MAGE：基于智能体多模态推理的类人宏布局

# MAGE: 通过智能体多模态推理实现类人宏单元布局
来源：https://arxiv.org/html/2607.18536

###### 摘要

宏单元布局在工业物理设计流程中仍需大量人工优化。本文提出 **MAGE**（Macro Placement Agentic Engine，宏单元布局智能体引擎），一个用于宏单元布局优化的多模态多智能体框架。MAGE 将宏单元布局任务分解为一个六阶段工作流，该工作流结合了结构化布局规划规则、视觉检查与迭代优化。专家级布局规划知识通过自然语言指令与验证标准进行编码，而非从标注的布局数据中学习。一种锦标赛式优化模式用于评估多个候选布局，并从更优解中传播反馈。我们还引入了四个用于量化宏单元布局中类人性（human-likeness）的指标：缺刻分数、空白分数、口袋分数和对齐分数。这些指标捕捉了专家设计人员所使用的结构性属性，但传统 PPA 指标无法直接衡量。在 NanGate45 和 GlobalFoundries 12nm 工艺的九个设计上，MAGE 相比商用宏单元布局器，在 WNS（最差负时序裕量）上实现了几何平均改善 11.1%–19.3%，在 TNS（总负时序裕量）上实现了 70.0%–74.0% 的改善。对于提供人类专家和 Hier-RTLMP 基线的三个 NanGate45 设计，MAGE 在 WNS 和 TNS 上分别比人类专家改善 18.3% 和 72.5%，比 Hier-RTLMP 改善 47.0% 和 80.4%，同时线长和功耗相当。在类人性指标上，MAGE 相比所有基线将总体得分提升了 6%–48%。对匿名网表、未见过的设计、密集矩形布局以及高利用率的额外案例研究表明，该框架无需针对特定设计重新训练即可迁移到新的布局场景。

## I. 引言

宏单元布局是 VLSI 物理设计中的核心问题。其任务是在芯片布局规划（floorplan）中确定大型预设计模块（如 SRAM、寄存器文件、模拟宏单元和加速器）的位置和方向。由于宏单元占据大量面积并约束空白区域、布线接入和供电网络，它们的布局会强烈影响后续的 PPA（功耗、性能、面积）及设计收敛。该问题是 NP 难的，在实践中需要对耦合目标进行优化，包括线长、拥塞、密度、可布线性及设计规则可行性。

如今，高质量的宏单元布局在很大程度上依赖于专家物理设计（PD）工程师，他们不仅考虑物理成本指标，还考虑逻辑层次、数据流、对称性、引脚可接入性等更多因素。通过将相关宏单元分组并排列成规则的空间模式，工程师努力产生结构清晰、可解释且更适合后续实现阶段优化的布局规划。尽管经过数十年的研究，现有的宏单元布局方法 [3 (https://arxiv.org/html/2607.18536#bib.bib3), 29 (https://arxiv.org/html/2607.18536#bib.bib29), 24 (https://arxiv.org/html/2607.18536#bib.bib24), 30 (https://arxiv.org/html/2607.18536#bib.bib30), 22 (https://arxiv.org/html/2607.18536#bib.bib22), 31 (https://arxiv.org/html/2607.18536#bib.bib31), 23 (https://arxiv.org/html/2607.18536#bib.bib23)] 并未一致地复现这种人类专家推理形式。经典优化方法、解析布局器以及基于学习的技术可以产生合法且指标值有竞争力的布局。然而，它们通常忽略了专家设计的布局规划所具有的更高级空间规则性和功能连贯性。因此，自动布局在适用于下游实现之前往往需要大量的人工优化。

在工业流程中，这种优化通常由经验丰富的 PD 工程师在商用工具生成初始宏单元布局后执行。设计师修改布局以更好地反映层次结构、数据流、对齐、布线接入、电源网格约束以及整体布局规划意图。这推动了能够将专家布局规划原则直接融入宏单元布局过程的自动化方法的发展。

本文通过将专家布局规划原则编码到一个多模态、验证驱动的布局循环中，来解决上述宏单元布局优化挑战。我们不只针对合法性或代理成本目标进行优化，而是寻求能够更好捕捉专家 PD 工程师所用组织原则的宏单元布局。我们提出 MAGE（Macro Placement Agentic Engine），一个用于宏单元布局的多智能体框架，使用多模态推理生成类人（human-like）的宏单元布局。MAGE 并非在标注布局示例上训练模型，而是通过结构化提示、智能体交互、视觉检查和明确的优化标准来编码专家布局规划知识。

我们的主要贡献如下：

- **一个用于类人宏单元布局的多智能体框架。** 我们提出 MAGE，一个多智能体框架，通过十个专门智能体组织成一个六阶段流水线（第 IV 节）来生成宏单元布局。这些智能体处理设计解读、宏单元分组、空间组织、可行性检查、优化和视觉审计。这种分解将宏单元布局视为一个结构化的设计过程，而非单一的宏大优化任务。据我们所知，MAGE 是首个明确设计用于生成类人宏单元布局方案的智能体（agentic）宏单元布局框架。

