CoEvoP&R: Co-Evolving Placement Objectives with Routing Feedback via Large Language Models

Resumo Técnico: CoEvoP&R

Definição do Problema
Os posicionadores analíticos modernos, como o DREAMPlace, dependem de funções de objetivo diferenciáveis para guiar o posicionamento global. Esses objetivos tipicamente combinam métricas substitutas intermediárias, como aproximações suaves de meio-perímetro de comprimento de fio (HPWL) e penalidades de densidade de células. No entanto, existe um desalinhamento significativo entre esses substitutos da etapa de posicionamento e a qualidade final do design roteado, incluindo métricas de temporização como o Pior Slack Negativo (WNS) e o Slack Negativo Total (TNS).

Tentativas anteriores de preencher essa lacuna dividem-se em duas categorias, ambas com limitações:

1. Termos projetados por humanos: Métodos como o Rectangular Uniform wire Density (RUDY) incorporam estimativas de demanda de roteamento, mas dependem de aproximações de especialistas que frequentemente exigem reajustes para diferentes designs ou tecnologias.
2. Substitutos de caixa-preta aprendidos: Abordagens como LaMPlace, GOALPlace e RoutePlacer utilizam preditores aprendidos ou substitutos de roteabilidade diferenciáveis. Embora eficazes, esses componentes de "caixa-preta" são difíceis de explicar, depurar ou implantar em fluxos de posicionamento existentes que exigem objetivos simbólicos e diferenciáveis.

Metodologia
O CoEvoP&R (Co-Evolving Placement Objectives with Routing Feedback) aborda essas limitações introduzindo uma estrutura baseada em Grandes Modelos de Linguagem (LLM) que evolui automaticamente objetivos de posicionamento analítico legíveis e diferenciáveis. O sistema opera como um processo evolutivo de ciclo fechado consistindo em três estágios primários:

1. Proposta Condicionada por Arquivo:
   Em cada geração, o sistema monta um prompt para o LLM. Este prompt inclui:

   • Uma interface de objetivo restrita definindo a sintaxe e os componentes permitidos.
   • Contexto de base e o objetivo pai da geração anterior.
   • Um arquivo de candidatos anteriores, incluindo suas métricas comportamentais e lições de falha.
   • Feedback medido de posicionamento, proxies de temporização e ferramentas de roteamento.
     O LLM gera um programa simbólico candidato (um script semelhante a Python) que define um mapa de inicialização, um mapa de atualização para variáveis de cronograma e uma função de perda.

2. Validação e Incorporação de Candidatos:
   Os programas simbólicos propostos não são executados imediatamente. Eles passam por um processo de validação para garantir que sejam diferenciáveis, limitados e executáveis dentro do framework DREAMPlace. Os candidatos validados são incorporados ao posicionador, onde substituem a função de objetivo nativa. O sistema garante que os objetivos gerados permaneçam compatíveis com a otimização baseada em gradiente.

3. Avaliação de Escala de Custo e Atualização de Arquivo:
   Para gerenciar custos computacionais, o CoEvoP&R emprega uma estratégia de avaliação em níveis:

   • Nível A: Executa o posicionador analítico para todos os candidatos validados, registrando HPWL, overflow e traços de convergência.
   • Nível B: Aplica um proxy de temporização a candidatos selecionados para estimar melhorias de WNS/TNS.
   • Nível C: Agenda o roteador real para um subconjunto de candidatos de alto potencial para medir o comprimento de fio pós-roteamento, congestionamento e temporização.

   O sistema utiliza um arquivo MAP-Elites para armazenar candidatos bem-sucedidos. Cada candidato é mapeado para uma célula de característica baseada em sua complexidade, família de mecanismos e métricas comportamentais (HPWL, overflow, temporização). O arquivo é atualizado usando dominância de Pareto sobre as métricas disponíveis, preservando a diversidade entre diferentes nichos comportamentais. A memória negativa armazena candidatos que falharam e seus motivos de falha para evitar que o LLM repita mecanismos inválidos em prompts futuros.

Principais Contribuições
O artigo reivindica quatro contribuições inovadoras:

• Evolução de Objetivo via LLM: A primeira estrutura automatizada para evoluir funções de objetivo de posicionamento analítico integradas com ferramentas reais de posicionamento e roteamento, indo além de termos estáticos ou projetados por humanos.
• Validação Automatizada: Uma interface restrita garante que os objetivos gerados pelo LLM sejam diferenciáveis, limitados e executáveis em fluxos de posicionamento analítico como o DREAMPlace.
• Feedback Consciente de Roteamento: A busca é guiada por feedback de roteamento e temporização a jusante, permitindo que o objetivo se adapte à qualidade real roteada em vez de apenas substitutos da etapa de posicionamento.
• Iteração Guiada por Arquivo: O sistema mantém um arquivo de objetivos pareados com seu feedback medido (posicionamento, roteamento, temporização e dados de falha), usando este histórico para condicionar futuros prompts de LLM e guiar a evolução em direção a soluções diversas e de alto desempenho.

Resultados Experimentais
A estrutura foi avaliada em oito designs ChiPBench Nangate45 e oito designs ICCAD 2015 Superblue, utilizando três sementes aleatórias.

• ChiPBench Nangate45: Comparado ao DREAMPlace nativo, o CoEvoP&R alcançou uma redução de 16,9% no comprimento de fio roteado e uma redução de 36,7% no congestionamento. Também melhorou a temporização em 0,70 ns em WNS e 912 ns em TNS. Estes resultados superaram outros métodos de busca automatizados (ex: EvoPlace, AutoDMP) e substitutos aprendidos (LaMPlace) em termos de congestionamento e temporização, mantendo um comprimento de fio competitivo.
• ICCAD 2015 Superblue: O framework reduziu o comprimento de fio roteado em 5,4% e o congestionamento em 23,2% sobre o baseline.
• Generalização: Um experimento de transferência zero-shot (CoEvoP&R-T), onde um objetivo evoluído no Nangate45 foi aplicado aos designs Superblue e ASAP7 sem re-evolução, mostrou ganhos positivos, sugerindo que os objetivos evoluídos capturam princípios de design generalizáveis.
• Estudos de Ablação: Experimentos confirmaram que a iteração condicionada por arquivo e a hierarquia de avaliação de escala de custo são críticas. Remover o arquivo ou usar apenas a avaliação de Nível-A (apenas posicionamento) degradou significativamente o desempenho.

Significância
O artigo posiciona o CoEvoP&R como um passo significativo para tornar a interface entre o posicionamento diferenciável e os fluxos de design físico a jusante inspecionável e automatizada. Ao evoluir objetivos simbólicos legíveis, em vez de modelos de caixa-preta, o método oferece um caminho para otimizar métricas de Potência, Desempenho e Área (PPA) sem sacrificar a capacidade de depuração e integração exigida pelos fluxos de EDA industriais. Os autores sugerem que esta abordagem valida a evolução de programas guiada por LLM como um método viável para otimizar objetivos de engenharia complexos onde o espaço de busca é restringido por leis físicas e requisitos de ferramentas.