MAGE：经智能体多模态推理的人类风格宏布局

在工业物理设计流程中，宏布局仍需大量人工精修。我们提出MAGE（宏布局智能体引擎），一个面向宏布局精修的多模态多智能体框架：把宏布局任务分解为六阶段工作流，组合结构化布局规划规则、视觉检查与迭代精炼。专家布局规划知识经自然语言指令与验证标准编码，而非从带标签的布局数据学习。锦标赛式精炼模式评估多个候选布局，并从更高质量的解传播反馈。我们还引入四个量化宏布局人类相似度的指标：缺口分数、留白分数、口袋分数与对齐分数——捕捉专家设计师使用但常规PPA指标不直接测量的结构属性。在NanGate45与GlobalFoundries 12nm使能下的九个设计上，MAGE相对商用宏布局器取得WNS 11.1%–19.3%、TNS 70.0%–74.0%的几何均值改进；在有人类专家与Hier-RTLMP基线的三个NanGate45设计上，MAGE较人类专家改善WNS与TNS 18.3%与72.5%、较Hier-RTLMP改善47.0%与80.4%，线长与功耗相当。在人类相似度指标上，MAGE较所有基线提升总分6%–48%。对匿名网表、未见设计、密集直角布局与高利用率设定的额外案例研究表明，该框架无需设计特定重训练即可迁移到新布局设定。