技术摘要：MAGE：通过智能体多模态推理实现类人化宏单元布局

1. 问题陈述

宏单元布局（Macro placement）仍然是 VLSI 物理设计中的一个关键瓶颈，通常需要专家工程师进行大量的后期人工微调才能获得高质量的结果。虽然现有的自动化方法（经典优化、解析布局器以及基于学习的方法）可以生成具有竞争性 PPA（功耗、性能、面积）指标的合法布局，但它们往往无法重现具有高层空间规整性、功能连贯性和结构组织性的专家级设计特征。因此，自动布局往往缺乏“类人”的品质——例如连贯的宏单元分组、边界对齐和可用的空白区域——这些品质对于促进下游优化、布线和时序收敛至关重要。

2. 方法论：MAGE 框架

作者提出了 MAGE（宏单元布局智能体引擎），这是一个多模态多智能体框架，旨在生成类人化的宏单元布局，而无需依赖标注的布局数据或针对特定设计的训练。相反，MAGE 通过结构化的自然语言指令、视觉检查和迭代优化准则来编码专家级布局知识。

核心架构

MAGE 通过十个专业化智能体协作，运行一个六阶段工作流：

1. 数据解析与知识提取： 提取几何信息、层次结构和连通性，并查询知识库以获取先前的布局模式和已知问题。
2. 层次感知分组： 根据层次前缀组织宏单元，并识别具有结构相似性的宏单元族，以便共享参考布局。
3. 组布局： 使用基于连通性和 IO 感知的布局方式，在视觉飞线图（flyline diagrams）的引导下，迭代地为宏单元组分配包围盒（bounding boxes），以确保强连通性和 IO 可达性。
4. 可行性检查： 验证各组是否能在其分配的包围盒内物理容纳，必要时对大型组进行递归划分。
5. 宏单元布局： 为每个家族中的代表性组生成参考布局，遵循六项空间原则（边界布局、宏单元堆叠、引脚感知方向、IO 隔离区、口袋最小化和空白质量），随后将该参考布局进行变换并合并到整个家族中。
6. 独立验证： 一个无状态审计员执行“二次检查”式的视觉和基于规则的审计，以捕捉生成循环中遗漏的问题，例如阻塞的引脚访问或破碎的空白区域。

多模态推理与视觉反馈

MAGE 的一个显著特征是其强制性的可视化门控。在关键阶段，框架会渲染布局图（如飞线图、空白热力图、边界覆盖图），并由视觉语言模型（VLM）进行检查。智能体会提取仅通过视觉获取的事实（例如“引脚边缘面向相邻宏单元”），并生成可操作的优化建议。这确保了那些难以通过数值指标捕获的空间属性能够得到显式评估。

锦标赛式优化

MAGE 支持**胜者为王（GWTW）**锦标赛模式。系统并行生成多个候选布局，使用早期全局布线（eGR）线长作为 PPA 的代理指标进行评估并排序。通过分析导致线长差异的顶尖方案，提取其中的见解，并用于改进后续轮次的指导。这种进化过程允许框架探索多种轨迹，而非仅仅遵循单一的优化路径。

3. 核心贡献

• 用于类人布局的智能体框架： MAGE 是首个明确设计用于生成类人化解决方案的智能体宏单元布局框架，它将任务分解为结构化的多阶段流水线，而非单体优化。
• 类人性的原则与指标： 作者形式化了专家级布局的六项空间原则，并引入了四个量化指标来衡量“类人性”：
  • 缺口得分（Notch Score）： 衡量宏单元轮廓的锯齿程度。
  • 空白得分（Whitespace Score）： 评估自由空间的矩形度和紧凑度。
  • 口袋得分（Pocket Score）： 惩罚细小、不可用的自由空间区域。
  • 对齐得分（Alignment Score）： 评估边界布局、边缘对齐、角落占用和堆叠正确性。
• 两阶段合成： 该框架将结构组织（阶段 1–5）与实现指标优化（锦标赛优化）分离，在提升时序和线长的同时保持结构完整性。
• 泛化能力： 该方法展示了向未见设计、矩形布局和高利用率设置的零样本迁移能力，且无需针对特定设计进行重新训练。

4. 实验结果

该框架在涵盖 NanGate45 (NG45) 和 GlobalFoundries 12nm (GF12) 的九个设计上进行了评估，并与人类专家、两种商业布局工具（Comm-1, Comm-2）以及 OpenROAD 的 Hier-RTLMP 进行了对比。

• PPA 提升：
  • 对比人类专家： 在 NG45 设计上，MAGE 将最差负斜率（WNS）改善了 18.3%，将总负斜率（TNS）改善了 72.5%，且线长和功耗表现相当。
  • 对比商业布局工具： MAGE 在 WNS 上实现了 11.1%–19.3%、在 TNS 上实现了 70.0%–74.0% 的几何平均提升，但代价是更高的已布线线长（rWL）和功耗。
  • 对比 Hier-RTLMP： MAGE 在提升 WNS 47.0% 和 TNS 80.4% 的同时，还减少了 rWL 和功耗。
• 类人性： MAGE 在整体类人性评分 ($S_{HM}$) 上超越了所有基准方案 6%–48%。
• 案例研究：
  • 未见设计： 在两个未用于训练的 GF12 设计上，MAGE 比商业工具在 TNS 方面提升了 27%–40%。
  • 矩形布局： 在高密度矩形布局（利用率 >70%）中，MAGE 提升了 WNS，而商业工具在此类场景下往往产生破碎的布局。
  • 高利用率： 在严苛的面积约束下（利用率高达 80%），MAGE 通过保留有组织的布线通道，在时序收敛方面表现优于商业工具。

5. 重要性与主张

论文主张，类人的宏单元组织是一种有效的结构先验，有助于下游的布线和时序收敛。结果表明，MAGE 所强制执行的特定结构规整性（例如连续的空白区域、对齐的堆叠）即使在总线长较高的情况下，也能直接有助于更好的时序结果（降低时钟偏移和拥塞）。

作者强调，MAGE 代表了一种范式转变：将宏单元布局从纯粹的数值优化问题转变为受专家原则指导的结构化设计过程。通过利用多模态推理和视觉反馈来编码这些原则，该框架能够复制人类专家的组织逻辑，而无需依赖昂贵的标注数据进行训练。这项工作证明了智能体、多模态系统可以有效地捕获并应用复杂的物理设计判断力，从而有望减少目前占据工业流程主导地位的人工微调时间。