SKILL: Self-correcting Knowledge-guided Iterative Large Language Model Agent for Logic Optimization
本文介绍了 SKILL，一种具有自我修正能力、知识引导的迭代多智能体系统，该系统将专门的大型语言模型与近端策略优化相结合，通过在 PDA 指标上实现 12.4% 的提升以及在大规模基准测试中达到 86.3% 的成功率，显著超越了传统的专家流，用于逻辑综合优化。
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
数字世界运行在逻辑之上，这种无形的决策架构驱动着从智能手机到卫星的一切事物。在这套架构的核心，是一个被称为“逻辑综合”（logic synthesis）的关键步骤，工程师通过这一步将高层设计理念转化为计算机芯片上数十亿个微小开关的实际物理排列。几十年来，这一过程一直依赖于僵化的、由专家编写的指令，这些指令告诉计算机如何重新排列这些开关，以使其更快速、更小巧且更节能。然而，随着芯片变得越来越复杂，这些固定的指令难以跟上步伐，往往会错过隐藏在构建芯片的浩瀚且混乱的可能性中的更优解。寻找完美排列的过程，就像试图在一片每次观察时都会改变形状的沙滩上寻找一颗特定的沙粒，这使得传统方法几乎无法高效地进行导航。
为了解决这个问题，加州大学河滨分校的研究人员开发了一种名为 SKILL 的新系统，它充当了一个智能且具备自我纠错能力的芯片设计指南。SKILL 不再遵循静态脚本，而是使用一组先进的人工智能模型协同工作来探索设计空间，就像一群专家在共同解决一个复杂的谜题。其中一个模型充当战略规划者，规划芯片性能的长期目标；第二个模型深入细节，识别设计中的特定瓶颈和结构弱点；第三个模型负责快速分析，实时检查数千种可能性以保持流程推进。这三个数字大脑并非孤立工作，它们与一个直接与用于制造芯片的工业软件工具交互的学习代理（learning agent）相匹配。该代理尝试不同的变更，观察结果，并从反馈中学习，从而创造出一个试错与改进的持续循环。
该系统的独特之处在于它能够识别错误并在无需人工帮助的情况下进行自我修复。过去，如果自动化系统做出了一个导致芯片变慢或变大的错误选择，它可能会沿着错误的路径一直走下去，直到整个过程失败。然而，SKILL 会不断监测设计的健康状况。如果它检测到某次变更使芯片性能变差，它会立即停止，分析决策失败的原因，并要求其 AI 模型团队制定新的策略进行恢复。这种自我纠错机制使系统能够以以往方法所缺乏的韧性来应对复杂的芯片设计景观，将死胡同转化为优化的新机遇。
研究人员在各种现实世界的芯片设计上测试了 SKILL，范围涵盖从小型学术项目到包含多达 50 万个逻辑门的庞大工业系统。他们将该系统的表现与现有的最佳方法进行了对比，包括由人类专家运行的方法和其他自动化学习系统。结果显示，SKILL 始终能产生更好的结果，与专家设计的流程相比，在功率、速度和物理尺寸的平衡方面平均提升了 12.4%。这种提升在芯片设计领域意义重大，因为即使是百分之一的差异，也可能意味着设备是能装进兜里，还是需要配备一套冷却系统。此外，该系统成功优化了 86.3% 的尝试设计，证明了在处理最复杂的电路时仍具有极高的可靠性。
SKILL 的成功源于它如何弥合高层推理与底层执行之间的鸿沟。虽然传统人工智能通常难以理解芯片设计的具体规则，但 SKILL 的模型团队能够理解设计的抽象目标，并将其转化为合成工具可以执行的具体动作。这种协作使得系统能够从设计软件的实际行为中学习，而不是仅仅基于模式进行猜测。研究人员发现，移除这三个 AI 模型中的任何一个或禁用自我纠错功能，都会导致性能明显下降，这证明了战略规划、详细分析和快速反馈的结合对于系统的运作至关重要。
这种方法标志着自动化设计工具构建方式的转变。SKILL 不再仅仅依赖数学算法来搜索解决方案，而是将大型语言模型的推理能力与工业工程工具的精确性相结合。该系统不仅是在寻找解决方案，它还理解为什么一个方案有效，以及在失效时如何恢复。通过将这些智能代理置于专业设计软件的现实反馈之中，研究人员创造出了一种能够适应每种芯片独特挑战的工具。随着数字系统持续增长其复杂性，这种学习、推理和自我纠错的能力为电子设计的未来提供了一条充满希望的路径，确保未来的芯片能够以现代技术所要求的效率和可靠性进行构建。
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。