerpscenario's, terwijl ze meer flexibiliteit en interpreteerbaarheid bieden.