用于LLM辅助模拟布局精炼的仿真感知上下文内策略改进

# 面向LLM辅助模拟布局优化的仿真感知上下文内策略优化
来源：https://arxiv.org/html/2608.13767
## 面向LLM辅助模拟布局优化的仿真感知上下文内策略优化  
出版编号：pubid:979-8-3195-1246-8-0/26/$31.00 ©2026 IEEE

Bingyang Liu, Ziming Wei, Xiaohan Gao, and David Z. Pan  
机构：美国德克萨斯州奥斯汀市德克萨斯大学奥斯汀分校电气与计算机工程系  
{bingyangliu@, zmwei@, xiaohan.gao@austin., dpan@ece.}utexas.edu

###### 摘要

模拟集成电路布局设计仍是一个由仿真驱动的、劳动密集型的迭代过程。尽管端到端布局生成器能加速初始布局与布线，但为满足严苛的设计规格，专家仍需通过反复的版图后仿真来手动调整布局优化参数。尽管贝叶斯优化（BO）在模拟集成电路设计的参数调优中被广泛采用，但在布局层面，BO通常需要数百到数千次评估，每次评估都涉及高成本的寄生参数提取和版图后仿真，这使其在实践中并不可行。近期，大语言模型（LLMs）在提升此类仿真驱动调优的样本效率方面展现了潜力。然而，它们对几何布局上下文及特定设计启发式信息的访问受限，限制了其操纵布局优化流程的能力。本文提出一种仿真感知的LLM多智能体框架，通过动作-观察-反思循环，对紧凑结构化布局表示进行迭代更新，从而实现上下文内策略优化（ICPI），以更新模拟布局生成器所暴露的布局优化参数。在真实模拟电路上的实验表明，仅需数十次版图后仿真，我们的方法便能提升版图后性能，优于生成器内置启发式方法及基于BO的调优方法。

## 一、引言

模拟集成电路布局设计是一个高度迭代、仿真驱动的过程。为达到特定的设计性能目标，设计者需反复修改布局并运行高成本的版图后仿真，而工业流程仍依赖经验丰富的设计者基于稀疏的仿真反馈来迭代优化布局。由于这种优化涉及基于反馈进行推理，而非遵循固定流程，因此它一直是由专家设计者主导的人为驱动循环。

在学术界，数十年来对模拟布局与布线算法及自动布局生成器的研究，已加速了初始布局的生成过程。这涵盖了从经典公式化方法[17, 18, 26, 34, 35]、基于领域知识的方法[2, 28, 27, 36, 11]，到机器学习技术[20, 19, 10]的发展。近期的端到端模拟布局生成器，包括ALIGN[16, 30]、MAGICAL[37, 5, 4]及其他框架[9, 43, 44]，通过优化以线长为中心的分析目标，并辅以启发式规则和手动指定的约束来实现。然而，真实的版图后性能远比这些分析代理模型所能捕获的复杂得多。由于传统自动化流程通常对所有设计应用通用的、静态的启发式规则，它们往往无法捕捉实现特定高性能目标所需的灵活权衡。因此，设计者仍需通过反复仿真来手动调整布局优化参数，这限制了此类工具的实际应用。

[图注]图1：基于端到端布局生成器的四种仿真驱动模拟布局流程对比：手动调优、基于仿真的贝叶斯优化、仅通过自然语言的LLM交互式设计，以及我们基于布局优化参数的ICPI流程。  
一个自然的问题是：算法能否基于仿真反馈，在模拟布局生成器中自动探索布局优化参数的更优设置？基于仿真的调优结合贝叶斯优化（BO）已广泛应用于模拟尺寸调整任务[39, 3, 24, 7, 8, 15]。然而，BO通常需要每个设计进行数百到数千次采样，这对于布局来说是不切实际的，因为每次采样都涉及高成本的寄生参数提取和版图后仿真。仿真预算通常仅限于每个设计数十次运行，这远远达不到通过BO进行有效探索所需的采样要求。

近期的工作探索了利用大语言模型（LLMs）的推理能力来提高此类基于仿真的方法的样本效率[14, 40, 23, 1, 33]，表明LLM可能有助于更好地利用稀缺的评估机会。与前端尺寸调整相比，后端布局为LLM提供了特别合适的场景：包括MAGICAL[37, 5, 4]在内的自动布局生成器在其布局与布线算法中暴露了具有语义意义的布局优化参数，例如对称性约束和布线优先级。这些结构化参数天然契合LLM推理电路结构和布局权衡的能力。然而，仍有两大挑战阻碍着它们在布局设计自动化中的应用。第一，LLM必须通过忠实、演进的状态表示来感知几何布局变化，而非模糊的文本描述。第二，它必须在紧张的版图后仿真预算内学习调整布局优化参数。先前用于模拟布局设计的LLM尝试[22, 32]在很大程度上依赖于布局的自然语言描述作为输入，这本身就具有模糊性。它们注入领域知识主要通过提示工程和针对特定案例的示例，而这些示例在新设计中往往需要重建。另一类近期工作利用LLM智能体编排从意图到布局的完整流程，其中约束驱动的生成产生布局，并将版图后指标反馈以从完整的尝试中选择最佳实现[42]。由于此类流程既未维护显式的布局状态，也未积累可指导反馈如何更新布局优化参数的设计特定经验，上述两大挑战在此仍然存在。这些未解决的挑战使得难以以仿真感知和可扩展的方式显著且可靠地改进模拟布局生成。如图1所示，当前的仿真驱动流程因此依赖于手动调优、基于BO的调优或仅通过自然语言在生成器之上进行LLM交互，每种方式在紧张的版图后仿真预算下都有其局限性。

