AlphaRoute: Large Language Models as Semantic Optimizers for Multi-Objective Routing

📄 arXiv: 2607.19768v1 📥 PDF

作者: Kabir Murjani, Mishri Bhavsar, Manish I. Patel, Jonti Talukdar

分类: cs.LG, cs.AR

发布日期: 2026-07-22

备注: 7 pages, 5 figures. Accepted for publication in the IEEE International Conference on LLM-Aided Design, 2026, Stanford University, Stanford, CA, USA. Code available at https://github.com/Kcbir/AlphaRoute

💡 一句话要点

提出AlphaRoute以解决VLSI全局路由的多目标优化问题

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

关键词: VLSI设计 全局路由 多目标优化 大型语言模型 动态优化 拥塞管理 组合优化

📋 核心要点

  1. 核心问题：现有的传统启发式方法在处理复杂拥塞拓扑时表现不佳，导致全局路由效率低下。
  2. 方法要点：提出AlphaRoute框架，通过动态优化重路由过程，结合SHAP分解和大型语言模型进行自适应调整。
  3. 实验或效果：在ISPD 2025基准测试中，AlphaRoute在MEMPOOL上将溢出减少了98.6%，在ARIANE设计上实现了29.8倍的溢出减少。

📝 摘要（中文）

非常大规模集成电路（VLSI）全局路由是一个NP难度的组合优化问题，涉及在容量受限的3D网格中进行信号网络分配，同时最小化拥塞、线路长度和过渡。传统启发式方法依赖于静态惩罚调度，无法应对复杂的拥塞拓扑。为此，本文提出了AlphaRoute，一个多目标自适应搜索框架，将重路由（R&R）重新构造成动态优化系统。我们引入基于SHAP的溢出分解来隔离每个网络的拥塞，通过3D Dijkstra迷宫路由和自适应PathFinder策略进行有针对性的子图提取。AlphaRoute利用大型语言模型（LLMs）作为语义策略优化器，动态调整惩罚参数。实验结果表明，AlphaRoute在ISPD 2025基准测试中显著降低了溢出率。

🔬 方法详解

问题定义：论文要解决的是VLSI全局路由中的多目标优化问题，现有方法在复杂拥塞情况下表现不佳，导致效率低下和性能不稳定。

核心思路：论文提出的核心思路是将重路由过程转化为动态优化系统，利用大型语言模型（LLMs）作为语义优化器，动态调整惩罚参数以应对不同的拥塞情况。

技术框架：整体架构包括SHAP-based溢出分解、3D Dijkstra迷宫路由和自适应PathFinder策略。首先，通过SHAP分解识别每个网络的拥塞，然后进行子图提取，最后利用LLMs优化路径选择。

关键创新：最重要的技术创新点在于将LLMs引入到路由优化中，使其能够根据实时拥塞数据动态调整策略，这与传统的静态惩罚方法形成鲜明对比。

关键设计：在设计中，使用了基于SHAP的溢出分解技术，结合3D Dijkstra算法进行路径优化，同时设置了适应性惩罚参数，以确保在不同拥塞情况下的灵活应对。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，AlphaRoute在MEMPOOL上将溢出减少了98.6%，在ARIANE设计上实现了146,109的溢出，较现有技术降低了29.8倍，表现出显著的性能提升，证明了其优越的算法搜索几何结构。

🎯 应用场景

该研究的潜在应用领域包括集成电路设计、电子工程和计算机硬件优化。通过提高全局路由的效率，AlphaRoute可以显著降低设计周期和成本，推动更复杂电路的实现，具有重要的实际价值和未来影响。

📄 摘要（原文）

Very Large Scale Integration (VLSI) global routing is an NP-hard combinatorial optimization problem requiring signal net assignment across capacity-constrained 3D grids while minimizing congestion, wirelength, and via transitions. Because traditional heuristics rely on static penalty schedules that fail on complex congestion topologies, we present AlphaRoute: a multi-objective adaptive search framework reformulating rip-up and reroute (R&R) into a dynamic optimization system. We introduce SHAP-based overflow decomposition to isolate per-net congestion, driving targeted subgraph extraction via 3D Dijkstra maze routing and an adaptive PathFinder policy. Crucially, AlphaRoute employs Large Language Models (LLMs) as semantic policy optimizers. Bounded by a deterministic knowledge graph, the LLMs interpret congestion metrics to dynamically adjust penalty parameters. Evaluated on ISPD 2025 benchmarks, AlphaRoute reduces overflow by 98.6% on MEMPOOL. On the constrained ARIANE design, we achieve an overflow of 146,109 (a 29.8x reduction in overflow over the state of the art), yielding a penalized score of S_orig = 0.0538 versus the State-of-the-art (SOTA) 1.780. These results demonstrate that superior algorithmic search geometry can overcome the latency of interpreted Python implementations.