顺序很重要：通过代理引导的 LLM 演进揭示宏放置序列的隐藏影响

宏布局是现代芯片物理设计的基本步骤，在决定高维组合优化问题的解质量方面发挥着至关重要的作用。尽管最近在空间坐标确定的机器学习方面取得了进展，但放置排序的时间维度仍然在很大程度上受到静态启发法的控制。在这项工作中，我们证明了放置顺序不仅仅是一个预处理步骤，而且是优化的决定性因素，其中次优的早期决策会触发不可逆的多米诺骨牌效应，从而限制解决方案空间。为了利用这个未探索的维度，我们提出了 \textbf{OrderPlace}，这是一个代理引导的 LLM 进化框架，用于自动发现宏放置顺序策略。 OrderPlace 不依赖手动设计的启发式方法，例如基于区域或连接的排序，而是探索更广泛的代码级策略空间，从静态评分指标到动态物理启发机制。为了减轻评估序列的高昂成本，我们引入了一种轻量级代理评估机制，该机制使用确定性贪婪探针有效地过滤候选者。标准 ISPD 2005 基准测试的实验结果表明，OrderPlace 发现了新颖的订购策略。与 WireMask-EA 和最先进的方法 EGPlace 相比，OrderPlace 分别减少了 34.04% 和 14.08% 的线长。