Физическое проектирование чипов — одна из последних цитаделей задач, где ручная экспертная работа считалась незаменимой. Группа исследователей под руководством Эндрю Канга (UCSD) опубликовала препринт MAGE (Macro Placement Agentic Engine) — мультиагентный мультимодальный фреймворк для размещения макроблоков на кристалле. На девяти тестовых дизайнах в техпроцессах NanGate45 и GlobalFoundries 12nm система улучшила показатель WNS (Worst Negative Slack — худшее нарушение тайминга) на 11,1–19,3% и суммарный слак TNS на 70–74% относительно коммерческих инструментов. По сравнению с живым человеком-экспертом: +18,3% WNS и +72,5% TNS. Коммерческий инструмент Hier-RTLMP отстал ещё сильнее — на 47% и 80,4% соответственно.
Контекст
Macro placement — этап физического дизайна чипа, на котором крупные блоки (памяти, процессорные ядра, аналоговые IP) вручную расставляются на кристалле. Инженер с многолетним опытом тратит дни или недели на подбор компромисса между тактовой частотой, площадью и энергопотреблением. Ошибка на этом этапе проходит сквозь все последующие слои и выливается в дорогостоящий повторный запуск производства.
Попытки автоматизировать задачу существуют давно. В 2021 году Google опубликовала работу о размещении чипов через reinforcement learning. Иерархические инструменты вроде Hier-RTLMP встроены в коммерческие EDA-пакеты. Но ни один из подходов не дотягивался до качества живого эксперта — особенно по «человекоподобности»: ровные края, минимум мёртвых зон, выровненные блоки. Эти свойства влияют на следующий этап роутинга, но стандартными PPA-метриками (Power, Performance, Area) не измеряются.
MAGE строится принципиально иначе. Вместо обучения на labeled-данных — шестифазный агентный workflow: структурированные правила флорплана, визуальные проверки, итеративный рефайнмент. Знания экспертов закодированы в директивах на естественном языке. Финальный этап — турнирный отбор: несколько кандидатов соревнуются, лучший пропагандирует свои решения обратно в процесс.
Аналитика
Ключевой сдвиг здесь методологический. Предыдущие подходы к EDA-автоматизации шли от данных — собери тысячи примеров, обучи модель, надейся на обобщение. MAGE идёт от знаний: формализуй, что знает эксперт, и дай агентам применять это рассуждение итеративно. Именно поэтому система работает на unseen designs без дообучения — нет привязки к конкретному техпроцессу или нетлисту.
Авторы ввели четыре новые метрики: notch score, whitespace score, pocket score и alignment score. Эксперт инстинктивно избегает «зубцов» и «карманов», потому что они портят роутинг на следующем этапе. Теперь эта интуиция измерима. MAGE улучшает суммарную оценку «человекоподобности» на 6–48% над всеми базовыми системами — это само по себе самостоятельный вклад в отрасль.
По широкому тренду: MAGE — ещё одно свидетельство того, что agentic reasoning с мультимодальными входами вытесняет узко-обученные ML-модели там, где данных мало, а экспертного знания — много. EDA сегодня, промышленное проектирование завтра, юридический анализ послезавтра. Паттерн один и тот же: шесть фаз + tournament-style refinement + кодирование экспертизы в natural-language directives.
Кейсы применения в бизнесе
Fabless-стартап или ASIC-команда: если в штате нет топового physical-design инженера, MAGE-подобный подход поднимает качество первого прохода и сокращает итерации до тейп-аута. Один сэкономленный spin на 12nm — это экономия, измеряемая миллионами.
EDA-вендор или IP-компания: встройте агентный рефайнмент как модуль поверх существующего коммерческого плейсера. Метрики «человекоподобности» упаковываются в отчёт качества и продаются как дифференциатор для премиального тира.
R&D-подразделение производителя электроники: используйте подход для быстрого прототипирования на ранних этапах — когда ещё нет финального нетлиста, но нужна оценка feasibility флорплана. Агенты работают с partial constraints и новыми дизайнами без дообучения.
Кейсы в личной жизни
Студент или аспирант в области VLSI/ECE: метрики notch/whitespace/pocket/alignment — отличная база для курсовой или диссертации. Тесты построены на открытой библиотеке NanGate45, которая доступна без дорогостоящих EDA-лицензий.
Инженер физического дизайна в команде: MAGE не заменяет, а усиливает. Турнирный режим работает как «второе мнение» — система генерирует несколько вариантов, вы выбираете лучший. Первые итерации ускоряются, сложные corner cases остаются за человеком.
AI-исследователь вне EDA: методология переносима напрямую. Шесть фаз + tournament-style refinement + экспертные знания в natural-language directives — это шаблон агентного workflow для любой инженерной задачи с дефицитом labeled-данных и богатой экспертизой.
Как применить сегодня
- Прочитать препринт arXiv:2607.18536 — особенно раздел с описанием шести фаз workflow и четырёх метрик человекоподобности.
- Взять паттерн tournament-style refinement для ваших мультиагентных систем: несколько агентов генерируют варианты, судья ранжирует и пропагандирует лучшее решение обратно.
- Если вы в EDA: попробовать воспроизвести метрики notch/whitespace/pocket/alignment на своих дизайнах как baseline для внутреннего benchmarking.
- Следить за открытыми репозиториями группы Канга — EDA-исследования UCSD публикуются открыто.
- Включить концепт «human-likeness» в собственные AI-продукты: не только стандартные метрики качества, но и измерение структурного подобия решению эксперта.