自主芯片设计中的智能体协调

# 自主芯片设计中的智能体编排
来源：https://arxiv.org/html/2608.14035
###### 摘要

近期大型语言模型与工具使用智能体的发展，推动了人们在芯片设计中探索智能体应用的潜力。核心问题是：在如此复杂的产业中，我们究竟需要何种人工智能？为此，我们提出将芯片设计超级智能体建模为一个庞大AI组织的理念。

## 1 超级智能体原生芯片设计

编程智能体最核心的便利性在于“氛围编程”概念，尽管其仍存在缺陷。关键转变在于：评估速度的标准从“相对人类的百分比”转变为“相对模型的百分比”。也就是说，唯一具有变革价值的芯片设计技术，是一个能够自主工作的AI系统。

凭借这种能力，我们可以构建服务于各类AI模型、算法与应用的芯片，为寻求定制芯片的业务场景提供支持——例如不同的训练或推理场景、不同的模型架构以及不同的智能体工作流。

## 2 如何构建此类超级智能体？

### 2.1 动作空间建模

考虑芯片设计或任何实验科学在单次试验中的流程，我们将**动作空间**定义为智能体或优化算法可执行的所有可行操作集合。在优化框架中：优化变量被视为操作；每组变量值被视为单个操作；所有允许的变量赋值集合构成动作空间。

更常见的情况是，我们面临黑箱优化问题：一组操作（设计参数）输入黑箱仿真器或物理实验，随后输出性能指标。由于不存在解析梯度，只能通过采样进行评估。模拟电路尺寸调整就是典型的黑箱优化场景（Jones等，1998；Krylov等，2023）。

在针对运算放大器、低压差线性稳压器和锁相环等模块的模拟电路设计优化中，可调参数对应MOS晶体管的尺寸维度，其中W表示晶体管宽度，L表示晶体管长度。电路性能指标（目标函数）包括增益、带宽、相位裕度、功耗、输入失调电压、输出摆幅等。约束条件涵盖最小面积、最大功耗预算、工艺设计限制以及饱和区要求。

在此场景中：
- 动作空间 = 所有有效的晶体管W和L值组合的集合
- 每次选择的(W, L)组合对应优化算法执行的一个操作

#### 动作空间的维度
**维度定义**：动作空间维度等于独立可调变量的数量。
例：包含5个MOS晶体管的电路，每个器件的W和L均需优化。独立变量为W₁,L₁,W₂,L₂,...,W₅,L₅，构成10维动作空间。

动作空间主要分为两类：
- **连续动作空间**：变量取实数值。晶体管W和L属此类。常用黑箱优化算法包括贝叶斯优化、随机搜索和强化学习算法（Snoek等，2012）。
- **离散动作空间**：变量仅能取有限离散值（如预定义的器件尺寸分档）。此类形式在电路优化中较少原生使用。

#### ⇒ 关键注意事项：维度灾难
随着动作空间维度增加，均匀覆盖整个空间所需的样本数呈指数增长。10维电路优化问题远比3维问题复杂。网格搜索或穷举枚举在高维场景中不可行，这正是贝叶斯优化等黑箱优化器相对于暴力搜索的核心优势。

#### 动作空间的搜索边界（盒约束）
动作空间不仅定义变量数量，还规定每个变量的有效上下界：
a = [a₁, a₂, ..., aₙ]，其中 aᵢ ∈ [lowᵢ, highᵢ]

回到模拟晶体管尺寸调整，变量范围受制造工艺和设计规则严格限制。对于单个晶体管对(W, L)：
- Lᵢ ∈ [Lₘᵢₙ, Lₘₐₓ]：Lₘᵢₙ是工艺设计套件指定的最小栅极长度（例如28nm工艺的0.028μm），Lₘₐₓ设定了上限，过长的栅极长度会引入额外寄生效应且受设计者定义的面积规格限制。
- Wᵢ ∈ [Wₘᵢₙ, Wₘₐₓ]：Wₘᵢₙ是工艺规则允许的最小晶体管宽度，Wₘₐₓ是上限值，过宽会导致面积开销过大且布线困难。

#### 可行域与超矩形搜索空间
多数优化框架通过施加独立上下界构建超矩形搜索域：
low₁ ≤ a₁ ≤ high₁，low₂ ≤ a₂ ≤ high₂，...
该区域构成原始动作空间。但模拟电路存在隐含的耦合约束：例如差分对匹配要求W₁/L₁ = W₂/L₂，电流镜也适用类似匹配规则。在此情况下，原始超矩形动作空间内的许多点会违反物理设计约束。真实可行区域是嵌入在原始空间中的低维流形。

针对黑箱优化存在两种主流工程策略：
1. 定义宽松约束的动作空间，采样后通过电路仿真验证约束，并对不可行样本施加惩罚项。
2. 利用先验设计约束降低维度、收缩动作空间以减少搜索难度（电路优化的首选方法）。

#### 电路尺寸调整的端到端黑箱优化流程
模拟晶体管尺寸调整的完整优化流程如下：
1. 定义动作空间：选择待优化晶体管，指定每个W和L的上下界，构建N维连续搜索域。
2. 优化算法在动作空间内采样动作向量a。
3. 将参数集a输入EDA仿真器（视为无解析梯度的黑箱模型）。
4. 运行电路仿真，提取性能指标用于目标评估和约束检查。
5. 算法利用历史采样数据指导后续迭代在动作空间中的采样位置选择。
6. 重复迭代直至找到满足所有规格的晶体管尺寸组合。

