Technische Samenvatting: MAGE: Human-Like Macro Placement via Agentic Multimodal Reasoning

1. Probleemstelling

Macro-plaatsing blijft een kritieke flessenhals in de VLSI-fysieke vormgeving, waarbij vaak substantiële handmatige verfijning door deskundige ingenieurs nodig is om hoogwaardige resultaten te bereiken. Hoewel bestaande geautomatiseerde methoden (klassieke optimalisatie, analytische placers en leer-gebaseerde benaderingen) legale plaatsingen kunnen produceren met concurrerende Power, Performance en Area (PPA)-metrieken, falen ze vaak in het reproduceren van de hogere mate van ruimtelijke regelmaat, functionele samenhang en structurele organisatie die kenmerkend zijn voor door experts ontworpen vloerplannen. Bijgevolg missen geautomatiseerde plaatsingen vaak de "menselijke" kwaliteiten—zoals coherente macro-groepering, randuitlijning en bruikbare witruimte—die downstream optimalisatie, routing en timing-closure faciliteren.

2. Methodologie: Het MAGE-framework

De auteurs stellen MAGE (Macro Placement Agentic Engine) voor, een multimodale multi-agent framework ontworpen om menselijke macro-plaatsingen te genereren zonder te vertrouwen op gelabelde plaatsingsdata of per-design training. In plaats daarvan codeert MAGE expertise in vloerplanning via gestructureerde natuurlijke taalinstructies, visuele controles en iteratieve verfijningscriteria.

Kernarchitectuur

MAGE werkt via een zesfasige workflow die wordt georkestreerd door tien gespecialiseerde agents:

1. Data Parsing & Kennisextractie: Extraheert geometrie, hiërarchie en connectiviteit, en bevraagt een kenniscorpus voor eerdere plaatsingspatronen en bekende problemen.
2. Hiërarchie-bewuste Groepering: Organiseert macro's in groepen op basis van hiërarchische prefixen en identificeert families van structureel gelijkaardige groepen om referentieplaatsingen te delen.
3. Groepsplacering: Wijst iteratief bounding boxes toe aan macro-groepen met behulp van connectiviteits- en IO-bewuste plaatsing, geleid door visuele flyline-diagrammen om sterke connectiviteit en IO-toegang te waarborgen.
4. Haalbaarheidscontrole: Verifieert of groepen fysiek passen binnen hun toegewezen bounding boxes, waarbij grote groepen indien nodig recursief worden gepartitioneerd.
5. Macro-plaatsing: Genereert een referentieplaatsing voor een representatieve groep in elke familie, waarbij zes ruimtelijke principes worden nageleefd (randplaatsing, macro-stapeling, pin-bewuste oriëntatie, IO-keepouts, pocket-minimalisatie en witruimtekwaliteit). Deze referentie wordt vervolgens getransformeerd en samengevoegd over de familie.
6. Onafhankelijke Validatie: Een staatloze auditor voert een "second-pass" visuele en regelgebaseerde audit uit om problemen te vangen die de generatieloop heeft gemist, zoals geblokkeerde pin-toegang of gefragmenteerde witruimte.

Multimodale Redenering en Visuele Feedback

Een onderscheidend kenmerk van MAGE is de verplichte visualisatie-gates. Op cruciale fasen genereert het framework plaatsingsdiagrammen (bijv. flylines, witruimte-heatmap, boundary coverage maps) die worden geïnspecteerd door Vision-Language Models (VLMs). De agents extraheren visuele feiten (bijv. "pin-randen wijzen naar aangrenzende macro's") en genereren actiegerichte verfijningssuggesties. Dit zorgt ervoor dat ruimtelijke eigenschappen die niet gemakkelijk in numerieke metrieken te vatten zijn, expliciet worden geëvalueerd.

Toernooi-stijl Verfijning

MAGE ondersteunt een Go-With-The-Winners (GWTW) toernooimodus. Meerdere kandidaat-plaatsingen worden parallel gegenereerd, geëvalueerd met vroege globale routing (eGR) draadlengte als proxy voor PPA, en gerangschikt. De best presterende kandidaten worden geanalyseerd om discrepanties te identificeren die bijdragen aan de draadlengte, en hun inzichten worden gebruikt om de begeleiding voor opeenvolgende rondes te verfijnen. Dit evolutionaire proces stelt het framework in staat om meerdere trajecten te verkennen in plaats van één enkel optimalisatiepad te volgen.

