GR-Evolve: Design-Adaptive Global Routing via LLM-Driven Algorithm Evolution

arXiv: 2604.22234 · PDF

作者: Taizun Jafri, Vidya A. Chhabria

单位: Arizona State University

主分类: cs.AR · 全部: cs.AR

命中关键词: large language model, llm, agent, agentic, rag

TL;DR

GR-Evolve 用 agentic LLM 迭代改写 global routing 源码，按 QoR 反馈为每个设计定制 EDA 算法，在七个 benchmark 上最多减少 8.72% 绕线长度。

核心观点

提出 design-adaptive EDA tooling 范式：让 EDA 工具内部算法自动针对具体设计特化，而非仅调超参。
实例化框架 GR-Evolve：agentic LLM 基于 QoR 反馈迭代修改 global routing 源码。
为 LLM 配备持久上下文（开源 global router 知识）及 OpenROAD 集成评估工具链。
在 7 个设计 × 3 个工艺节点上验证 LLM 驱动 EDA 代码演化的可行性。

方法

框架输入：开源 global router 源码、知识库、历史迭代 QoR。
Agentic LLM 迭代修改源码 → 在 OpenROAD 中跑完整流程 → QoR 评估 → 反馈进入下一轮。
知识库持续累积前几轮 QoR 历史，驱动 LLM 做设计自适应的算法演化。

图 1

实验

Benchmark：7 个设计，跨 3 个 technology node。
指标：post-detailed-routing wirelength。
基线：现有开源 global router。

结果

相比 baseline router，post-detailed-routing wirelength 最多降低 8.72%。
体现 LLM 驱动代码演化对 design-adaptive global routing 的可行性。

为什么重要

将 LLM agent 从"调参/搜索"推进到"改算法源码"的层级，给 EDA、编译器乃至系统软件提供了一条让工具随输入自适应演化的路径，对 AI 基础设施与芯片设计自动化意义重大。

与已有工作的关系

延续 learning-based EDA 优化与 design-specific hyperparameter tuning 研究，但突破静态算法实现约束。
构建在 OpenROAD 开源基础设施之上。
属于 agentic LLM code evolution（类 AlphaEvolve 风格）在 EDA 领域的应用。

尚未回答的问题

只优化 wirelength，对 timing、congestion、DRC 等其他 QoR 维度效果？
改写源码的稳定性、泛化性及演化成本（token/时间）未披露。
能否推广到 placement、CTS、detailed routing 等其他 EDA 阶段？
LLM 修改的算法正确性与可维护性如何保证。

原始摘要（中文翻译）

现代 ASIC 设计日益复杂，推高了设计成本，同时现有 EDA 工具的生产力提升受到限制。尽管经过数十年的发展，当前工具仍依赖固定启发式算法，只能通过工具超参数提供有限的控制，需要大量人工调优才能达到可接受的 quality of results (QoR)。尽管先前工作探索过基于学习的优化和面向设计的超参数调优，这些方法仍在静态工具算法实现的约束下运行，并不会针对各个设计自适应底层算法。为了解决这一局限，我们提出 design-adaptive EDA tooling 的概念：EDA 工具的内部算法会自动针对给定设计的特征进行特化。我们通过 GR-Evolve 来实例化这一范式——一个代码演化框架，利用 agentic 大语言模型 (LLM) 在 QoR 驱动反馈下迭代修改 global routing 源码。该框架为 LLM 配备了关于开源 global router 的持久上下文知识，以及 OpenROAD 基础设施内用于 QoR 评估的集成工具链。我们在三个 technology node 上的七个 benchmark 设计上评估 GR-Evolve，相比现有基线 router 在 post-detailed-routing wirelength 上最多降低 8.72%，突显了 LLM 驱动 EDA 代码演化在 design-adaptive global routing 方向的潜力。

论文图表

图 1

图 2