Miglioramento della Politica In-Context Consapevole della Simulazione per il Perfezionamento del Layout Analogico Assistito da LLM

Un recente preprint su arXiv (2608.13767) introduce un metodo per il miglioramento della politica in-context che è consapevole delle simulazioni, specificamente per perfezionare i layout analogici con l'aiuto di modelli linguistici di grandi dimensioni (LLM). Questa ricerca affronta la natura laboriosa e iterativa della progettazione del layout dei circuiti integrati (IC) analogici, che dipende fortemente da perfezionamenti basati su simulazione. Sebbene i generatori di layout end-to-end accelerino il posizionamento e il routing iniziali, richiedono comunque regolazioni manuali dei parametri di ottimizzazione, spesso richiedendo numerose simulazioni post-layout per soddisfare rigorosi criteri di progettazione. Sebbene l'ottimizzazione bayesiana (BO) sia un approccio standard per la regolazione dei parametri, richiede da centinaia a migliaia di valutazioni, ciascuna coinvolgente costose estrazioni parassite e simulazioni, rendendola impraticabile nella fase di layout. Sebbene gli LLM possano migliorare l'efficienza del campione nella regolazione, il loro accesso limitato al contesto geometrico e alle euristiche specifiche del progetto ostacola la loro efficacia nell'ottimizzazione del layout. L'approccio proposto cerca di potenziare le capacità degli LLM integrando il feedback della simulazione nel processo di miglioramento della politica, il che potrebbe ridurre il numero di simulazioni necessarie e migliorare l'efficienza. Questo lavoro, rilevante per l'automazione della progettazione elettronica (EDA) e la progettazione assistita dall'IA, è scritto da ricercatori ed è disponibile su arXiv.