3. Belangrijkste Bijdragen

• Agentic Framework voor Human-Like Placement: MAGE is het eerste agentic macro-plaatsingsframework dat expliciet is ontworpen om menselijke oplossingen te genereren door de taak te deconstrueren in een gestructureerde, meerfasige pijplijn in plaats van een monolithische optimalisatie.
• Principes en Metrieken voor Menselijkheid: De auteurs formaliseren zes ruimtelijke principes van expert-vloerplanning en introduceren vier kwantitatieve metrieken om "menselijkheid" te meten:
  • Notch Score: Meet de grilligheid in de contouren van macro's.
  • Whitespace Score: Evalueert de rechthoekigheid en compactheid van de vrije ruimte.
  • Pocket Score: Bestraft kleine, onbruikbare vrije ruimtes.
  • Alignment Score: Beoordeelt randplaatsing, randuitlijning, hoekbezetting en stapelcorrectheid.
• Tweestaps-synthese: Het framework scheidt structurele organisatie (Fase 1–5) van implementatie-metriek optimalisatie (Toernooi-verfijning), waardoor de structurele integriteit behouden blijft terwijl timing en draadlengte worden verbeterd.
• Generalisatie: De aanpak vertoont zero-shot transfer naar onbekende designs, rectilineaire vloerplannen en situaties met hoge utiliteit zonder design-specifieke hertraining.

4. Experimentele Resultaten

Het framework werd geëvalueerd op negen designs over NanGate45 (NG45) en GlobalFoundries 12nm (GF12) enablement, waarbij het werd vergeleken met een menselijke expert, twee commerciële macro placers (Comm-1, Comm-2) en OpenROAD's Hier-RTLMP.

• PPA Verbeteringen:
  • vs. Human Expert: MAGE verbeterde de Worst Negative Slack (WNS) met 18,3% en de Total Negative Slack (TNS) met 72,5% op NG45 designs, met vergelijkbare draadlengte en vermogen.
  • vs. Commerciële Placers: MAGE behaalde geometrisch-gemiddelde verbeteringen van 11,1%–19,3% in WNS en 70,0%–74,0% in TNS ten opzichte van commerciële baselines, zij het met een trade-off van hogere gerouteerde draadlengte (rWL) en vermogen.
  • vs. Hier-RTLMP: MAGE verbeterde WNS met 47,0% en TNS met 80,4%, terwijl het ook rWL en vermogen verminderde.
• Human-Likeness: MAGE presteerde beter dan alle baselines op de algemene human-likeness score ($S_{HM}$) met 6%–48%.
• Case Studies:
  • Onbekende Designs: Op twee GF12 designs die niet in de training zijn gebruikt, verbeterde MAGE de TNS met 27%–40% ten opzichte van commerciële baselines.
  • Rectilineaire Vloerplannen: MAGE verbeterde de WNS op dichte rectilineaire designs (>70% utiliteit), waar commerciële tools vaak gefragmenteerde plaatsingen produceren.
  • Hoge Utiliteit: Onder strikte area-restricties (tot 80% utiliteit) behield MAGE een betere timing-closure dan commerciële tools door georganiseerde routingkanalen te bewaren.

5. Betekenis en Claims

Het artikel claimt dat menselijke macro-organisatie dient als een nuttige structurele prior voor downstream routing en timing-closure. De resultaten suggereren dat de specifieke structurele regelmatigheden die door MAGE worden afgedwongen (bijv. continue witruimte, uitgelijnde stapels) direct bijdragen aan betere timing-resultaten (verminderde clock skew en congestie), zelfs wanneer de totale draadlengte hoger is.

De auteurs benadrukken dat MAGE een verschuiving vertegenwoordigt van het behandelen van macro-plaatsing als een puur numeriek optimalisatieprobleem naar een gestructureerd ontwerpproces geleid door expert-principes. Door deze principes te coderen via multimodale redenering en visuele feedback, kan het framework de organisatorische logica van menselijke experts repliceren zonder dat daarvoor dure training op gelabelde data nodig is. Het werk demonstreert dat agentic, multimodale systemen effectief complexe fysieke ontwerp-oordelen kunnen vangen en toepassen, wat potentieel de tijd voor handmatige verfijning kan verminderen die momenteel de industriële flows domineert.