Resumo Técnico: AUTOGATE

Declaração do Problema

O clock gating de grão fino (FGCG - Fine-grain clock gating) é uma técnica crítica para reduzir o consumo de potência dinâmica em sistemas VLSI ao suprimir sinais de clock para grupos de flip-flops ociosos. No entanto, os fluxos de otimização industrial atuais dependem fortemente da reestruturação manual de RTL para expor oportunidades de gating dependentes da carga de trabalho que as ferramentas de síntese comerciais não conseguem inferir automaticamente.

Tentativas recentes de automatizar este processo usando Grandes Modelos de Linguagem (LLMs) enfrentam duas limitações fundamentais:

1. Limitações de Contexto: O FGCG eficaz requer a análise do comportamento de alternância (switching) ciclo a ciclo através de milhões de ciclos de clock. Traços de forma de onda (waveforms) brutos excedem as janelas de contexto dos LLMs atuais, impedindo que eles raciocinem diretamente sobre padrões de alternância de longo prazo.
2. Escalabilidade: As abordagens de otimização baseadas em LLM existentes são amplamente confinadas a designs de pequenos módulos únicos. Elas falham em escalar para bases de código industriais hierárquicas e complexas com dependências entre módulos, onde uma abordagem de agente único não consegue coordenar a otimização em toda a hierarquia do design.

Metodologia

Os autores apresentam o AUTOGATE, o primeiro framework agêntico projetado para otimização de potência de RTL em nível industrial. Ele emprega uma estratégia de co-design de Aprendizado de Máquina (ML) e LLM para fazer a ponte entre a análise de nível de forma de onda e a reescrita de RTL, utilizando uma arquitetidade multi-agente hierárquica.

O framework opera em quatro estágios distintos:

1. Detecção de Hierarquia e Pré-Perfilamento

O AUTOGATE adota uma estratégia de dividir para conquistar para gerenciar grandes bases de código:

• Parsing de Hierarquia: Um LLM orquestrador analisa a árvore de origem do RTL para resolver relacionamentos pai-filho e identificar módulos independentemente otimizáveis.
• Análise de Gargalo de Potência: O sistema realiza o pré-perfilamento por módulo, mapeando estimativas de potência de nível de porta de volta para regiões de RTL para classificar módulos pelo potencial de otimização.
• Extração de Carga de Trabalho: Para evitar a criação manual de testbenches, o AUTOGATE extrai testbenches de nível de módulo diretamente de traços de simulação de design completo. Ele analisa interfaces e escopos de dados de forma de onda para gerar testbenches autônomos que reproduzem entradas de carga de trabalho realistas para módulos de gargalo específicos.

2. Exploração de FGCG Adaptativa Baseada em Estabilidade

Este estágio substitui o processamento bruto de formas de onda por uma análise impulsionada por ML que guia o LLM:

• Pré-Filtragem Consciente de Alternância (Toggle-Aware): Os registradores são particionados em faixas de taxa de alternância baixa, média e alta. Apenas a faixa "média" (registradores com atividade moderada) é processada para agrupamento (clustering), pois valores extremos oferecem pouco benefício de gating.
• Descoberta Automática de Limiares: Em vez de depender de limiares de eficiência ajustados manualmente, o sistema computa um espectro de eficiência por grupo para identificar lacunas naturais na eficiência de gating, determinando automaticamente os limiares ideais de agrupamento.
• Agrupamento Baseado em Estabilidade: Os registradores são agrupados com base em seus padrões de estabilidade binária (sequências que indicam se um registrador muda de estado em cada borda de clock). O algoritmo mescla clusters apenas se o AND lógico de seus padrões de estabilidade atender a um limiar mínimo de eficiência.
• Relatórios Estruturados: Os resultados do agrupamento são destilados em relatórios estruturados compactos que identificam células de Clock Gating Integrado (ICG) ineficientes e recomendam regiões específicas de RTL para reescrita.

3. Reescrita Paralela Guiada por LLM

Um sistema multi-agente executa a otimização:

• Orquestração: Um orquestrador atribui módulos a sub-agentes, agendando a otimização de baixo para cima (folhas primeiro) para garantir que os módulos filhos sejam otimizados antes dos pais.
• Agentes de Reescrita: Agentes dedicados utilizam os relatórios de agrupamento e uma biblioteca de templates de reescrita de clock gating (ex: extração de enable/hold, gating baseado em mudança de valor, fatoração de sinal de controle e decomposição de registrador) para gerar variantes de RTL funcionalmente equivalentes.
• Refinamento Iterativo: Um agente de reflexão avalia as compensações (trade-offs) de potência e área, destilando lições em "playbooks" para guiar as iterações subsequentes. Os agentes geram variantes de grão fino, médio e grosso para equilibrar a redução de potência contra o overhead de área.

