← 研踪 PaperTrail软件学报:jos:7671 · 记录 #1
融合多智能体系统与检索增强的芯片分区布局框架
来源日期 2026-10-28
来源记录日期 2026-10-28
雷达观测 2026-11-01 16:34
摘要
在超大规模集成电路物理设计流程中, 芯片分区直接决定后续布局布线的效率与质量. 构建融合多智能体与检索增强的芯片分区布局框架ChipMASRAO, 将多智能体强化学习(multi-agent reinforcement learning, MARL)与检索增强(retrieval-augmented optimization, RAO)技术深度融合. 该系统利用RAO机制从知识库检索历史分区结果作为高质量初始化, 通过MARL进行增量优化和多智能体协同评估, 最终驱动OpenROAD完成布局. 与传统方法每次从零计算不同, ChipMASRAO通过复用历史方案避免重复计算. 在ISPD 2015测试集8个设计上的实验表明: 相较于Baseline和ChipDRAG中性能较好的方法, 半周线长(half-perimeter wirelength, HPWL)总平均改善21.6%; 多智能体评估机制使测试集设计负载平衡度平均提升3.47%. 消融实验证实了RAO的关键作用: 引入RAO后平均超边切割数(Cutsize)降低86.5%, HPWL改进30.4%. 提出“检索-复用-修正”的新型范式, 验证了知识驱动方法在芯片分区问题上的有效性.
论文发现出处
这些页面提供论文线索，不代表同行评审或质量认证。
发表信息与关联版本
软件学报 ↗2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007671
观测到的版本
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
记录 #1 · 2026-10-28 · 最新观测版本
融合多智能体系统与检索增强的芯片分区布局框架
在超大规模集成电路物理设计流程中, 芯片分区直接决定后续布局布线的效率与质量. 构建融合多智能体与检索增强的芯片分区布局框架ChipMASRAO, 将多智能体强化学习(multi-agent reinforcement learning, MARL)与检索增强(retrieval-augmented optimization, RAO)技术深度融合. 该系统利用RAO机制从知识库检索历史分区结果作为高质量初始化, 通过MARL进行增量优化和多智能体协同评估, 最终驱动OpenROAD完成布局. 与传统方法每次从零计算不同, ChipMASRAO通过复用历史方案避免重复计算. 在ISPD 2015测试集8个设计上的实验表明: 相较于Baseline和ChipDRAG中性能较好的方法, 半周线长(half-perimeter wirelength, HPWL)总平均改善21.6%; 多智能体评估机制使测试集设计负载平衡度平均提升3.47%. 消融实验证实了RAO的关键作用: 引入RAO后平均超边切割数(Cutsize)降低86.5%, HPWL改进30.4%. 提出“检索-复用-修正”的新型范式, 验证了知识驱动方法在芯片分区问题上的有效性.
查看此版本解读 →查看此版本原文 ↗