MAGE：通过智能体多模态推理实现类人宏单元布局

MAGE是一个多模态多智能体宏单元布局框架，将任务分解为六阶段工作流，结合结构化规则、视觉检查和迭代优化，通过自然语言指令编码专家知识而非标注数据学习。在九个设计（NanGate45和GlobalFoundries 12nm）上，相比商业宏布局工具，最差时序余量（WNS）提升11.1%-19.3%，总负时序余量（TNS）提升70.0%-74.0%。在三个有人类专家基线的设计上，WNS和TNS分别超过专家18.3%和72.5%；类人布局指标提升6%-48%。在匿名网表、未见设计、密集矩形布局和高利用率场景中也能迁移。

宏观布局在工业设计中仍需大量人工精调，MAGE首次通过多智能体框架自动完成布局优化，且在时序指标上超越人类专家，改变了此前AI布局只能接近或略低于人类的局面，可能显著降低芯片后端人力成本并提升性能。

MAGE将布局任务分解为六个阶段，结合结构化规则、视觉检查和迭代优化；通过自然语言指令编码专家布局知识，而非从标注数据学习；采用锦标赛式优化，从多个候选布局中择优并传播反馈；引入notch、whitespace、pocket、alignment四个类人度量指标，捕捉专家注重的结构特性，从而指导搜索到更优解。

对EDA工具厂商而言，可将MAGE集成到商业布局工具中，减少人工精调环节；对芯片设计团队，该框架能直接产出时序更优的初始布局，缩短迭代周期。但需要评估与现有流程的适配成本，以及在不同工艺节点下的表现是否稳定。

• 开发基于MAGE的EDA插件，替代传统宏布局后人工精调步骤
• 为IC设计公司提供云端AI布局优化服务，按设计次数收费
• 将MAGE类人度量嵌入商业物理设计工具，辅助设计师评估布局质量
• 与RTL综合工具集成，实现从RTL到布局的自动化优化流水线

• MAGE在更先进工艺（如7nm以下）的宏布局上是否仍能保持优势？
• 证据中类人度量与芯片最终可制造性、良率之间的关联未明确。
• MAGE的六阶段工作流在处理超大规模设计时计算开销是否可控？
• 与现有商业EDA工具（如Synopsys ICC2、Cadence Innovus）的实际集成难度和性能对比未知。