Agentic-LS：通过大语言模型引导的双粒度神经符号搜索实现物理可落地逻辑综合

《Integration》：Agentic-LS: Physically grounded logic synthesis via LLM-guided dual-granularity neuro-symbolic search

　　

- Agentic-LS 结合大语言模型（LLMs）与蒙特卡洛树搜索（MCTS），以解决综合流程中代理指标与物理实现之间的不匹配问题。
- 基于图神经网络（GNN）的拓扑感知机制，辅助实现结构感知的逻辑优化。
- 闭环 7 nm 标准单元反馈机制，实现了实际可用的面积-延迟改进。
- 分层微搜索主动解决电路中的局部物理僵局。
- 在标准基准测试上，评估结果显示面积-延迟乘积持续降低。

## 引言

逻辑综合是现代超大规模集成电路（VLSI）设计流程中的关键阶段。其主要目标是通过迭代应用逻辑变换序列，生成在功耗、性能和面积（PPA）指标上经过优化的门级网表，同时保持功能等价性。作为寄存器传输级（RTL）描述与物理实现之间的中间步骤，逻辑综合的质量对最终投片后的结果质量（QoR）有着显著影响。现代综合流程通常通过 Berkeley ABC 系统 [1][2][3] 等框架来执行这些变换。

在先进工艺节点（如 7 nm 及以下）中，逻辑级结构优化与映射后物理实现之间的耦合更加紧密。标准单元非线性、互连寄生参数增加以及严格的时序收敛裕量等因素，使得最终 PPA 对逻辑综合决策的敏感性显著增加。诸如 ASAP7 等预测性工艺套件展示了在这些节点上实现物理精确优化的复杂性 [4]。

尽管存在这些物理约束，传统逻辑综合流程仍然依赖代理优化指标——即与-非图（AIG）中的节点数（Nodes）和逻辑级数（Levels）——作为面积和延迟的近似。随着工艺节点缩小到 7 nm 以下，AIG 代理指标与实际映射后 PPA 之间的差异变得更加明显 [5]。为解决这一问题而无需运行完整的物理流程，近期研究已部署机器学习技术（如图模型）从早期设计预测布局后指标 [6]。然而，在布尔层面看起来有效的优化策略，在实际技术映射和时序分析后往往产生次优结果。这种代理-物理不匹配限制了传统综合流水线的优化潜力。

此外，基于经验启发式构建的静态优化脚本（如 resyn2、resyn3）缺乏处理结构多样化或控制主导型电路所需的适应性。这些固定的变换序列经常收敛到局部最优，使得 PPA 改进的空间未被充分利用。

为解决静态启发式的局限性，顺序决策框架已被引入。采用强化学习或蒙特卡洛树搜索（MCTS）的方法可以动态探索优化策略（如 AlphaSyn [7][8]）。虽然这些方法提供了理论基础的探索机制，但它们通常依赖简化的代理奖励函数。在缺乏先进工艺库下实际映射后 PPA 的闭环反馈时，代理目标与实现级 PPA 之间仍然存在差距。

近期的其他努力利用大语言模型（LLMs）的结构推理能力（如 Circuit Transformer [9][10]）来生成综合序列。然而，在没有严格工具约束和物理验证的情况下运行的 LLM 驱动的代理可能会生成无效或物理上不可行的命令。此外，在缺乏底层搜索框架的情况下，难以系统性地纠正早期推理偏差。虽然将 LLM 推理与搜索算法集成已在通用程序生成领域有所探索 [11][12]，但将其应用于受物理约束的逻辑综合仍是一个活跃的研究挑战。

目前，需要一个统一的框架，能够同时实现以下三个目标：

（1）纳入 LLM 导出的结构先验以引导搜索方向；
（2）通过数学基础的树搜索引擎执行系统性探索；
（3）集成先进节点工具约束下技术映射 PPA 的闭环反馈。

由于 7 nm 及亚 7 nm 设计需要严格遵守时序可行性、逻辑等价性和物理可实现性，纯代理驱动或无约束的生成方法在工业流程中面临部署挑战。

在本文中，我们提出 Agentic-LS，一个神经-符号逻辑综合框架，旨在解决代理-物理不匹配问题。基于自主 EDA [13][14] 的最新发展，我们将 LLM 作为约束宏动作空间上的有界先验估计器。通过将该先验嵌入基于 PUCT 的蒙特卡洛树搜索（MCTS）引擎，Agentic-LS 将结构先验与系统性探索相结合。由于宏动作空间仅包含五种操作，LLM 被视为有界先验估计器。因此，我们在相同的 PUCT 引擎、硬掩码和物理评估预算下比较了均匀、基于规则、MLP、GNN 和 LLM 先验。

