PrefixAgent: An LLM-Powered Design Framework for Efficient Prefix Adder Optimization
PrefixAgent 是一个由大语言模型驱动的框架，它通过将任务分解为骨干合成和由 EDA 反馈引导的结构精炼来优化前缀加法器设计，同时利用 e-图生成细粒度的训练数据，从而显著提升了在各种位宽下的面积效率和可扩展性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在每一台现代计算机——从口袋里的智能手机到训练人工智能的超级计算机——那硅片的中心心脏里，都隐藏着一项基础任务：数字加法。虽然这对人类来说似乎很简单，但执行这种加法的电子电路必须以光速进行，并在速度与所占物理空间之间取得平衡。构建这些电路最有效的方法之一被称为前缀加法器（prefix adder）。想象一支由工人组成的队伍正在传递信息，前缀加法器通过组织这支队伍，使每个人几乎都能瞬间得知最终结果，而不是等待信息一个接一个地传递。然而，随着数字变大（需要更多的位来表示），排列这些工人的方式会呈爆炸式增长。为大数字寻找完美的排列方式，就像试图在一片不断扩大的沙滩中寻找一颗特定的沙粒一样；其规模过于庞大，无法搜索每一种可能性，而人类工程师也无法为每一个新芯片手动设计出最佳版本。
多年来，研究人员一直尝试利用计算机来解决这个难题，通常依赖于缓慢且难以适应新情况的试错法。来自香港科技大学研究人员近期的一项工作介绍了一种不同类型的助手：一种大型语言模型，即先进对话式人工智能背后的同类技术。但研究人员并非让它编写代码或进行聊天，而是教它担任这些电子电路的“首席建筑师”。他们创建了一个名为 PrefixAgent 的系统，该系统并不试图通过一次巨大的飞跃来构建整个复杂的电路，而是将任务分解为两个易于管理的步骤。首先，系统设计“骨架”（backbone），即决定加法器整体速度和形状的主要结构骨架。一旦骨架稳固，系统便进入第二阶段，对局部连接进行微小而精确的调整，以确保时序完美。这种分工协作使得人工智能能够专注于高层决策，而专门的工具则负责处理电路几何结构的复杂细节。
为了教会这个人工智能如何做出正确的决策，研究人员面临了一个重大障碍：不存在现成的完美范例库来展示其操作方法。为了解决这个问题，他们使用了一种称为“等价饱和”（equality saturation）的数学技术，这就像一台可以同时生成电路结构所有可能有效变体的机器。从这个庞大的可能性集合中，他们提取了最优的设计，并记录了达到这些设计所采取的精确步骤。随后，他们利用这些记录下来的步骤来训练人工智能，不仅向它展示最终答案，还展示了每一次变化背后的推理过程。这种训练使人工智能学会了一种通用的优化策略，而非仅仅是记忆特定的设计。在测试中，该系统表现得非常出色。在他们尝试的几乎所有场景中（包括针对 64 位数字的设计），AI 生成的电路所使用的物理空间比传统方法或其他机器学习方法更少。随着数字规模的增大，这种优势变得更加显著，AI 产生的设计比当今芯片制造商所使用的商业工具设计的电路明显更小。
这一方法的成功也凸显了未来解决复杂工程问题的方式转变。通过将大型语言模型的推理能力与专业设计工具的精确性相结合，研究人员创建了一个可以适应新约束条件的系统，而无需针对每一个新芯片设计都从头开始重新训练。结果表明，该 AI 可以处理非均匀条件（即电路某些部分接收信号的时间不同），这是现实世界中的常见挑战，往往会让自动化工具感到棘手。在涉及商业制造流程的测试中，AI 设计的电路始终优于标准的工业解决方案，为开发更高效、更强大的电子设备提供了清晰的路径。这项工作表明，未来的芯片设计可能不再仅仅依赖于人类的直觉或暴力搜索，而是依赖于能够通过复杂结构问题进行推理的智能体，它们从它们被要求构建的电路本身的逻辑中学习。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。