Automated QoR improvement in OpenROAD with coding agents
本文提出了 AuDoPEDA，这是一个基于大语言模型的自主代码开发系统，能够通过阅读 OpenROAD 源码并自主提出及实现改进方案，在无需人工干预的情况下显著优化芯片设计的 PPA（性能、功耗、面积）指标。
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
这篇文章介绍了一个名为 AuDoPEDA 的黑科技系统。如果用一句话来总结：科学家们造出了一个“能自己读论文、自己改代码、还能自己通过考试”的 AI 芯片设计工程师。
为了让你更直观地理解，我们可以把这个过程想象成一个**“超级学霸厨师”**的故事。
1. 背景：芯片设计界的“老中医”难题
现在的芯片设计（EDA）就像是在一个极其复杂的“超级厨房”里做菜。这个厨房里有几百万种调料、几千种厨具，而且规则极其复杂（比如：某种酱汁不能和某种锅同时用，否则会炸）。
目前，这个行业非常依赖“老中医”级别的资深工程师。他们不仅要懂厨艺（写代码），还要懂食材化学（物理设计原理），还得能翻阅成千上万本古籍（查阅技术文档）。问题是，这种顶级人才太少了，培养一个要几十年。
2. AuDoPEDA 是如何工作的？（学霸厨师的成长之路）
这个 AI 系统不是一个只会背菜谱的机器人，它通过四个阶段实现了“从学徒到大厨”的进化：
第一阶段：整理厨房手册 (S0: Documentation Bootstrap)
【比喻：整理乱七八糟的厨房笔记】
这个“厨房”（OpenROAD 开源项目）的代码极其混乱，有的用 C++ 写，有的用 Python，有的用 Tcl。AI 进场后，先用一种叫 tree-sitter 的工具把所有厨具、调料、操作流程全部拆解，画成一张巨大的“厨房地图”。它还会给每个调料写一张“小卡片”，记录这个调料怎么用、有什么禁忌。
- 目的： 让 AI 不再是“盲人摸象”，而是对整个厨房了如指掌。
第二阶段：研读美食论文 (S1: Literature-grounded Planning)
【比喻：看顶级大厨的秘籍】
光懂厨房还不够，还得懂“厨艺理论”。AI 会去读全世界最顶尖的烹饪论文（EDA 学术论文）。它会把“厨房地图”和“论文秘籍”结合起来，思考：“如果我想让这道菜（芯片）更省油（低功耗），我是不是应该调整一下火候（算法参数）？”
- 目的： 让 AI 具备“研究员”的思维，它不只是在改错，而是在进行“科学研究”。
第三阶段：制定详细菜谱 (S2: Localization)
【比喻：写下精确到秒的操作步骤】
有了想法后，AI 不会乱动。它会写下一份极其详细的“手术计划”：第一步改哪根电线，第二步改哪个参数，如果改完后味道变差了（性能下降），该如何立刻撤回。
- 目的： 确保操作是精准、可控且安全的。
第四阶段：实战演练与自我纠错 (S3: Autonomous Execution)
【比喻：边做菜、边尝味、边改进】
这是最神奇的一步。AI 真的动手去改代码了！改完后，它会立刻把“菜”做出来（运行芯片设计流程），然后自己尝味道：
- “哎呀，这道菜线太长了（连线过长）。”
- “这道菜太费电了（功耗过高）。”
- “这道菜火候不对，时间太慢了（时钟周期太长）。”
如果味道不好，它会根据反馈，自动回去修改计划，直到做出完美的菜肴。
3. 成果：它到底有多厉害？
这个“AI 厨师”交出的成绩单非常惊人，它在不需要人类干预的情况下，直接优化了芯片设计的核心指标：
- 更短的连线： 就像把厨房里的电线理得更顺，减少了 5.9% 的长度。
- 更快的速度： 芯片运行效率提升了，有效时钟周期缩短了高达 10.0%。
- 更省的电： 功耗竟然降低了高达 19.4%！
4. 总结
这篇文章的核心意义在于：我们不再只是把 AI 当成一个“打字员”或“查字典的工具”，而是把它变成了一个“能思考、能实验、能自我进化”的数字工程师。
它证明了：只要给 AI 提供足够的“知识地图”和“反馈机制”，它完全可以进入最硬核的科学领域，帮人类解决那些最烧脑的工程难题。
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。