SKILL: Self-correcting Knowledge-guided Iterative Large Language Model Agent for Logic Optimization
Het artikel introduceert SKILL, een zelfcorrigerend, kennisgestuurd iteratief multi-agent systeem dat gespecialiseerde Large Language Models combineert met Proximal Policy Optimization om traditionele expert flows in logische synthese-optimalisatie aanzienlijk te overtreffen door een verbetering van 12,4% in PDA-metrieken en een succespercentage van 86,3% op grootschalige benchmarks te behalen.
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
De digitale wereld draait op logica, de onzichtbare architectuur van beslissingen die alles aandrijft, van smartphones tot satellieten. In het hart van deze architectuur ligt een cruciale stap genaamd logische synthese, waarbij ingenieurs abstracte ontwerpideeën vertalen naar de werkelijke fysieke ordening van miljarden minuscule schakelaars op een computerchip. Decennialang vertrouwde dit proces op rigide, door experts geschreven instructies die de computer vertellen hoe deze schakelaars te herschikken om ze sneller, kleiner en energiezuiniger te maken. Echter, naarmate chips complexer worden, hebben deze vaste instructies moeite om het bij te houden, waarbij ze vaak betere oplossingen missen die verborgen liggen in de enorme, chaotische mogelijkheden van hoe een chip gebouwd zou kunnen worden. De zoektocht naar de perfecte ordening is als het proberen te vinden van één specifiek zandkorreltje op een strand dat van vorm verandert elke keer dat je ernaar kijkt, wat het bijna onmogelijk maakt voor traditionele methoden om efficiënt te navigeren.
Om dit op te lossen, hebben onderzoekers aan de University of California, Riverside, een nieuw systeem ontwikkeld genaamd SKILL, dat fungeert als een slimme, zelfcorrigerende gids voor chipontwerp. In plaats van een statisch script te volgen, gebruikt SKILL een team van geavanceerde kunstmatige intelligentiemodellen die samenwerken om de ontwerpplek te verkennen, vergelijkbaar met een groep specialisten die samenwerken aan een moeilijke puzzel. Eén model fungeert als een strategische planner, die de langetermijndoelen voor de prestaties van de chip in kaart brengt. Een tweede model duikt diep in de details, waarbij het specifieke knelpunten en structurele zwakheden in het ontwerp opspoort. Een derde model verzorgt snelle analyse, waarbij duizenden mogelijkheden in realtime controleert om het proces gaande te houden. Deze drie digitale geesten werken niet in isolatie; ze zijn gekoppeld aan een lerende agent die direct interageert met de industriële softwaretools die worden gebruikt om chips te bouwen. Deze agent probeert verschillende wijzigingen uit, observeert de resultaten en leert van de feedback, waardoor een continue lus van vallen, opstaan en verbetering ontstaat.
Wat dit systeem onderscheidt, is het vermogen om te herkennen wanneer het een fout maakt en zichzelf te corrigeren zonder menselijke hulp. In het verleden, als een geautomatiseerd systeem een slechte keuze maakte die een chip trager of groter maakte, kon het die verkeerde weg blijven volgen totdat het hele proces faalde. SKILL monitort echter voortdurend de gezondheid van het ontwerp. Als het detecteert dat een wijziging het ontwerp heeft verslechterd, stopt het onmiddellijk, analyseert waarom de beslissing mislukte en vraagt zijn team van AI-modellen om een nieuwe strategie te bedenken om te herstellen. Dit zelfcorrigerende mechanisme stelt het systeem in staat om het complexe landschap van chipontwerp te navigeren met een veerkracht die eerdere methoden misten, waarbij doodlopende wegen worden omgezet in nieuwe kansen voor optimalisatie.
De onderzoekers testten SKILL op een grote verscheidenheid aan real-world chipontwerpen, variërend van kleine academische projecten tot massieve industriële systemen met tot wel 500.000 logische poorten. Ze vergeleken de prestaties van het systeem met de beste bestaande methoden, inclusief die uitgevoerd door menselijke experts en andere geautomatiseerde leersystemen. De resultaten toonden aan dat SKILL consistent betere resultaten produceerde, waarbij de balans tussen vermogen, snelheid en fysieke grootte met gemiddeld 12,4 procent werd verbeterd ten opzichte van de door experts ontworpen flows. Deze verbetering is aanzienlijk in de wereld van chipontwerp, waar zelfs één procentpunt het verschil kan betekenen tussen een apparaat dat in een broekzak past en een apparaat dat een koelsysteem vereist. Bovendien slaagde het systeem erin om 86,3 procent van de pogingen tot optimalisatie te voltooien, wat een hoog niveau van betrouwbaarheid aantoont, zelfs bij de meest complexe circuits.
Het succes van SKILL komt voort uit hoe het de kloof overbrugt tussen hoogwaardig redeneren en uitvoering op laag niveau. Terwijl traditionele kunstmatige intelligentie vaak moeite heeft met het begrijpen van de specifieke regels van chipontwerp, kunnen de modellen van het SKILL-team de abstracte doelen van een ontwerp interpreteren en deze vertalen naar concrete acties die de synthesetools kunnen uitvoeren. Deze samenwerking stelt het systeem in staat om te leren van het werkelijke gedrag van de ontwerpsoftware, in plaats van alleen patronen te raden. De onderzoekers ontdekten dat het verwijderen van een van de drie AI-modellen of het uitschakelen van de zelfcorrectiefunctie leidde tot een merkbare daling in prestaties, wat bewijst dat de combinatie van strategische planning, gedetailleerde analyse en snelle feedback essentieel is om het systeem te laten werken.
Deze aanpak markeert een verschuiving in hoe geautomatiseerde ontwerptools worden gebouwd. In plaats van uitsluitend te vertrouwen op wiskundige algoritmen om oplossingen te zoeken, integreert SKILL de redeneervermogens van grote taalmodellen met de precisie van industriële engineeringtools. Het systeem vindt niet alleen een oplossing; het begrijpt waarom een oplossing werkt en hoe het moet herstellen wanneer dat niet het geval is. Door deze intelligente agenten te funderen in de real-world feedback van professionele ontwerpsoftware, hebben de onderzoekers een tool gecreëerd die zich aanpast aan de unieke uitdagingen van elke chip die het ontwerpt. Naarmate digitale systemen complexer blijven worden, biedt dit vermogen om te leren, te redeneren en zichzelf te corrigeren een veelbelovend pad vooruit voor de toekomst van elektronisch ontwerp, waarbij wordt gegarandeerd dat de chips van morgen gebouwd kunnen worden met de efficiëntie en betrouwbaarheid die de moderne technologie vereist.
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.