EDATracer: An Agentic Framework for Large-Scale EDA Artifact Analysis
EDATracer 是一个利用知识图谱和语义向量索引来对异构 EDA 制品进行大规模、基于证据的分析的智能体框架，它在基于 2,787 个设计数据集衍生的全新 90 个问题基准测试中表现优于现有工具，且使用的 Token 数量显著减少。
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
想象一下试图修理一辆坏掉的汽车，但你面对的不是一个单一的发动机，而是散落在各处的百万个零件：蓝图、技师的手写笔记、工厂的计算机日志、使用的每一颗螺栓清单，以及一份关于发动机“应该”消耗多少燃料的报告。现在，想象一下这辆车是一个计算机芯片，而这个“技师”是一个超级聪明的计算机程序（人工智能），它正在试图弄清楚为什么车发动不起来。这就是现代芯片设计工程师的日常现实。他们依赖电子设计自动化（EDA）工具，这些工具就像巨大的自动化工厂，将代码转化为物理芯片设计。这些工具会生成海量的不同文件——日志、脚本、报告和代码——它们虽然相互关联，却散落在不同的文件夹中。
问题在于，在这一片数字草堆中寻找特定的线索极其困难。如果一颗芯片失效了，错误可能出现在某个日志文件中，但其“原因”可能隐藏在另一个阶段的源代码文件或时序报告中。传统的 AI 工具往往会在这种混乱中迷失方向，要么靠猜测给出答案，要么无法建立文件之间的联系。本文介绍了一种新方法，旨在帮助这些 AI 侦探在不被庞大数据量压垮的情况下解开谜团。
来自德州农工大学的研究人员构建了一个名为 EDATracer 的系统。你可以把 EDATracer 想象成芯片设计世界里的一位超级组织有序的图书管理员。它不是简单地将所有文件堆在一起并要求 AI “阅读一切”，而是首先为整个芯片项目构建一张巨大的交互式地图（称为知识图谱）。这张地图将各个点连接起来：它知道日志文件中的特定错误与特定的代码行相关联，而该代码行又与芯片蓝图的特定部分相关联。
为了测试他们的想法，团队不仅仅观察了一两个设计；他们收集了大量的 2,787 个不同的开源芯片设计。他们通过综合工具运行这些设计，生成了 18.9 GB 的真实世界人工制品，包括日志、网表（门级蓝图）和性能报告。随后，他们创建了一个包含 90 个问题 的“测试集”，涵盖了从简单事实（“这个芯片的面积是多少？”）到复杂推理（“为什么时序失败了？”）的各种类型。
当他们让 EDATracer 开始回答这些问题时，它表现得像一个智能体团队：一个智能体负责在地图中搜寻线索，而另一个智能体则负责将这些线索拼凑起来以形成答案。结果令人印象深刻。EDATracer 的准确率高于流行的商业 AI 编程助手（如 Cursor 和 Claude Code），平均正确率高出 6.4% 至 7.2%。更棒的是，它在实现这一目标时使用的“Token”（AI 用于思考和表达的数字货币）要少 2.0 到 3.2 倍，因此效率更高。
论文指出，成功的关键不仅在于拥有更聪明的 AI 大脑，更在于为那个大脑提供一张更好的地图。通过将 AI 的推理建立在结构化的证据图谱之上，EDATracer 避免了常见的“幻觉”（编造事实）陷阱，也避免了因纠结于局部而忽略整体的问题。虽然该系统目前专注于芯片设计的综合阶段，但作者展示了将复杂的、零散的数据组织成一个互联的网络，可以将一个困惑的 AI 转变为一名精准的侦探，解决那些以前对计算机而言过于混乱的问题。
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。