- **两阶段合成与进化优化。** MAGE 将宏单元布局分解为两个阶段。第一阶段生成优先考虑结构属性（如连贯的宏单元分组、可解释的空间组织、边界对齐和规则宏单元堆叠）的布局（第 IV 节）。第二阶段应用“胜者同行”（Go-With-The-Winners, GWTW [2 (https://arxiv.org/html/2607.18536#bib.bib2)]）锦标赛式进化优化来改善实现指标，包括线长和时序，同时保留第一阶段建立的结构属性（第 IV-G 节）。我们还使框架能够探索多个候选宏单元布局，而不是遵循单一轨迹。

- **宏单元布局中类人性的原则与指标。** 我们形式化了一组表征类人宏单元布局的布局规划原则（第 III 节）。这些原则定义了 MAGE 在布局过程中力求保留的结构属性。MAGE 通过结构化提示、优化标准、视觉检查和支持性知识库来编码这些原则，而非从标注的布局数据中学习。我们还引入了四个量化类人性的指标：缺刻分数、空白分数、口袋分数和对齐分数（第 III-A 节）。这些指标捕捉了专家设计布局中重要的布局规划结构，但标准 PPA 指标无法直接衡量。

- **对标准、工业及矩形布局的评估。** 我们在 NanGate45 和 GlobalFoundries 12nm 工艺的设计上评估 MAGE，包括 MacroPlacement 仓库 [47 (https://arxiv.org/html/2607.18536#bib.bib47)] 中的标准宏单元布局设计、来自 Hier-RTLMP [22 (https://arxiv.org/html/2607.18536#bib.bib22)] 的设计、四个矩形布局变体以及两个未见过的设计。据我们所知，这是首个在矩形布局上评估布局的宏单元布局工作。我们与人类专家基线、一个未命名的商用宏单元布局器的两个版本，以及 OpenROAD 的 Hier-RTLMP [22 (https://arxiv.org/html/2607.18536#bib.bib22)] 进行了比较。

- **相比基线改善了 PPA。** MAGE 相比 Hier-RTLMP 在 WNS 上实现几何平均改善 47.0%，在 TNS 上实现 80.4%；相比商用基线在 WNS 上改善 11.1%–19.3%，在 TNS 上改善 70.0%–74.0%（第 VI-A 节）。在利用率超过 70% 的密集矩形设计上，MAGE 相比商用基线在 WNS 上实现 5%–40% 的改善，在 TNS 上实现高达 74% 的改善（第 VI-D 节）。在类人性指标上，MAGE 在总体类人性评分上以 6%–48% 的优势超越所有基线（第 VI-B 节）。在两个未参与提示开发或知识库构建的未见设计上，MAGE 相比商用基线在 WNS 上改善 6%–27%，在类人性上改善 26%–40%（第 VI-D 节）。表 I (https://arxiv.org/html/2607.18536#S1.T1) 总结了本文使用的符号和术语。

本文其余部分组织如下。第 II 节回顾相关工作。第 III 节编撰类人宏单元布局的原则，定义四个类人性指标，并形式化优化目标。第 IV 节描述 MAGE 框架。第 V 节解释如何将多模态推理和视觉反馈集成到布局流水线中。第 VI 节展示实验结果，第 VII 节总结全文。

**表 I：符号和术语总结。**

## II. 相关工作

宏单元布局在文献中已有广泛研究。我们将先前的工作分为四类：经典布局规划、解析与混合尺寸布局、层次感知宏单元布局以及基于学习的方法。

**经典宏单元布局。** 早期的宏单元布局方法主要基于模拟退火（SA）[26 (https://arxiv.org/html/2607.18536#bib.bib26)] 和紧凑几何表示。[32 (https://arxiv.org/html/2607.18536#bib.bib32)] 引入了序列对表示法，[5 (https://arxiv.org/html/2607.18536#bib.bib5)] 提出了用于非切片布局规划的 B∗-树。[1 (https://arxiv.org/html/2607.18536#bib.bib1)] 将这些思想扩展到层次化设计的固定轮廓布局规划。后续工作加入了额外目标，包括互连驱动优化 [6 (https://arxiv.org/html/2607.18536#bib.bib6), 14 (https://arxiv.org/html/2607.18536#bib.bib14)]、可布线性感知 [7 (https://arxiv.org/html/2607.18536#bib.bib7), 11 (https://arxiv.org/html/2607.18536#bib.bib11), 27 (https://arxiv.org/html/2607.18536#bib.bib27)] 以及数据流感知布局规划 [28 (https://arxiv.org/html/2607.18536#bib.bib28)]。[34 (https://arxiv.org/html/2607.18536#bib.bib34)] 进一步提出了推迟决策技术以改善搜索质量。