4. Verificação Formal e Merge Consciente de QoR

• Validação: Todos os candidatos passam por verificação de sintaxe, simulação, verificação de equivalência formal comercial e validação de tempo (timing).
• Seleção: Os candidatos são sintetizados para perfilar potência dinâmica, área e tempo. O sistema seleciona a variante que maximiza a redução de potência dinâmica enquanto adere às restrições de área e tempo.
• Merge Hierárquico: Os patches aceitos são fundidos hierarquicamente e revalidados no nível do pai.

Principais Contribuições

1. Primeiro Framework Agêntico para RTL Industrial: O AUTOGATE é o primeiro framework que permite FGCG consciente da carga de trabalho em bases de código grandes e hierárquicas usando uma arquitetura multi-agente.
2. Co-Design ML-LLM: Ele aborda a limitação de contexto do LLM usando um algoritmo de agrupamento baseado em ML para destilar traços de forma de onda brutos em representações estruturadas. Isso permite que os LLMs realizem a reescrita de RTL sem processar diretamente dados de alternância bruta.
3. Escalabilidade via Dividir para Conquistar: O framework supera problemas de escalabilidade ao decompor designs complexos em módulos gerenciáveis, permitindo a otimização coordenada enquanto preserva a correção entre módulos.
4. Desempenho Além dos Fluxos Comerciais: O sistema expõe oportunidades de gating que ferramentas de síntese comerciais com inferência automática agressiva perdem, alcançando reduções significativas de potência com overhead de área mínimo.

Resultados Experimentais

Os autores avaliaram o AUTOGATE em 10 designs, incluindo pequenos benchmarks, designs de código aberto de nível industrial (NVDLA, BlackParot) e designs proprietários de produção altamente otimizados.

• Pequenos Benchmarks: Em uma suíte de pequenos designs, o AUTOGATE reduziu a potência dinâmica em uma média de 49,31% com apenas 0,15% de overhead de área médio. Por exemplo, reduziu a potência dinâmica de um multiplicador de Booth em 86,21% e de um contador em 55,33%.
• Designs Industriais:
  • NVDLA: Alcançou 19,34% de redução de potência dinâmica no design total, com partições específicas mostrando até 47,60% de redução sob cargas de trabalho específicas.
  • BlackParrot: Alcançou 7,96% de redução de potência dinâmica com apenas 0,04% de overhead de área.
• Designs de Produção Proprietários: Em designs de produção altamente otimizados, o AUTOGATE alcançou até 6,86% de redução de potência dinâmica. O estudo observou que a otimização através de múltiplas cargas de trabalho (estratégia "Combined") melhorou a robustez e reduziu o risco de overfitting para uma única carga de trabalho em comparação com a otimização de carga de trabalho única.
• Comparação: Em todos os casos, o AUTOGATE superou consistentemente os baselines usando POET (uma abordagem de busca evolutiva) e ROVER (uma abordagem baseada em regras), que mostraram melhorias insignificantes ou negativas em designs hierárquicos grandes.

Significância e Alegações

O artigo afirma que o AUTOGATE demonstra a viabilidade de reescrita de RTL co-projetada por ML-LLM para otimização de potência em escala industrial. Sua significância reside em:

• Preencher a Lacuna: Integrar com sucesso a análise especializada de ML para dados de forma de onda de longa sequência com as capacidades de raciocínio de LLMs para geração de código.
• Escalabilidade: Provar que frameworks agênticos podem escalar de módulos únicos para repositórios industriais massivos de múltiplos arquivos sem sacrificar a correção.
• Impacto Prático: Entregar economias substanciais de potência dinâmica em designs de nível de produção onde a otimização manual é atualmente a única alternativa, e as ferramentas automatizadas existentes falham em encontrar oportunidades dependentes da carga de trabalho.

Os autores reconhecem modestamente que a abordagem depende de atividade de alternância derivada da carga de trabalho e pode sofrer overfitting para cargas de trabalho específicas, particularmente em designs menores. Eles sugerem que trabalhos futuros devem focar na identificação automática de cargas de trabalho representativas para garantir a robustez em diversos casos de uso de produção.