🤖 AI

Order Matters: Unveiling the Hidden Impact of Macro Placement Sequences via Proxy-Guided LLM Evolution

本文介绍了 OrderPlace，一种由代理引导的 LLM 演化框架，该框架能够自动发现最优的宏单元放置序列，以克服静态启发式方法的局限性，与最先进的方法相比，在 ISPD 2005 基准测试上实现了显著的线长缩减。

原作者： Shibing Mo, Jing Liu, Jianchu Xu, Ruilin Wu

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Shibing Mo, Jing Liu, Jianchu Xu, Ruilin Wu

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

想象一下你正在尝试往一辆搬家卡车里装东西。你有一堆易碎的花瓶、沉重的沙发和形状古怪的纸箱。你的目标是在不弄坏任何东西的前提下装下所有东西，并确保连接电子设备（比如电视和音响系统）的电线不会被拉得太紧。

在计算机芯片设计领域，这个“搬家卡车”就是芯片本身，“纸箱”是宏单元组件（大型电路块），而“电线”则是电气连接。决定放置这些模块位置的过程被称为宏单元布局 (Macro Placement)。

长期以来，工程师和计算机程序一直专注于要把这些模块放在哪里。但他们很大程度上忽略了放置它们的顺序。他们假设顺序并不重要，或者只是随机选择一个顺序。

这篇题为**《顺序至关重要》(Order Matters)** 的论文认为，顺序实际上是这个谜题中最关键的部分。以下是他们的发现与解决方案的详细解析：

1. 错误排序导致的“多米诺效应”

作者解释说，放置这些模块是一个顺序性 (sequential) 的过程。你放一个，然后下一个，再下一个。

类比： 想象你在搭纸牌屋。如果你在前几张牌的位置放错了，你可能会阻碍后续卡片的放置。你最后得到的可能是一个看起来还行，但却无法完成的堆叠；或者为了连接两个由于过早分离而变得遥远的部件，你不得不把“电线”（连接）拉遍整个房间。
论点： 论文从数学上证明，如果你在最开始选择了错误的顺序，就会产生一种“多米诺效应”。这会迫使后续的布局进入一种次优状态，无论之后的计算机多么聪明，都无法找到最优解。

2. 问题所在：测试速度太慢

如果你想找到完美的卡车装载顺序，你可能会想：“那我们就尝试每一种可能的顺序吧！”

现实情况： 组合方式实在太多了。尝试每一种顺序来观察哪种效果最好，需要超级计算机运行数年之久。这种测试既昂贵又缓慢。

3. 解决方案：OrderPlace（“AI 厨师”）

作者构建了一个名为 OrderPlace 的新系统。他们没有让程序去盲目猜测顺序，也没有使用简单的规则（比如“先放大的东西”），而是使用了一个大语言模型 (LLM) ——也就是那种可以写代码和回答问题的 AI ——来充当一位发明新食谱的“AI 厨师”。

以下是它的工作原理：

进化厨房： AI 从一些基础的“食谱”开始（即排序规则，例如“先把最大的模块放进去”或“先把连接最紧密的模块放进去”）。
品尝测试（代理评估）： AI 不会通过“烹饪整道菜”（运行完整的、缓慢的芯片设计流程）来判断一个食谱好不好，而是使用一个轻量级的代理 (proxy)。你可以把它理解为一次“快速试吃”。它模拟了一个简化版的装载过程，以此观察这个顺序是否看起来很有前景。这种方法既快速又廉价。
进化： AI 会观察品尝测试的结果。它提取出最好的食谱，将它们混合，并问自己：“我该如何让它变得更好？”然后，它会生成新的、更复杂的规则（代码）来进行尝试。它重复这个过程，随着时间的推移，不断进化出更好的排序策略。

4. 他们的发现

AI 不仅仅找到了一个稍好一点的规则，它还发现了人类尚未想到的、关于顺序的全新思维方式。

结果： 当他们在标准芯片设计基准测试（“ISPD 2005”数据集）上进行测试时，他们发现 AI 发现的策略击败了现有的最佳方法（如 EGPlace 和 WireMask-EA）。
提升幅度： 与之前的最佳方法相比，他们减少了 14% 到 34% 的总连线长度（线长）。在芯片设计领域，即使是 1% 的提升也是巨大的，而 34% 则是一个巨大的飞跃。

5. “秘密配方”

AI 发现，最好的策略并不是静态的（固定的规则）。相反，它们是动态的。

静态规则： “始终把最大的模块放在最前面。”
动态规则（由 AI 发现）： “在开始阶段，先放最大的模块。但在进行到一半时，切换到放置那些与刚刚放置的模块有连接关系的模块。如果一组模块已经几乎完全连接好了，就立即完成这一组。”

AI 学会了根据“装载”过程的进展来调整其策略，就像一位熟练的搬运工会随着卡车逐渐填满而改变其操作方式一样。

总结

论文声称，组件在芯片上的放置顺序是一个被忽视的优化隐藏杠杆。通过使用 AI 来自动发明和进化新的排序策略——并利用快速的“快速测试”来过滤掉糟糕的想法——他们找到了一种比以往更高效的芯片封装方式，显著缩短了连接这些组件所需的电线长度。

他们并未声称这能解决所有的芯片问题或适用于其他领域；他们专门展示了优化放置序列是提升计算机芯片性能的一个强大且此前未被开发的维度。

技术摘要：OrderPlace

问题陈述

宏模块布局（Macro placement）是现代芯片物理设计中的关键步骤，从根本上决定了最终集成电路的质量、性能和可制造性。从形式上看，这是一个大规模组合优化问题，需要在固定的画布内确定宏模块的物理位置且不发生重叠。尽管近期的机器学习进展加速了坐标确定过程，但布局序列的时间维度（即按何种顺序放置宏模块）在很大程度上仍由静态启发式算法或随机排列所支配。

