シミュレーション認識型インコンテキストポリシー改善によるLLM支援アナログレイアウト最適化

本論文は、アナログICレイアウト設計におけるシミュレーション駆動の反復調整を効率化するため、Large Language Models (LLMs)を用いたシミュレーション認識型マルチエージェントフレームワークを提案する。具体的には、アナログレイアウト生成器が公開するレイアウト最適化パラメータを、act-observe-reflectループを通じて反復更新するin-context policy improvement (ICPI)を実現する。コンパクトな構造化レイアウト表現を用いることで、LLMが幾何学的コンテキストにアクセスし、設計固有のヒューリスティクスを活用できるようにする。

従来のBayesian Optimization (BO)はアナログIC設計のパラメータチューニングに広く使われるが、レイアウトレベルでは数百から数千回の評価が必要で、各評価に高コストな寄生抽出とポストレイアウトシミュレーションを伴うため実用的でない。一方、LLMはシミュレーション駆動チューニングのサンプル効率を改善する可能性が示されているが、幾何学的レイアウトコンテキストや設計固有のヒューリスティクスへのアクセスが制限され、レイアウト最適化プロセスを操作する能力が限られていた。本手法は、LLMに構造化レイアウト表現を提供し、マルチエージェントフレームワークで反復的にパラメータを更新することで、これらの制限を克服し、数十回のポストレイアウトシミュレーションで性能を改善する点が新しい。

手法の核は、シミュレーション認識型のLLMマルチエージェントフレームワークとin-context policy improvement (ICPI)である。レイアウト生成器が公開する最適化パラメータを、act-observe-reflectループで反復更新する。各反復では、エージェントが現在のパラメータでレイアウトを生成し、シミュレーション結果を観察し、その結果を反映して次回のパラメータを決定する。コンパクトな構造化レイアウト表現を用いることで、LLMが幾何学的コンテキストを理解し、設計固有のヒューリスティクスを組み込むことを可能にする。

実世界のアナログ回路を用いた実験で検証した。数十回のポストレイアウトシミュレーションのみで、生成器の組み込みヒューリスティクスとBOベースのチューニング手法と比較して、ポストレイアウト性能を改善することを示した。

要旨からは、提案手法の限界や潜在的な欠点についての議論は不明である。ただし、数十回のシミュレーションで改善を示す一方、BOと比較して性能がどの程度向上するか、また異なる回路や設計仕様への一般性については言及がない。また、LLMの使用に伴う計算コストや、構造化表現の設計に関する詳細も要旨からは不明。

要旨で参照されている関連研究として、Bayesian Optimization (BO)を用いたアナログIC設計のパラメータチューニング、およびLarge Language Models (LLMs)を用いたシミュレーション駆動チューニングの研究が挙げられる。具体的な論文タイトルは不明だが、これらの分野の定番論文を読むことが推奨される。