一句话总结

受大语言模型和工具使用型 agent 的最新进展启发，Nova Silicon 的研究人员提出将芯片设计超级智能建模为一个庞大的 AI 组织，并认为协调的 agent 编排，而非孤立的模型或工具使用，才是自主芯片设计所需的 AI 范式。

核心贡献

• 论文引入了一个概念框架，将芯片设计超级智能建模为一个庞大的 AI 组织。
• 论文提出了一种 AI 原生设计范式，其中大语言模型利用领域知识和符号推理，直接对电路、器件和版图背后的物理逻辑和设计方法进行建模。在该范式中，LLM 推理首先复现人类工程师的思维模式，然后从设计案例和仿真反馈中学习，以减少、精简并替代繁琐的传统规则集。
• 论文认为，端到端自主 AI 芯片设计是不可避免的，其速度可能比人在回路芯片设计快数十到数百倍，并最终取代基于规则的传统 EDA 系统。

引言

作者将研究定位在面向多样化 AI 工作负载的芯片设计领域，其中定制芯片必须支持不同的训练和推理场景、模型结构以及 agent 工作流。作者认为，传统 EDA 流程受到两个瓶颈的限制：基于物理的仿真可复现但速度较慢，而手工编码的启发式规则和传统机器学习只覆盖设计空间中被规则过滤后的稀疏区域，无法可靠处理罕见的长尾组合。为解决该问题，作者倡导一种 AI 原生设计范式，在该范式中大语言模型对电路、器件和版图进行符号推理，逐步减少并替代传统规则集，从而实现端到端的自主芯片设计。

方法

作者将整体方法界定为一种面向黑盒电路优化的 LLM 原生方法，围绕四个互补部分组织：形式化动作空间建模、基于语言模型的推理、agent 编排以及对 EDA 仿真瓶颈的批判性分析。

动作空间建模

该方法首先将芯片设计优化视为黑盒动作选择问题。在该表述中，每个可调设计变量都是一个动作维度，变量值的一个完整赋值对应于优化器执行的一个动作。动作空间的维度定义为独立可调变量的数量：

$$\dim(\text{Action Space}) = N.$$dim(Action Space)=N.

例如，对于模拟晶体管尺寸设计，同时优化五个 MOS 晶体管的宽度 $W_i$Wi​ 和长度 $L_i$Li​ 会产生一个 10 维连续动作空间。每个动作都是如下形式的向量：

$$\boldsymbol{a}=[a_1,a_2,\dots,a_N],\quad a_i\in[low_i,high_i].$$a=[a1​,a2​,…,aN​],ai​∈[lowi​,highi​].

其中 $low_i$lowi​ 和 $high_i$highi​ 是变量 $i$i 的下界和上界。在晶体管尺寸设计中，这些边界来自工艺设计规则和面积约束：

$$L_i \in [L_{\min}, L_{\max}],\quad W_i \in [W_{\min}, W_{\max}].$$Li​∈[Lmin​,Lmax​],Wi​∈[Wmin​,Wmax​].

作者强调，原始超矩形动作空间并不等同于物理可行域。匹配约束、饱和区要求及其他设计规则会产生隐式耦合约束。例如，差分对匹配可能要求：

$$W_1 / L_1 = W_2 / L_2.$$W1​/L1​=W2​/L2​.

因此，真正可行区域是嵌入在原始有界空间中的低维流形。所以该方法支持两种策略：使用宽松有界的动作空间并在仿真后惩罚不可行样本，或使用先验设计约束在采样前收缩动作空间。作者指出，仔细剪枝和精化动作空间通常比更换不同的黑盒优化器更能提高优化效率。

端到端黑盒优化流程从选择可调器件并构造有界动作空间开始。优化器采样一个动作向量，将其传递给 EDA 仿真器，运行电路仿真，提取性能指标，利用历史采样结果指导后续采样，并不断重复，直到某个尺寸组合满足所有规格。

用于推理的语言建模

该方法用基于语言模型的推理替代纯数值黑盒搜索。形式上，语言模型学习 token 序列上的联合概率分布，并利用链式法则对其进行分解：

$$P(t_1,t_2,\dots,t_n)=\prod_{i=1}^{n}P(t_i\mid t_1,\dots,t_{i-1}).$$P(t1​,t2​,…,tn​)=i=1∏n​P(ti​∣t1​,…,ti−1​).

