The Dawn of Agentic EDA: A Survey of Autonomous Digital Chip Design

📄 arXiv: 2512.23189v1 📥 PDF

作者: Zelin Zang, Yuhang Song, Bingo Wing-Kuen Ling, Aili Wang, Fuji Yang

分类: eess.SY

发布日期: 2025-12-29

💡 一句话要点

提出Agentic EDA框架，实现数字芯片设计的自主化与智能化

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

关键词: Agentic EDA 数字芯片设计 人工智能 生成式AI 多模态学习 RTL代码生成 物理设计

📋 核心要点

  1. 传统EDA工具在面对日益复杂的芯片设计时，面临效率瓶颈和优化难题，难以满足高性能、低功耗的需求。
  2. 论文提出Agentic EDA框架，利用生成式AI和Agentic AI，构建自主学习和优化的智能设计流程，实现芯片设计的自动化。
  3. 通过案例研究验证了Agentic EDA框架在微架构定义到GDSII全流程中的可行性，并强调了跨阶段反馈优化和安全性保障。

📝 摘要（中文）

本综述全面概述了生成式人工智能和Agentic人工智能在数字电子设计自动化（EDA）领域的集成。论文首先回顾了从传统计算机辅助设计（CAD）到人工智能辅助EDA（AI4EDA），再到新兴的AI原生和Agentic设计范式的演变。详细阐述了这些范式在数字芯片设计流程中的应用，包括基于多模态基础模型的Agentic认知架构构建、前端RTL代码生成和智能验证，以及后端物理设计中的算法创新和工具编排。通过综合案例研究验证了这些方法，展示了从微架构定义到GDSII的实际可行性。特别强调了跨阶段反馈循环的潜力，其中Agent利用后端PPA指标自主优化前端逻辑。此外，本综述深入研究了安全性方面的双重影响，涵盖了新型对抗风险、自动漏洞修复和隐私保护基础设施。最后，批判性地总结了当前与幻觉、数据稀缺和黑盒工具相关的挑战，并概述了未来L4级自主芯片设计的发展趋势。最终，这项工作旨在定义Agentic EDA这一新兴领域，并为从AI辅助工具到完全自主的设计工程师的过渡提供战略路线图。

🔬 方法详解

问题定义：当前数字芯片设计面临日益增长的复杂性和上市时间压力，传统的EDA工具和方法在效率和优化方面存在局限性。设计人员需要手动进行大量的迭代和优化，耗时且容易出错。此外，随着芯片规模的增大，验证和安全问题也变得越来越突出。现有方法难以充分利用AI技术实现芯片设计的自动化和智能化。

核心思路：论文的核心思路是引入Agentic AI的概念，构建一个由多个智能Agent组成的系统，每个Agent负责芯片设计流程中的特定任务，例如RTL代码生成、逻辑验证、物理设计等。这些Agent能够自主学习、协同工作，并根据反馈不断优化设计方案。通过Agent之间的跨阶段反馈，实现全局优化，提高设计效率和质量。

技术框架：Agentic EDA框架包含以下主要模块：1) Agentic认知架构：基于多模态基础模型，实现对设计目标的理解和推理。2) 前端设计Agent：负责RTL代码生成和智能验证。3) 后端设计Agent：负责物理设计，包括布局、布线等。4) 跨阶段反馈机制：Agent之间通过共享PPA（性能、功耗、面积）指标，实现跨阶段的优化。整体流程是从微架构定义开始，经过前端和后端设计，最终生成GDSII文件。

关键创新：该论文的关键创新在于将Agentic AI引入到EDA领域，提出了一个完整的Agentic EDA框架。与传统的AI辅助EDA方法相比，Agentic EDA更加强调Agent的自主性和协同性，能够实现更高级别的自动化和智能化。此外，论文还提出了跨阶段反馈机制，能够实现全局优化。

关键设计：Agentic认知架构的设计需要选择合适的多模态基础模型，并进行针对性的训练。前端和后端设计Agent需要根据具体的任务选择合适的算法和工具，并进行优化。跨阶段反馈机制需要设计合适的PPA指标和反馈策略。此外，还需要考虑Agent之间的通信和协作机制。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过案例研究验证了Agentic EDA框架的可行性，展示了从微架构定义到GDSII的完整流程。特别强调了跨阶段反馈循环的潜力，其中Agent利用后端PPA指标自主优化前端逻辑，从而实现全局优化。虽然具体的性能数据和提升幅度未在摘要中明确给出，但强调了其在实际应用中的价值和潜力。

🎯 应用场景

Agentic EDA技术可应用于各种数字芯片设计领域，包括处理器、存储器、通信芯片等。它能够显著提高设计效率，缩短上市时间，并优化芯片的性能、功耗和面积。此外，Agentic EDA还有助于提高芯片的安全性，自动修复漏洞，并保护设计数据的隐私。未来，随着AI技术的不断发展，Agentic EDA有望成为芯片设计的主流方法。

📄 摘要（原文）

This survey provides a comprehensive overview of the integration of Generative AI and Agentic AI within the field of Digital Electronic Design Automation (EDA). The paper first reviews the paradigmatic evolution from traditional Computer-Aided Design (CAD) to AI-assisted EDA (AI4EDA), and finally to the emerging AI-Native and Agentic design paradigms. We detail the application of these paradigms across the digital chip design flow, including the construction of agentic cognitive architectures based on multimodal foundation models, frontend RTL code generation and intelligent verification, and backend physical design featuring algorithmic innovations and tool orchestration. We validate these methodologies through integrated case studies, demonstrating practical viability from microarchitecture definition to GDSII. Special emphasis is placed on the potential for cross-stage feedback loops where agents utilize backend PPA metrics to autonomously refine frontend logic. Furthermore, this survey delves into the dual-faceted impact on security, covering novel adversarial risks, automated vulnerability repair, and privacy-preserving infrastructure. Finally, the paper critically summarizes current challenges related to hallucinations, data scarcity, and black-box tools, and outlines future trends towards L4 autonomous chip design. Ultimately, this work aims to define the emerging field of Agentic EDA and provide a strategic roadmap for the transition from AI-assisted tools to fully autonomous design engineers.