本文引入一种仿真感知的多智能体框架，通过迭代更新一组暴露的布局优化参数来执行上下文内策略优化（ICPI）。此处，布局优化参数指生成器暴露的布局与布线参数，包括网络权重、布局偏置、对称性约束、布线优先级和导线宽度。该框架将布局优化视为一个自适应过程，在数十次版图后仿真的固定预算内，为每个电路实例演化出特定的策略。它通过紧凑、对LLM友好的中间表示——布局状态，来呈现当前几何结构、约束和指标，并在设计日志中保存经仿真验证的经验，以便跨轮次进行检索和反思，这一切均无需更新模型权重。在每次迭代中，智能体选择一类布局优化参数进行调整，提出具体修改，观察可行性及版图后反馈，并将产生的反思作为新经验记录。我们的主要贡献总结如下：

- •我们设计了一种紧凑、对LLM友好的布局状态，其中包含结构化的多层次信息，包括电路连接性、器件位置、暴露的布局优化参数、寄生参数摘要和版图后仿真结果。这种结构化状态取代了纯自然语言的布局描述，使优化过程中的状态感知推理成为可能。
- •我们在一个成熟的模拟布局生成器周围构建了仿真感知的动作-观察-反思ICPI循环，暴露了一组用于布局与布线优化的结构化布局优化参数。在每一轮中，智能体根据当前布局状态和稀疏的版图后反馈更新一个参数族，同时将验证过的经验存储在持久的设计日志中。
- •我们在两个OTA基准电路上验证了该框架，这些电路覆盖不同技术节点和参数空间规模。在有限的版图后仿真预算下，我们的方法实现了优于生成器内置启发式、基于BO的调优以及非ICPI基线的版图后性能。

本文其余部分结构如下：第二节描述背景，第三节阐述详细算法与实现，第四节展示实验结果，第五节进行总结。

## 二、预备知识

### 二-A、上下文内策略优化与自反馈

近期关于LLM自反馈和内部一致性的研究表明，它们可以通过围绕自身输出构建反馈、反思和检索，在测试时改善其行为。自优化方法[25, 6]遵循“提出-反馈-细化”的模式：模型首先生成答案，然后生成自然语言反馈或置信度信号，最后基于此反馈进行重写或放弃，从而在固定权重下获得质量提升。除了纯粹的上下文内优化，自改进方法进一步利用自生成信号进行训练，包括推理过程、评分和语言反馈[12, 29]。Liang等人[21]进一步将这些方法统一在一个共同的视角下，即通过利用自生成的评估信号来改进行为。在此，我们使用术语“上下文内策略优化”（ICPI）特指测试时权重冻结的变体，其中“策略”通过提示、检索的记忆和结构化上下文来实现，而非通过参数更新。

ICPI思想也出现在多步智能体和领域特定优化中。ReAct风格的智能体[38]将链式推理与环境动作交织，而Reflexion[31]则通过明确的自反馈来增强此循环，模型总结失败并提出策略更新，这些更新被输入到后续提示中。类似的“提出-执行-修订”模式构成了代码优化和配置框架[13, 41, 45]的基础，模型在这些框架中反复编辑程序或设置，运行测试或基准测试，并使用执行轨迹来指导进一步的修改。在这些场景中，性能得以提升，是因为上下文状态在迭代过程中变得越来越丰富，包含了过去的轨迹、反馈和启发式规则。

这些研究表明，ICPI特别适用于那些模型动作对应于语义上有意义的控制，并且环境每轮返回丰富、特定领域信号的任务。模拟布局后端优化兼具这两个特性：自动布局生成器暴露了可解释的布局优化参数，包括对称性约束、线长权重、布线优先级以及导线宽度和间距；同时，寄生参数提取和版图后仿真提供了高价值但成本高昂的反馈。这使得仿真感知的ICPI非常适合我们的场景，并促成了本文提出的结构化布局状态、设计日志和迭代方案。

### 二-B、端到端模拟布局生成器

现代端到端模拟布局生成器建立在数十年来对模拟布局与布线算法研究的基础上，能够直接从电路网表、工艺信息和用户约束生成布局。MAGICAL[37, 5, 4]、ALIGN[16, 30]以及近期的模拟P&R框架[9, 43, 44]等系统共享大致相似的流程：给定原理图和高级约束，它们首先放置器件，然后进行布局合法化以满足设计规则同时保持关键关系，最后运行模拟感知的布线器，强制执行对称性、间距和其他启发式规则。这种集成的“布局-合法化-布线”流程将许多模拟布局需求系统性地编码为分析目标，显著减少了生成DRC（设计规则检查）清洁的初始布局所需的人工工作量。

尽管取得了这些进展，大多数实际流程仍然依赖设计者提供和调整约束以及工具级参数，包括对称组、优化器配置、导线间距选项以及一组用于平衡不同目标的全局权重。原则上，模拟布局生成器可以暴露更细粒度的网络级优化参数，包括初始器件位置或锚点、阱区簇分配、每个网络的线长权重、布线宽度和间距选项以及每个网络的布线优先级。然而，如此众多的布局优化参数使得系统性手动调优变得不切实际。