설계 규칙 검사(DRC) 클로저는 첨단 노드 물리 설계에서 여전히 주요 병목이다. 상세 라우터가 규칙을 인식하더라도, 잔존 설계 규칙 위반(DRV)은 종종 수동 공정 변경 주문(ECO) 반복을 필요로 한다. 이 과정의 자동화는 어려운 이유는, 수정이 복잡한 기하학적 상호작용을 고려해야 하고, 회로 연결성을 유지해야 하며, 새로운 위반을 도입하지 않아야 하기 때문이다. 우리는 블록 수준 DRC 수정을 위한 스킬 진화 프레임워크인 EvoDRC를 제안한다. EvoDRC는 관련 없는 참조 설계에서 증류된 지식을 사용하여 층별 수정 스킬을 초기화하고, 대상 설계에서 수집된 추적 가능한 수정 경험을 사용하여 이러한 스킬을 지속적으로 진화시킨다. EvoDRC는 레이아웃을 경계가 있는 수정 영역으로 분해하고 각 영역에 LLM 수정 에이전트를 할당한다. 로컬 DRC 분석, 연결성 검사, 영향 미리보기 도구가 제안된 수정에 대한 피드백을 제공한다. 수정 작업과 그에 따른 DRV 변화는 지식 데이터베이스에 저장되고 수정 스킬 진화에 사용된다. DAC26 DRC 벤치마크의 7개 블록 수준 설계에 대한 실험에서 EvoDRC는 보고된 기준선 대비 전체 73.5% 감소를 달성함을 보여준다.
물리 설계 결과 품질(QoR) 최적화는 어렵고 비용이 많이 드는 작업이다. 한 단계에서 내린 선택은 이후 단계에 도움이 되거나 해가 될 수 있다. 각 평가는 전체 플로우를 거치는 비용이 많이 드는 EDA 실행을 필요로 한다. 기존 방법들이 여전히 최적화를 단순 매개변수 튜닝이나 대규모 언어 모델(LLM) 기반 스크립트 생성 작업으로 처리하는 반면, 우리는 물리 설계 QoR 최적화를 위한 스테이지 인식 에이전틱 프레임워크인 AgenticPD를 제시한다. AgenticPD는 매 시도마다 전체 플로우를 재실행하는 대신 물리 설계 플로우의 스테이지 경계를 중심으로 구성되어, Judge 에이전트가 탐색을 수행하고 스테이지 특화 에이전트들이 스테이지 로컬 도구를 활용해 각자의 단계 내에서 로컬 결정을 내린다. 또한 AgenticPD의 에이전트 하네스는 구조화된 관찰, 실행 이력, 에이전트 컨텍스트 관리를 제공한다. 그 결과 시스템은 이전 중간 상태에서 분기하고 체크포인트를 재사용하여 최적화 절차를 이어갈 수 있으며, 모든 후보는 라우팅 후 사인오프(post-route signoff) 단계에서 평가된다. 이러한 베이스라인 대비 AgenticPD는 전력 및 면적에서 경쟁력을 유지하면서도 강력한 라우팅 후 타이밍 성능을 달성한다.
An unreliable language model can be made to produce reliable physical designs if the authority to assert is moved out of the model: the model proposes, and a deterministic engine alone certifies, returning certified, impossible, or unknown. We introduce Physics-Anchored Certification (PHACT), a propose-certify loop spanning five scientific domains, and identify what makes such a certificate trustworthy. A checker that accepts a model-supplied value can be forged; deriving the certified quantity from fixed inputs instead makes forgery impossible by construction. Across eighty adversarial trials spanning two models, two decoding temperatures, and a deliberately faulted engine, this contract produced zero false certifications.
클럭 트리 합성(CTS)은 물리적 설계 플로우에서 계산 비용이 많이 드는 단계로, 최적의 전력, 배선 길이, 타이밍 스큐를 위해 방대한 구성 공간을 탐색하기 위해 반복적인 EDA 도구 실행이 필요합니다. 기존 머신러닝 접근 방식은 미지의 매크로 아키텍처에 적응하기 위해 계산 비용이 많이 드는 재학습 또는 미세조정 주기가 필요하며, 전수 조합 탐색에서 요구되는 수백만 번의 평가와 구조적으로 부적합합니다. 우리는 두 가지 제한 사항을 동시에 해결하는 물리 정보 기반 대리 프레임워크인 SwiftCTS를 제시합니다. 가볍고 물리적으로 기반한 통계적 특징을 그래디언트 부스팅 앙상블과 결합하여, SwiftCTS는 CPU에서 5초 미만으로 학습되며 GPU 지원 없이 1밀리초 미만의 추론을 제공합니다. 재학습이나 미세조정 없이 분포 외(OOD) 설계를 처리하기 위해, 우리는 예측을 단 하나 또는 두 개의 물리적 참조 실행에 기준으로 삼는 K-샷 곱셈 보정 메커니즘을 도입하여, 미지의 매크로에서 전력 예측 오류를 24.5%에서 3.3%로, 배선 길이 오류를 56.6%에서 1% 미만으로 줄입니다. 이 엔진을 진화적 옵티마이저와 통합하여, SwiftCTS는 10초 미만 내에 100,000개의 CTS 구성을 평가하며, OpenROAD 플로우 내에서 물리적으로 검증된 파레토 최적 프론티어를 생성합니다. 폐루프 검증은 OOD 벤치마크에서 전력 및 배선 길이에 대한 0.5% 미만의 예측 오류와 5피코초 이내의 타이밍 스큐 예측을 확인하며, 모든 목표 지표에서 기본 도구 휴리스틱을 일관되게 능가합니다. 코드는 https://github.com/BarsatKhadka/SwiftCTS에서 공개적으로 제공됩니다.