Resumo Técnico: MAGE: Posicionamento de Macros Semelhante ao Humano via Raciocínio Multimodal Agêntico

1. Declaração do Problema

O posicionamento de macros continua sendo um gargalo crítico no design físico de VLSI, muitas vezes exigindo um refinamento manual substancial por parte de engenheiros especialistas para alcançar resultados de alta qualidade. Embora os métodos automatizados existentes (otimização clássica, posicionadores analíticos e abordagens baseadas em aprendizado) possam produzir posicionamentos legais com métricas competitivas de Potência, Desempenho e Área (PPA), eles frequentemente falham em reproduzir a regularidade espacial, a coerência funcional e a organização estrutural de nível superior características de um floorplan projetado por um especialista. Consequentemente, os posicionamentos automatizados muitas vezes carecem das qualidades "semelhantes às humanas" — como agrupamento coerente de macros, alinhamento de bordas e espaço em branco utilizável — que facilitam a otimização, o roteamento e o fechamento de tempo (timing closure) subsequentes.

2. Metodologia: O Framework MAGE

Os autores propõem o MAGE (Macro Placement Agentic Engine), um framework de múltiplos agentes multimodal projetado para gerar posicionamentos de macros semelhantes aos humanos sem depender de dados de posicionamento rotulados ou treinamento por design. Em vez disso, o MAGE codifica o conhecimento de floorplanning de especialistas através de diretrizes estruturadas em linguagem natural, verificações visuais e critérios de refinamento iterativos.

Arquitetura Central

O MAGE opera através de um fluxo de trabalho de seis fases orquestrado por dez agentes especializados:

1. Parsing de Dados e Extração de Conhecimento: Extrai geometria, hierarquia e conectividade, consultando um corpus de conhecimento para padrões de posicionamento prévios e problemas conhecidos.
2. Agrupamento Consciente da Hierarquia: Organiza as macros em grupos baseados em prefixos hierárquicos e identifica famílias de grupos estruturalmente semelhantes para compartilhar posicionamentos de referência.
3. Posicionamento de Grupos: Atribui iterativamente caixas delimitadoras (bounding boxes) para grupos de macros usando posicionamento consciente de conectividade e IO, guiado por diagramas de flylines visuais para garantir forte conectividade e acesso a IO.
4. Verificação de Viabilidade: Verifica se os grupos podem caber fisamente dentro de suas caixas delimitadoras atribuídas, particionando recursivamente grandes grupos, se necessário.
5. Posicionamento de Macros: Gera um posicionamento de referência para um grupo representativo em cada família, aderindo a seis princípios espaciais (posicionamento de borda, empilhamento de macros, orientação consciente de pinos, keepouts de IO, minimização de bolsos e qualidade de espaço em branco). Esta referência é então transformada e mesclada através da família.
6. Validação Independente: Um auditor sem estado (stateless) realiza uma auditoria visual e baseada em regras de "segunda passagem" para capturar problemas perdidos pelo loop de geração, como acesso a pinos bloqueado ou espaço em branco fragmentado.

Raciocínio Multimodal e Feedback Visual

Uma característica distintiva do MAGE são seus portões de visualização obrigatórios. Em etapas chave, o framework renderiza diagramas de posicionamento (ex: flylines, mapas de calor de espaço em branco, mapas de cobertura de borda), que são inspecionados por Modelos de Linguagem-Visão (VLMs). Os agentes extraem fatos puramente visuais (ex: "as bordas dos pinos estão voltadas para macros adjacentes") e geram sugestões de refinamento acionáveis. Isso garante que propriedades espaciais não facilmente capturadas por métricas numéricas sejam explicitamente avaliadas.

Refinamento Estilo Torneio

O MAGE suporta um modo de torneio Go-With-The-Winners (GWTW). Múltiplos candidatos a posicionamento são gerados em paralelo, avaliados usando o comprimento de fio (wirelength) de roteamento global precoce (eGR) como um proxy para PPA, e classificados. Os melhores desempenhos são analisados para identificar discrepâncias que contribuem para o comprimento de fio, e seus insights são usados para refinar a orientação para rodadas subsequentes. Este processo evolutivo permite que o framework explore múltiplas trajetórias em vez de seguir um único caminho de otimização.