作者认为，现代基于 transformer 的大语言模型所提供的远不止统计序列建模。它们支持显式语义推理，在预训练期间嵌入了先验物理和设计知识，并能通过思维链提示生成中间推理步骤。

该方法旨在解决经典黑盒优化器（如贝叶斯优化和随机搜索）的若干局限。经典优化器只能观察浮点设计向量，对跨导 $g_m$gm​、$g_m/I_D$gm​/ID​、工作区以及解析增益关系等量没有物理语义感知。它们在不同拓扑、规格集和工艺节点之间的泛化能力较差。它们无法直接采用人类设计启发式，例如先选择目标 $g_m$gm​ 再计算所需的 $W/L$W/L。它们还会把仿真预算浪费在本来可以通过物理推理避免的无效工作点上。

相比之下，作者利用 LLM 原生推理将物理知识注入优化回路。模型可以依据通用 MOS 器件理论、$g_m/I_D$gm​/ID​ 方法学和放大器设计原则进行推理，而不是仅依赖当前任务的样本。这使得向新拓扑和新规格的零样本或少样本迁移成为可能。推理过程还会在仿真前剪枝动作空间，避免三极管区工作，强制执行匹配约束，并保持合理的 $g_m/I_D$gm​/ID​ 范围。此外，LLM 会生成明确的设计依据，使优化更具可解释性，并支持在 Gaussian 过程代理模型置信度较低的区域进行有物理依据的外推。

自主 Agent 的编排

对于复杂工程电路，作者没有将系统组织为固定的程序化工作流。电路尺寸设计可视为一种 agent 式推理任务，但更大的电路设计问题涉及动态决策分支、自规划、工具调用、多 agent 协作以及与领域知识的动态交互。传统程序化工作流只适用于执行路径可完全枚举的标准化任务。它们缺乏对象封装、消息传递、独立状态管理和动态行为扩展能力。

因此，该方法对 agent 系统采用面向对象的组织范式。每个 agent、工具、知识源和仿真器交互都被视为具有自身状态和消息行为的封装对象。这种结构支持可复用组件、动态分支生成以及大规模自主设计工作流中的跨团队式协作。

作为瓶颈的 EDA 仿真与 LLM 原生演进

作者进一步分析了传统 EDA 仿真和基于规则的启发式方法所带来的瓶颈。基于物理的仿真通过数值求解器件和电路模型来评估设计性能，形成从物理到建模、测量、校准和验证的闭环。启发式算法将数十年的工程经验和工艺设计规则编码为硬编码逻辑，将组合搜索空间剪枝到实用的可行区域。

然而，基于此类 EDA 生成数据训练的传统机器学习模型继承了其局限性。训练数据只覆盖预定义规则和启发式方法已经探索过的设计空间中的稀疏子集。工业长尾故障往往不是源于某一个异常变量，而是源于常见因素的罕见联合组合。如果因素 $A,B,C,D$A,B,C,D 各自单独出现在训练数据中，则它们的联合出现

$$A\cap B\cap C\cap D$$A∩B∩C∩D

可能永远不会被观察到。空间的组合增长遵循

$$|\mathcal{X}|\sim\prod_{i=1}^{n}|X_i|,$$∣X∣∼i=1∏n​∣Xi​∣,

因此有限数据集无法穷尽覆盖所有罕见组合。因此，纯统计拟合无法保证在未见长尾区域中的正确性。

该方法将 LLM 推理视为摆脱大规模手工编码规则集的一条路径。长期演进分为两个阶段。首先，LLM 推理在传统上需要人工干预的任务中复现人类工程师的思维模式。其次，系统持续从设计案例和仿真反馈中学习，以减少、精简并最终替代传统基于规则的组件。作者强调，这是一个 AI 原生框架，而不是附加在现有 EDA 流程上的表层 AI 插件。智能推理成为基础能力，减少对手写启发式方法的依赖，使系统能够逐步吸收人工设计劳动，并在优化上超越传统基于规则的算法。