精心构建动作空间对高效黑箱优化至关重要。过宽的搜索范围会大幅降低采样效率，大量样本落入无效区域；过窄的范围则可能收敛至局部最优且排除全局最优解。引入冗余独立变量会加剧维度灾难。在模拟电路自动化优化的工程实践中，恰当地修剪和精炼动作空间往往比更换优化算法能带来更大的性能提升。

在芯片设计中，晶体管尺寸调整是芯片设计中一个定义相对明确的边界清晰的子问题。相比之下，芯片设计流程中的其他任务（拓扑综合、布局布线、架构探索、电路规格优化、系统级权衡分析等）通常面临问题定义模糊和建模挑战。

### 2.2 基于语言模型的推理
语言建模是建模序列概率分布的机器学习范式。数学上，语言模型学习序列s = [t₁, t₂, ..., tₙ]的联合分布P(t₁, t₂, ..., tₙ)，通过条件概率链式法则分解为：
P(t₁, ..., tₙ) = ∏ᵢ₌₁ⁿ P(tᵢ | t₁, ..., tᵢ₋₁)

在其原始狭义定义中，语言模型预测自然语言句子的下一个词元。在现代广义范畴中，基于Transformer的大型语言模型在广泛文本语料上训练，能够根据丰富上下文信息调节输出（Vaswani等，2017）。

语言建模的核心特性在于：
(1) 超越纯数值拟合，具备显式语义推理能力；
(2) 在预训练中嵌入丰富先验知识（理论方程、设计方法学、器件物理）；
(3) 可通过思维链提示产生中间推理步骤（Wei等，2022）。

回顾模拟晶体管尺寸调整：可调W、L构成动作空间，SPICE仿真充当黑箱评估器。经典黑箱优化器（贝叶斯优化等）的根本局限在于：
(1) 无物理语义感知：优化器仅观察浮点数向量[W₁,L₁,W₂,L₂...]，不理解这些值对应晶体管、跨导gₘ、gₘ/I_D工作区约束或增益与gₘ的解析关系。搜索纯粹基于采样数据的插值/外推。
(2) 泛化能力差：在某个电路拓扑、规格集或工艺节点学习的经验无法迁移。改变拓扑或规格后，必须从零开始采样优化。缺乏底层物理规律时外推通常失败。
(3) 无法采用人类设计启发式：人类设计者遵循明确推理流程：设定目标gₘ → 通过gₘ/I_D方法选择偏置电流 → 反向计算合适的W/L。黑箱优化器无法执行此逻辑管道，仅依赖盲目搜索。
(4) 高维动作空间探索效率低：变量界限内的许多点违反器件工作规则（如晶体管处于线性区）。不可行性仅能在昂贵仿真后发现，浪费计算预算。

因此，建模LLM原生推理的优势在于：
(1) 知识基础从采样数据转向普适物理规律：经典黑箱优化器的所有知识封装于当前任务的仿真样本中。拓扑或规格改变后历史样本失效。LLM嵌入普适MOS器件理论、gₘ/I_D方法和放大器原理，这些是普适物理定律而非特定电路实例。面对新运放拓扑或规格时，模型能从零进行有效推理，实现零样本/少样本泛化。
(2) 原生约束感知以修剪动作空间：推理过程中LLM自动避免无效工作状态：防止线性区工作、强制匹配比例、维持合理gₘ/I_D范围。原始动作空间内的许多物理不可行区域在仿真前即被消除，缓解维度灾难并减少无效评估。
(3) 可解释优化与跨任务知识迁移：经典黑箱方法输出尺寸值而不解释设计选择。LLM产生显式原理：“增益提升需要更高输入晶体管gₘ，因此增加W”。此类设计启发式可自然迁移至其他放大器设计。
(4) 克服纯黑箱方法的外推失败局限：高斯过程等代理模型仅在现有样本附近提供可靠预测；在未采样区域置信度急剧下降。在分析物理学指导下，LLM支持向未探索区域进行基于物理规律的外推，发现传统盲目搜索无法触及的高质量设计。

### 2.3 自主智能体编排
晶体管尺寸调整是一项单人单日即可完成的任务。换言之，尺寸调整任务构成连续推理任务，天然适用于基于智能体的工作流。然而，针对更复杂的工程电路时，智能体内部逻辑、决策分支、与领域知识的交互以及多目标权衡约束急剧增长。此类复杂智能体系统本质上遵循面向对象的组织范式，而非简单的线性或预定义分支的程序化结构。工程中广泛采用的传统开发工作流大多为程序化：预定义固定步骤、执行序列和节点依赖关系，仅适用于执行路径完全可枚举的标准化任务。应用于构建组织级AI智能体系统时，暴露出根本局限。自主智能体具有动态决策、不可穷举的条件分支、自主规划、按需工具调用、多智能体协作和动态知识交互——这些行为无法被静态流程图完全约束。静态工作流缺乏对象封装、消息传递、独立状态管理和动态行为扩展等能力，难以承载具备自主推理、可复用组件和跨团队组织协作能力的大规模智能体架构。

### 2.4 EDA仿真的瓶颈
当代EDA工具建立在两大基础组件之上：模拟客观物理行为的仿真引擎，以及广泛手工编码的基于规则的启发式算法。

基于物理的仿真通过器件和电路模型的数值求解定量评估设计性能，输出可复现（尽管复现过程耗时）。例如在器件仿真和电路仿真EDA中，二者均旨在通过数学模型预测真实电子系统的物理行为，但作用于不同的抽象层次。器件仿真从半导体器件内部物理机制出发，数值求解泊松方程和载流子输运方程等，预测不同几何结构、材料、掺杂分布、电压和温度下的电势、电流及载流子分布。相比之下，电路仿真将器件抽象为