MappingEvolve: LLM-Driven Code Evolution for Technology Mapping
作者: Rongliang Fu, Yi Liu, Qiang Xu, Tsung-Yi Ho
分类: cs.CE, cs.AI
发布日期: 2026-04-29
🔗 代码/项目: GITHUB
💡 一句话要点
MappingEvolve：利用LLM驱动代码进化，优化技术映射
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 技术映射 逻辑综合 大型语言模型 代码进化 电路优化
📋 核心要点
- 现有技术映射算法优化空间有限，难以充分利用硬件资源，导致电路面积和延迟难以进一步降低。
- MappingEvolve利用LLM直接进化技术映射代码，将映射过程分解为优化算子，通过分层代理架构指导代码修改。
- 实验结果表明，MappingEvolve在面积缩减和面积-延迟权衡方面显著优于现有方法，在EPFL基准测试中取得了显著提升。
📝 摘要（中文）
技术映射是逻辑综合中一个关键但具有挑战性的阶段。虽然大型语言模型（LLMs）已被应用于生成优化脚本，但它们在核心算法增强方面的潜力尚未被挖掘。我们介绍MappingEvolve，这是一个开源框架，率先使用LLM直接进化技术映射代码。我们的方法将映射过程抽象为不同的优化算子，并采用基于分层代理的架构，包括规划器（Planner）、进化器（Evolver）和评估器（Evaluator），以指导进化搜索。这种结构化的方法能够实现战略性和有效的代码修改。实验表明，我们的方法显著优于直接进化和强大的基线，相对于ABC实现了10.04%的面积减少，相对于mockturtle实现了7.93%的面积减少，在EPFL基准测试中实现了46.6%--96.0%的$S_{overall}$改进，同时明确地权衡了面积-延迟。我们的代码和数据可在https://github.com/Flians/MappingEvolve上获取。
🔬 方法详解
问题定义：论文旨在解决技术映射过程中，传统算法优化能力不足的问题。现有方法通常依赖人工设计的启发式算法，难以充分探索优化空间，导致电路面积和延迟无法达到最优。此外，手动调整算法参数和结构耗时耗力，且难以适应不同电路的特性。
核心思路：论文的核心思路是利用大型语言模型（LLM）的强大代码生成和理解能力，自动进化技术映射代码。通过将技术映射过程抽象为一系列可操作的优化算子，并设计合适的奖励机制，引导LLM探索更优的算法实现。这种方法可以克服人工设计的局限性，自动发现更有效的优化策略。
技术框架：MappingEvolve采用分层代理架构，包含三个主要模块：规划器（Planner）、进化器（Evolver）和评估器（Evaluator）。规划器负责制定进化策略，例如选择哪些优化算子进行修改。进化器利用LLM生成新的代码变体，对选定的算子进行修改。评估器评估代码变体的性能，并提供反馈信号，指导后续的进化过程。整个框架通过迭代进化，逐步提升技术映射算法的性能。
关键创新：MappingEvolve的关键创新在于将LLM应用于技术映射代码的直接进化。与以往利用LLM生成优化脚本的方法不同，MappingEvolve直接修改核心算法的代码，从而能够更深入地探索优化空间。此外，分层代理架构的设计使得进化过程更加可控和高效。
关键设计：在进化过程中，论文设计了合适的奖励函数，用于评估代码变体的性能。奖励函数综合考虑了电路面积、延迟等指标，并允许用户根据需求调整权重，从而实现面积-延迟的权衡。此外，论文还采用了多种技术手段，例如代码片段缓存、代码相似度检测等，以提高进化效率和稳定性。
🖼️ 关键图片
📊 实验亮点
MappingEvolve在EPFL基准测试中取得了显著的性能提升。与ABC相比，面积减少了10.04%；与mockturtle相比，面积减少了7.93%。在$S_{overall}$指标上，MappingEvolve的提升幅度达到了46.6%--96.0%。这些结果表明，MappingEvolve能够有效地优化技术映射算法，并在面积和延迟之间实现更好的权衡。
🎯 应用场景
MappingEvolve具有广泛的应用前景，可用于各种数字电路的逻辑综合和优化。通过自动进化技术映射代码，可以显著降低电路面积和功耗，提高电路性能，从而提升电子产品的竞争力。此外，该方法还可以应用于定制化电路设计，根据特定需求自动生成优化的映射算法。未来，MappingEvolve有望成为电路设计自动化领域的重要工具。
📄 摘要（原文）
Technology mapping is a critical yet challenging stage in logic synthesis. While Large Language Models (LLMs) have been applied to generate optimization scripts, their potential for core algorithm enhancement remains untapped. We introduce MappingEvolve, an open-source framework that pioneers the use of LLMs to directly evolve technology mapping code. Our method abstracts the mapping process into distinct optimization operators and employs a hierarchical agent-based architecture, comprising a Planner, Evolver, and Evaluator, to guide the evolutionary search. This structured approach enables strategic and effective code modifications. Experiments show our method significantly outperforms direct evolution and strong baselines, achieving 10.04\% area reduction versus ABC and 7.93\% versus mockturtle, with 46.6\%--96.0\% $S_{overall}$ improvement on EPFL benchmarks, while explicitly navigating the area--delay trade-off. Our code and data are available at https://github.com/Flians/MappingEvolve.