
新决策模型将疑难设计规则违例交给大语言模型处理,成本降一半
来源标题:Using decision models to speed up design rule violation repair in chip design
一种决策模型把疑难案例转交大语言模型处理,在数字和光子设计规则基准测试中保留了大模型几乎全部的质量,成本却不到一半。芯片制造前需通过设计规则检查(DRC),违例须修复或豁免才能放行。检查本身仅需数秒,但修复违例往往耗时更久。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
一种将疑难案例交给大语言模型处理的决策模型,在数字和光子设计规则基准测试中几乎保留了大模型的全部质量,而成本不到一半。
在光子芯片制造之前,其版图需要对照代工厂的设计规则集进行检查。这些规则对几何形状施加约束,例如波导的最窄宽度以及两个形状之间可以放置的最近距离。这一过程称为设计规则检查(DRC)。每个规则违例都会在版图上以标记的形式被标出,并且必须在设计获准制造之前予以修复或豁免。
一个DRC违例及其修复。环形结构与波导之间的间距为100 nm,但规则要求至少150 nm,因此检查将其标记为红色。将波导向外移动到200 nm即可清除该违例。该标记由KLayout的间距检查计算得出。
工程师使用KLayout等工具运行DRC,这些工具可以通过PhotonForge等版图和电路仿真工具调用,以下示例展示了各种器件的情况:DRC指南、收发器示例。尽管检查本身只需几秒钟,但修复违例可能耗时更长。违例标记显示了哪条规则被违反以及在哪里违反,但并不显示原因。因此,清理这些违例是一项繁琐的工作,工程师传统上需要手动追踪每一个违例,或编写脚本来自动化处理简单情况。对于许多生产芯片,可能存在数千个此类违例,使得这项工作极其耗时。
在最近的工作中,我们展示了AI智能体可以自主设计光子器件。该过程包括定义所需的器件性能,并让智能体提出设计、进行仿真并优化,直到满足目标(Kharel、Khavasi、Chen和Hughes,2026)。由于DRC是一项可验证的任务,它自然是智能体可以处理的任务,我们已经开始使用智能体来完成这项工作。例如,我们最近让智能体使用SiPhoPDK从已发表的论文中构建了14个光子电路,SiPhoPDK是我们为测试而创建的光子工艺设计套件(一个组件和设计规则库)。如下图所示,智能体不仅设计了这些芯片,还在此过程中执行了自己的DRC清理。
一个智能体在它构建的光子电路上修复了四个DRC标记。两条波导周围的器件轮廓发生重叠,尽管硅本身符合规则。智能体重建了不带轮廓的波导,检查在失败32秒后通过。右侧面板转述了智能体的日志。
虽然这种方法运行可靠,但智能体在这些任务上仍然相对较慢。我们计时的三次修复每次耗时19到64秒,而检查本身只需几秒钟。大部分时间花在智能体在每次更改之前重新阅读其版图代码、DRC报告和日志上。此外,每次修复使用了数千个token。虽然所有这些对于14个小型电路来说是可以接受的,但对于拥有数千个违例的大型生产器件来说则变得不可行。按照这个速度,1,000个各自需要单独修复的违例将需要5到18小时。
决策模型,例如来自TypeSafe的Jev,是一种AI模型的变体,其构建目标是比传统LLM更快、更便宜。与大语言模型一样,Jev可以摄取长而复杂的输入,但它返回的不是文本,而是对你定义的一组选项的选择,以及一个置信度度量。因此,虽然决策模型不如传统LLM灵活,但它们可能非常适合许多不需要LLM全部能力的任务。
我们将决策模型应用于DRC修复,并发现它们在违例清理过程中填补了一个有用的位置。我们比较了三种选择DRC修复方案的方式:(a)手写规则,(b)大语言模型(LLM),以及(c)进行分诊的决策模型。决策模型读取可能的修复方案并选择一个,当它不自信时,将选择权交给LLM。我们在一个数字和一个光子DRC基准测试上进行了测试。在这两者上,LLM都找到了最佳修复方案,但将决策模型放在其前面,我们以不到一半的成本保留了LLM几乎全部的质量。
我们比较了针对给定违例选择DRC修复方案的三种方式:
修复DRC标记的三种方式。(a)设计人员或脚本应用固定规则。(b)AI智能体或大模型读取报告并选择有针对性的修复方案。(c)决策模型从列表中选择修复方案,并将它不确定的情况交给大模型。我们在两个基准测试上测试了所有三种方式,一个数字基准和一个光子基准。
数字基准使用来自公开DAC26 DRC基准的7个数字芯片版图,总共有1,628个DRC违例。对于每个版图,我们运行了20轮相同的循环:
20轮之后,我们统计每种方法移除的违例数量。我们只统计改变了芯片上真实形状的编辑,因为有些编辑只是通过以不同方式分割形状来降低计数。由于每个版图只有20轮,没有一种方法能修复所有违例,因此计数比较的是每种方法在相同轮数下的利用效果。
光子基准是我们基于SiPhoPDK构建的。它有60组违例,主要布置在两个环形测试芯片上,外加上述智能体构建中的三个真实违例。在这里,选择更多地关乎在哪里以及是否修复,而不是微调一个形状。选项包括更改项目自有的组件副本或共享设计套件、重建布线、询问人员,或将其作为测试结构予以豁免。正确的选择通常取决于标记未显示的设计意图,因此每组都附有简短的设计说明和3到6个可能的修复方案。我们事先检查了每个修复方案,因此每次选择都是简单的对或错。
为了观察结果的变化程度,我们在每个基准测试上对每个模型运行了三次;图表显示了范围。
数字基准上的真实修复和选择所花时间。对于(b)和(c),条形显示三次运行的平均值,须线显示范围。对于(a),条形是
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。