在搜索过程中，每个仿真步骤都调用 ASAP7 标准单元映射和时序分析，使用 ASAP7 7 nm 工艺库 [4]。我们提取映射后的面积和延迟来构建面积-延迟乘积（ADP）作为奖励信号，形成闭环物理反馈机制。为确保物理合法性和功能等价性，我们实现了带有非法路径惩罚传播的工具约束执行沙盒。

本工作的主要贡献总结如下：

- **先进节点下代理-物理不匹配的表征。** 我们系统地分析并通过实验验证了在 7 nm 工艺库下 AIG 代理指标（节点数与级数）与映射后物理 PPA 之间的差异，明确隔离了基于代理的奖励为何会误导优化。
- **收敛安全的 Dual-Granularity PUCT 搜索范式。** 单棵 PUCT-MCTS 树通过有界的停滞触发局部细化进行增强，宏候选和微候选在同一物理评估预算下共同核算。
- **受控的学习先验评估。** 在相同的 PUCT 搜索下比较了均匀、基于规则、MLP、GNN 和 LLM 先验。GNN 在 Top-1 准确率上略占优势，而零样本 LLM 实现了最佳 Top-2 准确率、最低掩码前非法概率以及最强的低预算 QoR。
- **闭环 7 nm 接地与帕累托主导探索。** Agentic-LS 通过 ASAP7 技术映射评估每次仿真的 ADP。将逻辑综合表述为多目标优化问题 [15]，这种物理接地使搜索能够识别同时降低面积和关键路径延迟的帕累托解。
- **工具约束沙盒与非法路径传播。** 探索被包裹在一个执行环境中，强制执行组合等价检查（CEC）和时序合法性。通过对非法或不可行分支进行反向传播惩罚，我们将约束直接嵌入 MCTS 值更新过程中，以确保鲁棒的综合输出。

Agentic-LS 在 EPFL 上平均降低 ADP 28.18%（峰值 91.01%），在 VTR 上较 FlowTune 改进 17.28%。运行时分析表明，重复的 ASAP7 映射是主要瓶颈；B=30 时保留了全预算 QoR 的 92.8%，仅占运行时间的 59.7%。

本文其余部分组织如下：第 2 节回顾了逻辑综合优化和基于学习的 EDA 方法的相关工作。第 3 节详细介绍了所提出的 Agentic-LS 方法，包括 LLM 引导的先验构建、基于 PUCT 的 MCTS 引擎以及闭环物理反馈机制。第 4 节介绍了实验设置、全面评估结果和详细消融研究。第 5 节讨论了本工作的更广泛意义、局限性和核心贡献。最后，第 6 节对论文进行总结。

## 相关工作片段

### 启发式逻辑综合流程

逻辑综合传统上依赖于在综合框架（如 Berkeley ABC [1][2]）中精心设计的启发式优化流程。这些流程对与-非图（AIGs）等中间图表示应用一系列结构变换，包括重写、重构、替代和平衡。启发式方法的持续进步扩展了这些能力，提出了高效的替代技术以……

### 问题表述

设输入逻辑电路表示为与-非图（AIG），这是现代综合工具（如 ABC [1][2]）中广泛采用的内部表示。逻辑综合的目标是确定一个有序的综合变换序列，在保持功能正确性和时序可行性的前提下，最小化技术映射后的最终物理实现成本。

形式化地，尽管先前的工作已探索将逻辑综合建模为顺序决策……

### 实验设置

**基准测试：** 我们在广泛使用的 EPFL 基准测试套件 [31] 的全部 20 个组合电路上评估所提出的 Agentic-LS 框架。这些电路涵盖了算术密集型设计（如 div、sqrt 和 multiplier）以及不规则的控制或随机逻辑电路（如 router、priority 和 voter），为评估综合优化方法提供了多样化的结构模式。

为确保与 FlowTune 的公平跨方法比较，我们还额外采用相同的六个……

## 讨论

Agentic-LS 的实验结果为先进工艺节点下逻辑综合的演变格局提供了几个关键见解。在本节中，我们解读实验结果的意义，将我们的框架置于现有研究的更广泛范围内进行定位，承认当前的局限性，并概述本工作的更广泛影响。

## 结论

在本文中，我们提出了 Agentic-LS，一个物理接地的神经-符号框架，重新定义了先进工艺节点下的逻辑综合过程。我们的研究得出四项核心发现。第一，我们经验性确认了在 7 nm 及以下，节点数和深度等逻辑级代理指标不是工艺感知映射实现质量的可靠指标；单独优化这些指标往往导致次优的物理实现。第二，……

## 利益冲突声明

作者声明不存在可能影响本论文所报告工作的已知的竞争性经济利益或个人关系。

## 致谢

作者感谢 Berkeley 逻辑综合与验证组提供开源 ABC 综合系统，感谢 OpenROAD 项目对标准化 ASAP7 预测性工艺库的维护。他们对 EDA 社区的宝贵开源贡献极大地促进了本研究。

Delang Chen | Jizhou Luo | Zhongli Liu | Xingji Li | Jianqun Yang | Jiaxi Liu