**解析与混合尺寸布局。** 解析布局器将布局问题表述为连续优化问题，并已广泛用于混合尺寸设计 [3 (https://arxiv.org/html/2607.18536#bib.bib3)]。[29 (https://arxiv.org/html/2607.18536#bib.bib29)] 提出了 ePlace-MS，一个基于静电学的混合尺寸布局器。[8 (https://arxiv.org/html/2607.18536#bib.bib8)] 后来在 RePlAce 中扩展了该方法，引入了额外改进。[24 (https://arxiv.org/html/2607.18536#bib.bib24)] 提出了 MAPLE，一个多级自适应布局框架，[20 (https://arxiv.org/html/2607.18536#bib.bib20)] 开发了用于层次化混合尺寸布局的 NTUplace4h。[35 (https://arxiv.org/html/2607.18536#bib.bib35)] 提出了一种适用于大规模混合尺寸布局的布局规划引导方法。这些方法将宏单元布局集成到标准单元布局框架中。

**层次感知宏单元布局。** 先前的作品已将层次结构和架构结构融入布局 [21 (https://arxiv.org/html/2607.18536#bib.bib21)]。[13 (https://arxiv.org/html/2607.18536#bib.bib13)] 利用设计层次结构来改善混合尺寸布局中的可布线性，而 [25 (https://arxiv.org/html/2607.18536#bib.bib25), 15 (https://arxiv.org/html/2607.18536#bib.bib15), 33 (https://arxiv.org/html/2607.18536#bib.bib33)] 则处理微架构布局规划。[12 (https://arxiv.org/html/2607.18536#bib.bib12)] 在一个层次化框架中结合了 SA 与基于网络流的区域迁移。RTL-MP [22 (https://arxiv.org/html/2607.18536#bib.bib22)] 利用 RTL 层次结构，通过自上而下划分和自下而上的宏单元布局方法生成类人质量的布局。Hier-RTLMP [23 (https://arxiv.org/html/2607.18536#bib.bib23)] 通过层次聚类将该方法扩展到更大、更复杂的 IP 模块。

**基于学习的方法。** 机器学习也已被探索用于宏单元布局。[18 (https://arxiv.org/html/2607.18536#bib.bib18)] 的早期工作应用了遗传算法，[19 (https://arxiv.org/html/2607.18536#bib.bib19)] 学习了用于布局改进的局部搜索启发式。最近，[30 (https://arxiv.org/html/2607.18536#bib.bib30), 31 (https://arxiv.org/html/2607.18536#bib.bib31)] 提出了用于芯片布局规划的深度强化学习。然而，基于强化学习的方法通常需要昂贵的训练，对设计分布敏感，并且可能难以适应工业设计约束 [9 (https://arxiv.org/html/2607.18536#bib.bib9)]。

在这些先前方法中，差异主要源于优化公式、几何表示、层次建模或学习策略。与我们工作最为相关的是 VeoPlace [41 (https://arxiv.org/html/2607.18536#bib.bib41)]，它使用视觉语言模型（VLM）通过提出布局区域或软锚点来指导现有的低层级布局器，主要目标是在推理时间 rollout 预算内改善 HPWL（半周长线长）。相比之下，MAGE 并非单个基础布局器的包装器；而是一个多智能体宏单元布局框架，直接使用多模态推理、结构化专家知识、视觉反馈和明确的优化标准来做出布局决策。因此，虽然先前的基于 LLM 的 EDA 工作 [37 (https://arxiv.org/html/2607.18536#bib.bib37), 38 (https://arxiv.org/html/2607.18536#bib.bib38), 39 (https://arxiv.org/html/2607.18536#bib.bib39), 17 (https://arxiv.org/html/2607.18536#bib.bib17)] 主要将基础模型用于代码生成、验证、文档、设计辅助或工具脚本编写，MAGE 则将多模态基础模型直接应用于物理设计任务本身，在传统 PPA 目标之外还追求类人的结构组织。

参见图注

**图 1：MAGE 中类人宏单元布局的六个空间原则。每个子图对比了一个期望的宏单元布局与一个较差的布局。**

## III. 类人宏单元布局的原则

MAGE 基于以下观察：专家布局规划者在工业 PD 流程中放置宏单元时会应用反复出现的空间原则。这些原则在文献中很少被形式化，但在实践中很常见。我们将它们编撰成一个规则系统，用于指导 MAGE 中的布局决策。图 1 (https://arxiv.org/html/2607.18536#S2.F1) 展示了这六个原则。

- **边界放置。** 只要可行，宏单元就沿核心边界放置，而不是悬浮在内部。边界放置为标准单元布局和布线保留了更大的连续中心区域，并产生更结构化的布局规划。
- **宏单元堆叠。** 当尺寸和引脚访问允许时，宏单元被组织成规则的垂直或背靠背水平对。¹¹ 我们将宏单元堆叠定义为沿共享宏单元边缘毗邻的宏单元连续排列。在布局后期阶段。