arXiv cs.AI· Wuqian Tang, Zixiao Wang, Che-Chien Lin, Fong-Hua Fu, Laura Ang\'elica Shion-Korsak, Xinyun Zhang, Bei Yu, Chun-Yao Wang·· 10 小时前AI 评分24
TAPCO-G：LLM 引导的设计自适应时序与功耗协同优化，结合图物理先验
TAPCO-G: LLM-Guided Design-Adaptive Timing and Power Co-Optimization with Graph-Based Physical Priors
AI 导读
TAPCO-G 将 LLM 引导的优化器自适应与图物理先验结合，用于评估候选单元替换，实现布局后的时序与功耗协同优化。在 MLCAD 2026 Contest 的全部 8 个 ASAP7 benchmark 上，其质量分数平均比 CERBERUS 高 5.516 分，比 TAPCO 平均高 21.648 分，并产出符合布局合法性与逻辑等价性的实现。
正文 · AI 翻译
摘要：布局后时序与功耗协同优化对于在布局约束内满足建立时序目标并降低功耗至关重要。单元替换可以改善一条路径上的时序，同时增加功耗或降低其他路径上的裕量。传统优化器遵循固定规则来调度和接受修复，限制了其应对特定设计瓶颈的能力。大语言模型（LLM）可以提出对这些规则的修改，但仅靠其自身无法可靠地估计单元替换如何影响端点裕量和功耗。TAPCO-G 将 LLM 引导的优化器自适应与基于图的物理先验相结合，以评估候选单元替换。外循环利用物理设计反馈调整工具设置，并在调优停滞时修订可执行的修复策略。内循环将延迟估计锚定到静态时序分析快照，考虑上游驱动负载变化，并将延迟偏移传播到时序端点。它将这些估计与从粗到细的功耗筛选相结合，以优先选择候选进行物理试验。TAPCO-G 生成了符合布局规则、逻辑等价的实现，并在 MLCAD 2026 竞赛的全部八个 ASAP7 基准测试上得分超过 CERBERUS，平均质量得分提升 5.516 分，平均比 TAPCO 高 21.648 分。这些结果证明了所提出的协同优化框架的有效性。
| 评论： | 27 页 |
| 主题： | 硬件架构（cs.AR）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.13931 [cs.AR] |
| （或 arXiv:2611.13931v1 [cs.AR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13931 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wuqian Tang [查看电子邮件]
[v1]
2026年11月10日星期二 11:19:50 UTC（207 KB）
来源：arXiv cs.AI · arxiv.org