EDATracer: An Agentic Framework for Large-Scale EDA Artifact Analysis
EDATracer is een agentisch framework dat gebruikmaakt van een kennisgraaf en een semantische vectorindex om grootschalige, op bewijs gebaseerde analyse van heterogene EDA-artefacten mogelijk te maken, waarbij het bestaande tools overtreft op een nieuwe benchmark van 90 vragen afgeleid van een dataset van 2.787 ontwerpen, terwijl het aanzienlijk minder tokens gebruikt.
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 een kapotte auto te repareren, maar in plaats van één enkele motor heb je een miljoen verspreide onderdelen: de blauwdrukken, de handgeschreven aantekeningen van de monteur, de computerlogs van de fabriek, de lijst van elke gebruikte bout en een rapport over hoeveel brandstof de motor zou moeten hebben verbruikt. Stel je nu voor dat de auto een computerchip is, en de "monteur" een superintelligent computerprogramma (een AI) is dat probeert uit te zoeken waarom de auto niet start. Dit is de dagelijkse realiteit voor ingenieurs die moderne chips ontwerpen. Zij vertrouwen op Electronic Design Automation (EDA) tools, die als enorme, geautomatiseerde fabrieken werken die code omzetten in fysieke chipontwerpen. Deze tools genereren bergen verschillende bestanden—logs, scripts, rapporten en code—die allemaal met elkaar verbonden zijn, maar verspreid liggen over verschillende mappen.
Het probleem is dat het vinden van een specifieke aanwijzing in deze digitale hooiberg ongelooflijk moeilijk is. Als een chip faalt, kan de fout in een logbestand worden vermeld, maar de oorzaak zou verborgen kunnen zijn in een broncodebestand of een timingrapport van een andere fase van het ontwerp. Traditionele AI-tools raken vaak verdwaald in deze chaos, waarbij ze antwoorden gokken of de connectie tussen de bestanden missen. Dit artikel introduceert een nieuwe manier om deze AI-detectives te helpen het mysterie op te lossen zonder dat ze overweldigd raken door de enorme hoeveelheid gegevens.
De onderzoekers van Texas A&M University hebben een systeem gebouwd genaamd EDATracer. Zie EDATracer als een supergeorganiseerde bibliothecaris voor de wereld van het chipontwerp. In plaats van gewoon alle bestanden op een hoop te gooien en een AI te vragen om "alles te lezen", bouwt EDATracer eerst een gigantische, interactieve kaart (een kennisgrafiek of knowledge graph) van het gehele chipproject. Deze kaart legt de verbanden: het weet dat een specifieke fout in een logbestand gekoppeld is aan een specifieke regel code, die weer gekoppeld is aan een specifiek onderdeel van de blauwdruk van de chip.
Om hun idee te testen, keken de onderzoekers niet naar slechts één of twee ontwerpen; ze verzamelden een enorme collectie van 2.787 verschillende open-source chipontwerpen. Ze draalden deze door synthesetools om 18,9 GB aan real-world artefacten te genereren, inclus�kelijk logs, netlists (de blauwdrukken op gate-niveau) en prestatierapporten. Vervolgens creëerden ze een "test" bestaande uit 90 vragen, variërend van eenvoudige feiten ("Wat is de oppervlakte van deze chip?") tot complexe redeneringen ("Waarom faalde de timing?").
Toen ze EDATracer loslieten op deze vragen, trad het op als een team van agenten: één agent zocht op de kaart naar aanwijzingen, en een andere agent voegde die aanwijzingen samen om tot een antwoord te komen. De resultaten waren indrukwekkend. EDATracer was nauwkeuriger dan populaire commerciële AI-coderingassistenten zoals Cursor en Claude Code, waarbij het gemiddeld 6,4% tot 7,2% vaker het juiste antwoord gaf. Nog beter: het deed dit terwijl het 2,0 tot 3,2 keer minder "tokens" (de digitale munteenheid die AI gebruikt om na te denken en te spreken) verbruikte, wat het veel efficiënter maakte.
Het artikel suggereert dat de sleutel tot dit succes niet alleen het hebben van een slimmer AI-brein was, maar het geven van een betere kaart aan dat brein. Door het redeneren van de AI te funderen in een gestructureerde grafiek van bewijslast, voorkwam EDATracer de veelvoorkomende valkuil van "hallucineren" (dingen verzinnen) of het over het hoofd zien van het grotere geheel door de details. Hoewel het systeem zich momenteel richt op de synthesefase van het chipontwerp, laten de auteurs zien dat het organiseren van complexe, verspreide gegevens in een verbonden web een verwarde AI kan transformeren in een precieze detective, die problemen oplost die voorheen te chaotisch waren voor computers om alleen aan te pakken.
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.