arXiv cs.AI· Shu Gu, Matthew Youngman, Yuqin Zhao, Cristian Sestito, Ali Siddique, Ramesh Krishnamurthy, Danial Chitnis, Themis Prodromakis·· 3 天前AI 评分22
LATCH：面向布线后 FPGA 优化的 LLM 辅助时序收敛框架
LATCH: LLM-Assisted Timing Closure Harness for Post-Route FPGA Optimisation
AI 导读
研究者提出 LATCH（LLM-Assisted Timing Closure Harness），将 LLM 编排与确定性 FPGA 实现和评估分离的两层框架。
正文 · AI 翻译
摘要：布线后 FPGA 时序收敛仍然依赖专家经验且计算成本高昂。我们提出 LATCH（LLM 辅助时序收敛框架），这是一个两层框架，将大语言模型（LLM）编排与确定性的 FPGA 实现和评估分离。在十六个设计和七个 LLM 上，一项单次迭代研究比较了三种智能体控制粒度——专家编写的配方、直接 EDA 操作和 LLM 构建的流程——以探究智能体每次尝试需要多少控制权。功能通过率分别为 98.2%、71.4% 和 17.9%；然而在通过时，直接操作带来的 Fmax 中位增益略大，为 3.4%，而配方为 3.2%。这揭示了执行可靠性与时序改进之间的权衡。基于这一权衡，一项多次迭代研究将动作层级固定为专家配方，以探究如何最好地组织重复尝试，在每次运行的 12 个检查点内比较拟合的确定性启发式方法与顺序 LLM 推理、分支探索和知识库引导探索。分支探索将平均最大频率改进从 10.5%（顺序）提升至 16.0%，知识库则提升至 20.3%，在 16 个设计中有 15 个得到改进。对 2,421 次配方尝试的表征刻画了其增益和验证率，显示硬块重新布局带来的累计平均增益最大，为 41.4MHz。
| 评论： | 14 页，11 幅图，4 张表。代码：此 https URL |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.16625 [cs.AI] |
| （或 arXiv:2610.16625v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16625 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Matthew Youngman [查看电子邮件]
[v1]
2026 年 10 月 12 日星期一 11:44:40 UTC（14,436 KB）
来源：arXiv cs.AI · arxiv.org