3. Principais Contribuições

• Framework Agêntico para Posicionamento Semelhante ao Humano: O MAGE é o primeiro framework de posicionamento de macros agêntico explicitamente projetado para gerar soluções semelhantes às humanas ao decompor a tarefa em um pipeline estruturado de múltiplas fases, em vez de uma otimização monolítica.
• Princípios e Métricas para Semelhança Humana: Os autores formalizam seis princípios espaciais de floorplanning de especialistas e introduzem quatro métricas quantitativas para medir a "semelhança humana":
  • Pontuação de Notch (Entalhe): Mede a irregularidade nas silhuetas das macros.
  • Pontuação de Espaço em Branco (Whitespace): Avalia a retangularidade e a compactação do espaço livre.
  • Pontuação de Bolso (Pocket): Penaliza regiões de espaço livre pequenas e inutilizáveis.
  • Pontuação de Alinhamento: Avalia o posicionamento de bordas, alinhamento de arestas, ocupação de cantos e correção de empilhamento.
• Síntese de Dois Estágios: O framework separa a organização estrutural (Fase 1–5) da otimização de métricas de implementação (Refinamento de Torneio), preservando a integridade estrutural enquanto melhora o tempo e o comprimento de fio.
• Generalização: A abordagem demonstra transferência zero-shot para designs não vistos, floorplans retilíneos e configurações de alta utilização sem necessidade de retreinamento específico do design.

4. Resultados Experimentais

O framework foi avaliado em nove designs através de implementações NanGate45 (NG45) e GlobalFoundries 12nm (GF12), comparando contra um especialista humano, dois posicionadores comerciais (Comm-1, Comm-2) e o Hier-RTLMP do OpenROAD.

• Melhorias de PPA:
  • vs. Especialista Humano: O MAGE melhorou o Worst Negative Slack (WNS) em 18,3% e o Total Negative Slack (TNS) em 72,5% nos designs NG45, com comprimento de fio e potência comparáveis.
  • vs. Posicionadores Comerciais: O MAGE alcançou melhorias de média geométrica de 11,1%–19,3% em WNS e 70,0%–74,0% em TNS sobre as bases comerciais, embora com um trade-off de maior comprimento de fio roteado (rWL) e potência.
  • vs. Hier-RTLMP: O MAGE melhorou o WNS em 47,0% e o TNS em 80,4%, além de reduzir o rWL e a potência.
• Semelhança Humana: O MAGE superou todas as bases no escore geral de semelhança humana ($S_{HM}$) em 6%–48%.
• Estudos de Caso:
  • Designs Não Vistos: Em dois designs GF12 não utilizados no treinamento, o MAGE melhorou o TNS em 27%–40% sobre as bases comerciais.
  • Floorplans Retilíneos: O MAGE melhorou o WNS em designs retilíneos densos (>70% de utilização), onde ferramentas comerciais frequentemente produzem posicionamentos fragmentados.
  • Alta Utilização: Sob restrições de área apertadas (até 80% de utilização), o MAGE manteve um melhor fechamento de tempo que as ferramentas comerciais ao preservar canais de roteamento organizados.

5. Significância e Alegações

O artigo afirma que a organização de macros semelhante à humana serve como um prior estrutural útil para o roteamento e o fechamento de tempo subsequentes. Os resultados sugerem que as regularidades estruturais específicas impostas pelo MAGE (ex: espaço em branco contínuo, pilhas alinhadas) contribuem diretamente para melhores resultados de tempo (redução de clock skew e congestionamento), mesmo quando o comprimento de fio total é maior.

Os autores enfatizam que o MAGE representa uma mudança de tratar o posicionamento de macros como um problema de otimização puramente numérica para um processo de design estruturado guiado por princípios de especialistas. Ao codificar esses princípios via raciocínio multimodal e feedback visual, o framework pode replicar a lógica organizacional de especialistas humanos sem exigir treinamento caro em dados rotulados. O trabalho demonstra que sistemas agênticos e multimodais podem efetivamente capturar e aplicar o julgamento complexo de design físico, potencialmente reduzindo o tempo de refinamento manual que atualmente domina os fluxos industriais.