Resumen: El aprendizaje automático se ha utilizado ampliamente para optimizar flujos de trabajo de ingeniería complejos en numerosos dominios. En el contexto del diseño de circuitos integrados, los flujos modernos (por ejemplo, que van de una lista de red de nivel de transferencia de registro a diseños físicos) implican una configuración extensa a través de miles de parámetros, y los pequeños cambios en estos parámetros pueden tener grandes impactos aguas abajo en los resultados deseados, a saber, el rendimiento del diseño, la potencia y el área. Los avances recientes en modelos de idiomas grandes (LLM) ofrecen nuevas oportunidades para el aprendizaje y el razonamiento dentro de tales tareas de optimización de alta dimensión. En este trabajo, presentamos Orfs-Agent, un agente de optimización iterativo basado en LLM que automatiza la sintonización de parámetros en un flujo de diseño de hardware de código abierto. ORFS-Agent explora adaptativamente las configuraciones de parámetros, lo que demuestra mejoras claras sobre los enfoques de optimización bayesiana estándar en términos de eficiencia de recursos y métricas finales de diseño. Nuestras evaluaciones empíricas en dos nodos tecnológicos diferentes y una gama de puntos de referencia de circuito indican que Orfs-Agent puede mejorar tanto la longitud de cable enrutado como el período de reloj efectivo en más del 13%, todo mientras usa un 40% menos de iteraciones de optimización. Además, siguiendo los objetivos del lenguaje natural para intercambiar ciertas métricas para otras, ORFS-agent demuestra un marco flexible e interpretable para la optimización de objetivos múltiples. Crucialmente, el agente RFS es modular y agnóstico del modelo, y puede conectarse a cualquier frontier LLM sin ningún ajuste más fino.
Publicado Originalme en rss.arxiv.org El 10 de junio de 2025.
Ver Fuente Original
