🤖 AI

Automated QoR improvement in OpenROAD with coding agents

Dit paper presenteert AuDoPEDA, een autonoom systeem dat gebruikmaakt van LLM-gebaseerde coding agents om zelfstandig verbeteringen in de OpenROAD-EDA-toolchain door te voeren, wat resulteert in significante reducties in wirelength, klokperiode en energieverbruik.

Oorspronkelijke auteurs: Amur Ghose, Junyeong Jang, Andrew B. Kahng, Jakang Lee

Gepubliceerd 2026-02-11

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Amur Ghose, Junyeong Jang, Andrew B. Kahng, Jakang Lee

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 een gigantische, hypermoderne fabriek hebt (de chip-fabriek) die miljarden piepkleine onderdelen (transistors) op een perfecte manier moet rangschikken. Dit is een taak die zo ongelooflijk ingewikkeld is, dat er alleen een handjevol "super-ingenieurs" ter wereld is die de machines en de blauwdrukken begrijpen. Het probleem? Er zijn te weinig ingenieurs, en de blauwdrukken zijn zo dik en ingewikkeld dat zelfs een mens er jaren over doet om ze te leren.

Dit paper presenteert AuDoPEDA: een systeem dat eigenlijk een "AI-ingenieur" is die zichzelf kan inwerken, plannen kan maken en de machines zelfs kan verbeteren.

Hier is hoe het werkt, uitgelegd met een simpele metafoor:

1. De "Super-Bibliothecaris" (S0: Documentatie)

Stel je voor dat de fabriek een enorme berg ongestructureerde handleidingen, krabbels en technische tekeningen is. Een nieuwe werknemer zou er een jaar over doen om alles te begrijpen.
AuDoPEDA begint met een super-bibliothecaris. Deze AI leest niet alleen de tekst, maar tekent een enorme, digitale landkaart van hoe elk onderdeel met het andere verbonden is. Hij maakt voor elk schroefje en elke motor een klein "spiekbriefje" (de Docmaker). Nu weet de AI precies: "Als ik aan dit hendeltje draai, gebeurt er dat bij die motor."

2. De "Slimme Onderzoeker" (S1: Planning)

Nu de AI de fabriek begrijpt, sturen we hem naar de universiteit. De AI leest duizenden wetenschappelijke artikelen over hoe je fabrieken efficiënter kunt maken.
In plaats van zomaar wat te proberen, werkt hij als een wetenschapper. Hij combineert zijn kennis van de fabriek (de landkaart) met de nieuwste ontdekkingen uit de boeken. Hij zegt dan: "Ik heb een plan: als we de lopende band een klein beetje sneller laten draaien op de momenten dat er weinig druk is, besparen we energie zonder dat de boel vastloopt."

3. De "Bouwtekenaar" (S2: Lokalisatie)

Een plan als "maak de fabriek sneller" is te vaag. De AI moet weten welk specifiek onderdeel hij moet aanpassen.
De AI werkt hier als een architect. Hij vertaalt het grote plan naar een heel gedetailleerde "reparatie-lijst". Hij zegt niet: "Verbeter de motor," maar: "Vervang schroef A met schroef B, test daarna of de machine nog draait, en als de snelheid met 5% stijgt, is het gelukt."

4. De "Zelfstandige Monteur" (S3: Uitvoering)

Dit is het meest indrukwekkende deel. De AI krijgt een robotarm (de Codex-agent) die daadwerkelijk de onderdelen kan vervangen.
De AI voert de reparatie uit, zet de machine aan en kijkt naar de meters.

Gaat het mis? (Bijvoorbeeld: de machine maakt een raar geluid of de snelheid gaat omlaag). Dan zegt de AI: "Oeps, foutje!", zet hij de machine direct terug naar de oude staat (de rollback) en leert hij van zijn fout om het de volgende keer beter te doen.
Gaat het goed? Dan houdt hij de verbetering vast.

Wat heeft het opgeleverd? (De resultaten)

De onderzoekers lieten de AI de "fabriek" (de OpenROAD-software) verbeteren, en de resultaten waren spectaculair:

Minder rommel: De "bedrading" in de chips werd tot wel 5,9% korter. (Denk aan kortere kabels in je huis, wat minder chaos geeft).
Sneller werken: De chips konden tot 10% sneller tikken.
Minder stroomverbruik: De chips verbruikten tot wel 19,4% minder energie.

De kernboodschap

In plaats van dat mensen de software moeten schrijven om chips te ontwerpen, heeft dit onderzoek bewezen dat we een AI kunnen bouwen die zichzelf inwerkt, wetenschappelijke plannen maakt en de software zelfstandig optimaliseert. Het is niet langer een assistent die alleen maar tekst typt, maar een digitale ingenieur die echt meebouwt aan de toekomst.

