面向硬件设计的多模态与多AI智能体

核心观点与关键数据

• 硬件设计挑战: 随着技术进步，硬件设计变得越来越复杂，设计规则增多、设计难度加大、设计周期变长，亟需利用AI提高效率和缩短周期。
• 自主代理的必要性: 通过智能AI代理解决设计生成、调试、审查/分析、优化等问题，特别是针对低到中等智力投入但繁琐的工作，以提升生产力。
• 代理部署的挑战: 构建有用的芯片设计代理需要广泛的专业领域知识，包括逻辑设计、物理设计、验证、模拟设计等，以及多样的工具命令和文件格式。
• 代理能力获取方法: 通过模型（基础和微调模型）、提示工程、工具（RAG/定制工具/API）、分解（任务流程、多AI对话）和学习（试错、经验积累）获取知识。
• 低代码开发框架: 需要一个易于设计师专家开发的框架，如基于动态/静态可配置图的任务解决、单AI/多AI解决子任务、以及定制工具、内存、知识库的开发。

研究结论与成果

• 多模态和多AI代理: 研究提出了基于动态/静态可配置图的任务解决、单AI/多AI解决子任务、以及定制工具、内存、知识库开发的代理框架。
• 具体代理研究:
  • VerilogCoder: 利用动态任务图、多AI协作和定制调试工具，实现自动Verilog编码和调试，比非代理方法减少约13倍的token计数，通过MCTS达到98.1%的通过率。
  • DRC-Coder: 自动生成设计规则检查代码，在精度、召回率和F1分数上均达到完美表现（1.00），优于标准提示方法37%。
  • 标准单元布局优化代理: 利用LLM进行PPA和可布线性优化，在2nm和5nm节点上分别实现19.4%的单元面积减小和23.5%的LVS/DRC干净单元布局增加。
  • MCMM时序路径调试代理: 通过分层计划解决和多代理协作，有效处理多角多模式时序报告，提高调试效率。
• 性能提升: 通过代理方法，部分任务实现了显著的速度提升，例如某些任务速度提升约60倍。

未来工作方向

• 使用高质量的硬件设计数据进行LLM训练。
• 提高LLM代理在硬件信号和波形调试方面的能力。
• 将PPA指标整合到代理设计流程中。
• 开发更高效的自我学习技术和内存系统，使LLM代理能够解决更复杂的硬件任务。