Et nyt forskningsprojekt viser, at en AI-agent kan forbedre logiksyntese – et kritisk og komplekst trin i chipdesign – med 12,4 % i forhold til ekspertdesignede flows. SKILL er en selvkorrigerende agent, der kombinerer flere store sprogmodeller (GPT-4o, Claude Sonnet 4 og Gemini 2.5 Pro) med reinforcement learning for at navigere i det eksponentielt voksende søgerum, som logiksyntese udgør.
Logiksyntese handler om at optimere en digital kredsløbsbeskrivelse, så den bruger færre ressourcer og opnår bedre ydeevne. Traditionelt har eksperter designet faste flows, men de mangler fleksibilitet. Reinforcement learning-metoder har været ineffektive og svære at fortolke. SKILL løser dette ved at lade tre specialiserede LLM'er samarbejde: én til strategisk planlægning, én til detaljeret ræsonnement og én til effektiv analyse, mens en PPO-baseret RL-agent lærer gennem direkte interaktion med synteseværktøjer.
Det nye er den selvkorrigerende mekanisme: Agenten overvåger løbende miljøfeedback (PDA-metrics), opdager suboptimal adfærd og iværksætter LLM-guidede genopretningsstrategier. Det adresserer et kerneproblem i AI-drevet EDA – at systemet kan rette sig selv, når det kører fast.
Evaluering på IWLS, OpenCores og EPFL-benchmarks viser en succesrate på 86,3 % for logiske systemer op til 500.000 gates. Det er ikke bare en akademisk øvelse: For virksomheder, der designer chips – fra halvledergiganter til ASIC-startups – betyder en 12,4 % forbedring i PDA (power-delay-area) potentielt betydelige besparelser på strøm, ydeevne og areal.
For beslutningstagere i EDA- og halvlederindustrien er signalet klart: AI-agenter er ved at modnes fra at være eksperimentelle til at kunne konkurrere med – og overgå – traditionelle ekspertflows i komplekse optimeringsopgaver. Spørgsmålet er ikke længere om, men hvornår og hvordan man integrerer sådanne agenter i produktionsflows.