Technische Samenvatting: AuDoPEDA

1. Het Probleem: Tekort aan expertise in EDA-ontwikkeling

De ontwikkeling van Electronic Design Automation (EDA) software is een kritiek knelpunt in de chipindustrie. Het ontwerpen van VLSI-systemen vereist senior engineers die complexe, multi-language codebases (C++, Tcl, Python, Verilog) kunnen begrijpen en optimaliseren. De huidige uitdagingen zijn:

Complexiteit van codebases: Projecten zoals OpenROAD bevatten miljoenen regels code met impliciete interfaces en weinig documentatie.
Beperkingen van huidige LLM's: Hoewel Large Language Models (LLM's) goed zijn in lokale programmeertaken, falen ze vaak bij taken die context vereisen over grote repositories, ongedocumenteerde invarianten en heterogene toolchains.
Kwaliteit van resultaten (QoR): Software-optimalisatie in EDA is niet alleen een kwestie van "werkende code", maar moet leiden tot meetbare verbeteringen in Power, Performance, and Area (PPA).

2. Methodologie: Het AuDoPEDA-framework

De auteurs introduceren AuDoPEDA, een autonoom systeem dat werkt via een gesloten lus (closed-loop) van documentatie, planning en uitvoering. Het proces is onderverdeeld in vier fasen:

Fase 0: Repository Graphing & Documentation Bootstrap (S0):
Het systeem gebruikt tree-sitter om abstracte syntaxisbomen (AST's) te genereren van de codebase. Er wordt een eigenschapengraaf ( $G$ ) gebouwd die relaties tussen bestanden, functies en calls vastlegt. Een "Docmaker"-pipeline genereert vervolgens hiërarchische "documentation cards" die API's, invarianten en configuratieopties samenvatten, waardoor de context voor de LLM wordt verkleind en verduidelijkt.
Fase 1: Literature-Grounded Planning (S1):
In plaats van simpele prompts gebruikt het systeem DSPy om een declaratieve planning-programma te compileren. De planner combineert de gegenereerde code-documentatie met een corpus van wetenschappelijke EDA-literatuur (via RAG). Dit resulteert in hoogwaardige onderzoekshypothesen (bijv. "pas de kostenfunctie aan om congestie te verminderen").
Fase 2: Plan Localization (S2):
De abstracte plannen worden vertaald naar concrete wijzigingen. Het systeem identificeert de exacte "edit surfaces" (bestanden en functies) in de graaf en creëert een gedetailleerd stappenplan met pre-flight checks, runtime probes en acceptatiecriteria.
Fase 3: Autonome Executie met QoR-feedback (S3):
Een Codex-class coding agent voert de wijzigingen uit (diffs), compileert de code en draait de volledige OpenROAD-ontwerpflows. Het systeem gebruikt een "hill-climbing" strategie: als een wijziging de PPA-doelen (zoals draadlengte of vermogen) verbetert zonder fouten (DRC/timing) te introduceren, wordt deze geaccepteerd. Bij fouten wordt de wijziging teruggedraaid (rollback) en wordt de fout gebruikt als feedback voor de volgende iteratie.

3. Belangrijkste Bijdragen

Graph-gestuurde documentatie: Een methode om complexe, multi-language repositories om te zetten in machine-leesbare kennis.
Literatuur-gebaseerde planning: Het koppelen van wetenschappelijke kennis aan concrete code-implementaties via DSPy.
Autonome EDA-agent: Een systeem dat niet alleen code schrijft, maar ook de fysieke resultaten (PPA) van die code begrijpt en optimaliseert.
End-to-end validatie: De eerste demonstratie van een agent die daadwerkelijk algoritmes in een industriële-schaal EDA-stack kan verbeteren.

4. Resultaten

De experimenten op de OpenROAD-stack met diverse PDK's (zoals ASAP7 en SKY130HD) leverden significante verbeteringen op:

Draadlengte (Routed Wirelength): Reducties tot 5,9% door het optimaliseren van de detailed placement engine.
Timing (Effective Clock Period - ECP): Reducties tot 10,0% door het implementeren van een geavanceerd, timing-gedreven plaatsings- en resizer-framework.
Vermogen (Power): Reducties tot 19,4% door een nieuwe strategie voor instance-based recovery (het prioriteren van cellen op basis van hun vermogensbijdrage in plaats van alleen timing-paden).

5. Betekenis en Conclusie

Dit werk markeert een verschuiving in de rol van AI binnen de chipindustrie. In plaats van AI te gebruiken als een simpele assistent voor scriptgeneratie, laat AuDoPEDA zien dat AI-agenten kunnen fungeren als autonome onderzoekers. Ze kunnen code lezen, wetenschappelijke concepten begrijpen, implementaties voorstellen en deze valideren tegen fysieke ontwerpeisen. Dit biedt een pad naar zelf-verbeterende EDA-toolchains, wat essentieel is om de groeiende complexiteit van chipontwerp bij te houden.