该工作提出 PrefixAgent,一个由大语言模型驱动的两阶段前缀加法器优化框架:第一阶段用微调后的大推理模型通过 regroup 工具调用迭代优化主干结构,第二阶段用 level-opt、fanout-opt 和 node clone 工具做局部时序修复;作者利用 e-graph 的等价饱和与解释机制生成可解释的重写轨迹作为监督数据,在 NanGate45 与 OpenROAD 流程下,PrefixAgent 在几乎所有配置中面积小于 DP、MCTS、PrefixRL、CircuitVAE、PrefixGPT 等基线,64 位下比最佳基线面积减少最多 11.3%,并在商用流程与 256-PE 脉动阵列中取得更小面积。
该工作提出 PrefixAgent,一个由大语言模型驱动的两阶段前缀加法器优化框架:第一阶段用微调后的大推理模型通过 regroup 工具调用迭代优化主干结构,第二阶段用 level-opt、fanout-opt 和 node clone 工具做局部时序修复;作者利用 e-graph 的等价饱和与解释机制生成可解释的重写轨迹作为监督数据,在 NanGate45 与 OpenROAD 流程下,PrefixAgent 在几乎所有配置中面积小于 DP、MCTS、PrefixRL、CircuitVAE、PrefixGPT 等基线,64 位下比最佳基线面积减少最多 11.3%,并在商用流程与 256-PE 脉动阵列中取得更小面积。