CoEvoP&R：通过 大语言模型 提供路由反馈的共同进化放置目标

分析布局器依靠可微分的目标函数来指导布局，通常结合中间替代指标，例如半周长线长 (HPWL) 和单元密度惩罚。然而，这些放置阶段的替代品仍然与下游路由和时序质量不一致。先前的工作通过人工设计的术语或学习的黑盒代理缩小了这种差距，但前者需要专家重新调整，而后者很难在分析布局流程中解释、调试或部署。 CoEvoP&R 通过基于 大语言模型 (LLM) 的框架解决了这些限制，该框架可自动发展分析放置目标。在每一代中，提示都将受限的目标接口、基线上下文和存档的先前候选与来自布局、时序代理和布线工具的布线相关反馈结合起来。 LLM 提出了可读的可微分目标，这些目标在 DREAMPlace 中嵌入和验证，通过定时代理和实际路由器进行评估，并存储其反馈以指导后代。在八个 ChiP-Bench Nangate45 设计和三个种子中，CoEvoP&R 将布线后布线长度和拥塞减少了 16.9% 和 36.7%，与原生 DREAMPlace 相比，最差负裕量增益增加了 0.70 ns，总负裕量幅度减少了 912 ns。在八个 ICCAD 2015 Superblue 设计中，它可将布线后布线长度和拥塞减少 5.4% 和 23.2%。代码可在 https://github.com/FCHXWH823/CoEvoP-R.git 获取。