CoEvoP&R: Co-Evolving Placement Objectives with Routing Feedback via Large Language Models
CoEvoP&R is een nieuw framework dat gebruikmaakt van grote taalmodellen om automatisch leesbare, differentieerbare plaatsingsobjectieven te evolueren die worden gestuurd door routing- en timingfeedback, wat de post-route draadlengte, congestie en timingmetrieken aanzienlijk verbetert in vergelijking met native analytische placers.
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 koffer probeert in te pakken voor een reis, maar je hebt een strikte regel: je moet alles zo ordenen dat het er perfect in past, er netjes uitziet en gemakkelijk te pakken is wanneer je aankomt. In de wereld van computerchips is deze "koffer" de silicium-die, en de "voorwerpen" zijn miljarden minuscule elektronische componenten. Het proces van het ordenen van deze componenten wordt placement genoemd. Als je ze slecht inpakt, worden de draden die hen verbinden te lang, ontstaan er verkeersopstoppingen (genoemd als congestion) en draait de chip te traag of verbruikt hij te veel stroom.
Om dit op te lossen, gebruiken ingenieurs slimme computerprogramma's die analytical placers worden genoemd. Deze programma's proberen de beste ordening te vinden door een "score" of "doelfunctie" (objective function) te minimaliseren. Denk aan deze score als een recept voor een perfect inpakwerk. Traditioneel geeft dit recept alleen aandacht aan hoe kort de draden zijn en hoe gelijkmatig de voorwerpen zijn verspreid. Er is echter een addertje onder het gras: een korte draad op de tekening betekent niet altijd een snelle chip in de echte wereld. De echte test komt later, wanneer de draden daadwerkelijk worden gebouwd en de chip wordt getest op snelheid. Als het recept te simpel is, kan het eindproduct falen voor de snelheidstest, waardoor ingenieurs opnieuw moeten beginnen. Jarenlang hebben experts geprobeerd dit op te lossen door het recept handmatig aan te passen of door "black box" AI te gebruiken die goed werkt, maar onmogelijk te begrijpen of te repareren is wanneer het misgaat.
Dit is waar een nieuwe aanpak genaamd CoEvoP&R om de hoek komt kijken. Het is also concentrated een creatieve, superintelligente robotkok een kookboek geven en hem vragen om een nieuw recept te verzinnen dat een perfecte koffer garandeert, en niet alleen een nette. Het artikel introduceert een framework dat gebruikmaakt van een Large Language Model (LLM)—dezelfde technologie achter geavanceerde chatbots—om deze placement-recepten automatisch te evolueren en te verbeteren. In plaats van dat een mens raadt wat de perfecte formule zou moeten zijn, fungeert de LLM als een nieuwsgierige ontdekkingsreiziger. Het stelt een nieuwe "doelfunctie" voor (een wiskundige formule), test deze op een gesimuleerde chip, en controleert vervolgens de resultaten met behulp van echte routing- en timingtools. Als de nieuwe formule de draden korter maakt en de chip sneller, leert de LLM van dat succes. Als het faalt, leert de LLM van die fout.
De onderzoekers ontdekten dat deze methode verrassend goed werkt. Door de AI de regels voor het inpakken van chips te laten "evolueren", waren ze erin geslaagd de uiteindelijke kwaliteit van het chipontwerp aanzienlijk te verbeteren. Op een reeks standaard testontwerpen verminderde deze nieuwe methode de lengte van de draden die de componenten verbinden met 16,9% en verminderde het de verkeersopstoppingen (congestion) met 36,7% vergeleken met de standaardmethode. Nog indrukwekkender was dat het de snelheid van de chip verbeterde, waarbij de slechtst denkbare timingvertraging met 0,70 nanoseconden verbeterde en een enorme totale timingvertraging van 912 nanoseconden oploste. Het team heeft deze geëvolueerde recepten ook getest op verschillende soorten chips en vond dat ze nog steeds goed werkten, waarbij ze de draadlengte met 5,4% en de congestie met 23,2% verminderden op andere ontwerpen.
Wat dit bijzonder maakt, is dat de AI niet slechts een mysterieuze black box is; het schrijft de eigenlijke wiskundige formules uit op een manier die mensen kunnen lezen en begrijpen. Het leert door een "geheugen" bij te houden van wat wel en niet werkte, en gebruikt die geschiedenis om de volgende poging te sturen. Het artikel suggereert dat deze aanpak de kloof overbrugt tussen het initiële inpakplan en de uiteindelijke, real-world prestaties van de chip, en een manier biedt om automatisch betere ontwerpregels te ontdekken zonder dat een menselijke expert elke enkele variabele handmatig hoeft aan te passen. Het is een stap naar computers die niet alleen instructies kunnen volgen, maar ook betere manieren kunnen uitvinden om complexe fysieke problemen op te lossen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.