Automated QoR improvement in OpenROAD with coding agents

Resumo Técnico: AuDoPEDA – Melhoria Automatizada de QoR no OpenROAD com Agentes de Codificação

1. O Problema

O desenvolvimento de ferramentas de Automação de Projeto Eletrônico (EDA) é um processo extremamente complexo, limitado pela escassez de engenheiros seniores capazes de navegar em bases de código massivas, multilinguagens (C++, Tcl, Python, Verilog) e com documentação muitas vezes esparsa ou implícita. Embora Grandes Modelos de Linguagem (LLMs) tenham demonstrado habilidade em tarefas de programação local, eles falham ao tentar realizar contribuições em escala de repositório que exijam raciocínio sobre invariantes de design, dependências entre módulos e, crucialmente, a validação do impacto dessas mudanças na Qualidade de Resultados (QoR) — métricas físicas como potência, área e tempo (PPA).

2. Metodologia (O Pipeline AuDoPEDA)

Os autores propõem o AuDoPEDA, um sistema autônomo que utiliza uma arquitetura de quatro estágios para "onboardar" um agente de IA em um repositório de EDA:

• Estágio 0 (Bootstrap de Documentação e Grafo de Código): O sistema utiliza o tree-sitter para converter o código em Árvores de Sintaxe Abstrata (ASTs) e constrói um Grafo de Propriedades ($G$) que mapeia dependências entre arquivos e funções. Um componente chamado "Docmaker" percorre esse grafo para gerar "cartões de documentação" automáticos que resumem APIs, pré-condições e invariantes, criando uma base de conhecimento estruturada.
• Estágio 1 (Planejamento Baseado em Literatura): Utilizando o framework DSPy, o sistema realiza uma Recuperação Aumentada de Geração (RAG) que combina a documentação do código ($C_{repo}$) com uma biblioteca de literatura científica de EDA ($C_{lit}$). O agente não apenas sugere mudanças, mas formula hipóteses de pesquisa (ex: "ajustar penalidades de congestionamento para reduzir o wirelength").
• Estágio 2 (Localização do Plano): O plano de alto nível é projetado sobre o grafo de código para identificar exatamente quais arquivos e funções devem ser editados. O resultado é um plano granular contendo os diffs pretendidos, testes de pré-execução e critérios de aceitação baseados em métricas de QoR.
• Estágio 3 (Execução Autônoma com Feedback de QoR): Um agente de codificação (classe Codex) aplica as modificações, compila o código e executa o fluxo de design completo no OpenROAD. O sistema opera em um loop de feedback fechado: se uma mudança causar regressão (ex: aumento de DRC ou piora no timing), o agente utiliza mecanismos de rollback ou bisect para corrigir o erro ou descartar a alteração.

3. Principais Contribuições

1. Framework de Documentação Estruturada: Um pipeline que transforma repositórios complexos em grafos e cartões de conhecimento legíveis por máquinas.
2. Planejamento Declarativo com DSPy: A transição de "prompt engineering" ad-hoc para programas de LLM compilados que integram conhecimento científico e estrutural do repositório.
3. Executor Agêntico de Ciclo Fechado: Um sistema capaz de realizar edições de código, rodar fluxos de EDA completos e realizar "hill-climbing" (otimização iterativa) para maximizar métricas de PPA.
4. Validação End-to-End: Demonstração de que o sistema pode produzir patches de código que melhoram algoritmos fundamentais de posicionamento e redimensionamento.

4. Resultados Experimentais

Os experimentos foram realizados no ecossistema OpenROAD utilizando diversos PDKs (ASAP7, SKY130HD, Nangate45). Os resultados mostram melhorias significativas:

• Redução de Wirelength (rWL): Através da reestruturação do motor de swapping no posicionamento detalhado, o agente alcançou reduções de até 5,9% no comprimento de fio roteado, sem degradar o timing ou a potência.
• Melhoria de Timing (ECP): Ao desenvolver uma estratégia de posicionamento orientado a timing (ajustando pesos de slack e curvas de intensidade), o sistema reduziu o período de clock efetivo (ECP) em até 10,0% sob condições de timing agressivas.
• Redução de Potência: Ao modificar o módulo de redimensionamento (resizer) para uma abordagem baseada em instâncias (em vez de apenas caminhos críticos), o agente alcançou reduções de potência de até 19,4%.

5. Significância

O trabalho é significativo pois demonstra que agentes de IA podem ir além de simples assistentes de escrita de código; eles podem atuar como pesquisadores de EDA autônomos. Ao integrar o conhecimento da literatura científica com a estrutura técnica do código e o feedback físico do hardware, o AuDoPEDA estabelece um novo paradigma para o desenvolvimento de ferramentas de automação de design, permitindo que o próprio software de EDA aprenda e melhore seus algoritmos de forma contínua e autônoma.