本文认为，布局序列不仅是一个预处理步骤，更是决定性的优化因素。在顺序布局过程中，早期的决策定义了后续所有宏模块的可行边界条件。序列中早期的一个次优放置可能会引发不可逆的“多米诺效应”，从而限制解空间并导致陷入局部最优。尽管如此，现有方法主要关注“在哪里放置”的空间问题，而将“谁先放置”的时间问题视为一个固定的先验条件。此外，探索序列的影响是非常困难的，因为排序信号往往被强大的优化方法所掩盖，且评估单个序列通常需要运行完整的、计算成本极高的布局周期。

方法论：OrderPlace

为了应对这些挑战，作者提出了 OrderPlace，这是一个代理引导的大语言模型（LLM）进化框架，旨在自动发现宏模块布局顺序策略。该框架通过三个主要部分运行：

1. 初始布局顺序策略

框架初始化了一组策略种群以提供多样化的搜索空间。这些策略分为以下几类：

静态策略： 仅基于宏模块级的几何和拓扑特征（如面积、度、网表连通性）计算优先级。
动态策略： 根据不断变化的布局状态调整优先级，其灵感通常源自物理动力学（如弹簧势能、场模型、熵减）。

2. LLM 驱动的策略进化

OrderPlace 利用 LLM（如 GPT-4, DeepSeek-V3, Claude）来进化代码级的排序策略。该过程包括：

提示工程（Prompt Engineering）： 为 LLM 提供定义 VLSI 专家角色的系统提示词，以及包含前代表现最优策略（Top-K）评估结果的用户提示词。
代码生成： LLM 生成代表布局策略的新 Python 类，这些类可以作为静态排序器或动态优先级函数。
进化循环： 框架在多代之间维护一个策略种群。它根据适应度分数选择前 K 个策略，并将其作为上下文来生成新的候选策略，从而促进对新颖组合和动态机制的发现。

3. 代理引导的评估

为了减轻为每个候选方案进行全规模优化的极高成本，OrderPlace 引入了一种轻量级代理评估机制：

线长掩码引导的贪婪过程（Wire-Mask-Guided Greedy Procedure）： 该方法不进行全规模优化，而是使用受预计算线长掩码引导的确定性贪婪布局算法来评估策略。
并行蒙特卡洛（Parallel Monte Carlo）： 每个策略都在多个随机初始种子（seeds）上并行执行，以生成半周长线长（HPWL）结果的分布。
适应度评分： 策略的适应度是成功运行后的平均 HPWL。超时机制和语法验证确保了效率与鲁棒性。

一旦进化搜索结束，前 K 个策略将通过线长掩码引导的贪婪过程进行微调，以产生最终的布局结果。

核心贡献

视角转变： 本文提供了关于布局序列是关键且长期被忽视的优化维度的理论与实证证据。研究表明，次优的排序会导致解质量的渐进退化（例如，链式拓扑下为 $\Omega(l)$ 退化，星型拓扑下为 $\Theta(g)$ 退化）。
方法论创新： OrderPlace 是首个专门为宏模块布局排序设计的 LLM 驱动进化框架。它成功地集成了代理评估，解决了布局优化中反馈循环成本昂贵的问题。
发现新颖策略： 该框架发现了一系列可泛化的排序算法，涵盖了从静态启发式算法到复杂的、受物理启发的动态规则（如引力模型、熵减和网表闭合优先级），这些规则的表现优于人工设计的启发式算法。

实验结果

作者在标准 ISPD 2005 基准测试集（八个芯片设计）上对 OrderPlace 进行了评估。

性能： OrderPlace 在 8 个电路中的 7 个上取得了最佳（最低）的 HPWL 值。
对比：
- 与 WireMask-EA 相比，OrderPlace 将线长减少了 34.04%。
- 与最先进的方法 EGPlace 相比，OrderPlace 将线长减少了 14.08%。
- 在直接对比中使用 Wilcoxon 秩和检验，OrderPlace 在 7 个电路上的表现显著优于 EGPlace。
收敛性： OrderPlace 展示了卓越的计算效率，其收敛速度明显快于 EGPlace。所发现的最佳策略在优化轨迹的早期阶段就能稳定达到更低的收敛点。
拥塞与混合尺寸： 当结合全局布局器（DreamPlace）使用时，OrderPlace 也展示了优异的可布线性（拥塞控制），并在混合尺寸布局任务中取得了领先性能。
LLM 的影响： 消融研究证实，LLM 生成的策略始终优于所有人工设计的初始策略，这表明性能提升源于发现了超越现有启发式算法的非平凡排序策略。

意义与主张

本文声称，OrderPlace 提供了第一个系统性的证据，证明布局序列（传统上被视为静态预处理步骤）是布局优化的关键决定因素。通过利用 LLM 和代理评估自动发现排序策略，该方法有效地缓解了基于序列决策的布局中的次优问题。

作者强调，其方法不同于以往将排序视为固定先验或依赖强化学习（RL）智能体隐式学习序列的前人工作。相反，OrderPlace 将输入序列作为一个显式的超参数进行优化。这项工作表明，布局排序的优化潜力是一个被“搁置”的维度，一旦解锁，可以从根本上加速贪婪求解器并获得更好的全局解。

局限性： 目前的研究仅限于评估布局顺序对掩码引导贪婪方法的影响。其与随机性、基于学习的方法之间的相互作用仍有待探索，未来的工作建议研究如何通过布局排序来增强深度学习驱动的布局方法。