Automatisierung der DRC-Skriptsynthese im Chipdesign durch KI-gestützte Ansätze

Die fortschreitende Miniaturisierung in der Halbleiterindustrie hat die Komplexität des Chipdesigns erheblich gesteigert. Moderne Chip-Layouts müssen Tausende von Designregeln einhalten, die als Design Rule Checking (DRC) bezeichnet werden. Diese Regeln stellen sicher, dass ein Chip physikalisch herstellbar ist und korrekt funktioniert. Die Überprüfung dieser Regeln erfolgt durch die Ausführung von DRC-Skripten auf den Layouts. Die manuelle Übersetzung von natürlichsprachlichen Designregeln in korrekte, ausführbare DRC-Skripte ist jedoch ein arbeitsintensiver Prozess, der spezialisiertes Fachwissen erfordert und anfällig für Fehler ist. Dies hat die Entwicklung von LLM-Agenten (Large Language Model) zur Automatisierung der DRC-Skriptsynthese und -Fehlerbehebung vorangetrieben.

Herausforderungen bei der DRC-Skriptsynthese mittels KI

Bisherige Ansätze zur Bewertung von LLM-Agenten in diesem Bereich wiesen mehrere Limitationen auf. Oftmals basierten diese Benchmarks auf relativ kleinen Datensätzen, was die Generalisierungsfähigkeit der Modelle einschränkte. Ein weiteres Problem war die primäre Bewertung der Skripte anhand von Code-Ähnlichkeit anstatt deren tatsächlicher Ausführungskorrektheit. Das bedeutet, ein Skript konnte syntaktisch korrekt erscheinen, aber bei der Ausführung auf einem echten Chip-Layout fehlschlagen. Darüber hinaus ignorierten frühere maschinelle Lernmethoden häufig das Ausführungs-Feedback oder benötigten explizit gelabelte Test-Layouts als Eingabe für den Agenten, was den Automatisierungsgrad reduzierte.

Rule2DRC: Ein neuer, umfassender Benchmark

Um diesen Herausforderungen zu begegnen, wurde der Benchmark Rule2DRC eingeführt. Dieser stellt einen großen Fortschritt in der Bewertung von LLM-Agenten für die DRC-Skriptsynthese dar. Rule2DRC umfasst 1.000 Aufgaben, die die Übersetzung von Regeln in Skripte zum Ziel haben, und verwendet 13.921 Evaluations-Chip-Layouts zur ausführungsbasierten Bewertung. Der Fokus liegt hierbei auf der Messung der funktionalen Korrektheit der generierten Skripte durch deren tatsächliche Ausführungsergebnisse, ohne dass die Evaluations-Layouts als direkte Eingabe für den Agenten erforderlich sind.

Die Rolle von SplitTester

Ein weiterer Bestandteil von Rule2DRC ist der sogenannte SplitTester. Hierbei handelt es sich um einen Test-Agenten, der die Programmauswahl erheblich verbessert. SplitTester nutzt das Ausführungs-Feedback, um diskriminierende Testfälle zu generieren. Dies ermöglicht es, zuvor schwer unterscheidbare Kandidatenskripte effektiv voneinander abzugrenzen und die Leistung bei der "Best-of-N"-Auswahl zu optimieren. Die Fähigkeit, Testfälle dynamisch zu generieren, ist entscheidend, um die Robustheit und Präzision der LLM-Agenten zu überprüfen und zu steigern.

Vorteile der Automatisierung im Chipdesign

Die Automatisierung der DRC-Skriptgenerierung durch LLM-Agenten bietet der Halbleiterindustrie erhebliche Vorteile:

- Zeitersparnis: Der manuelle Prozess der Skriptentwicklung nimmt Wochen in Anspruch. LLM-Agenten können diese Zeit auf Minuten reduzieren. - Fehlerreduzierung: Menschliche Fehler bei der Interpretation komplexer Designregeln und der Skripterstellung werden minimiert. - Skalierbarkeit: Mit der steigenden Anzahl und Komplexität der Designregeln wird die manuelle Bearbeitung zunehmend unpraktikabel. Automatisierte Systeme können mit dieser Skalierung besser umgehen. - Zugänglichkeit: Die Notwendigkeit hochspezialisierten Fachwissens für die Skripterstellung kann durch LLM-gestützte Tools verringert werden, was den Designprozess demokratisiert.

Tiefergehende Analyse der Methodik

Die Entwicklung von LLM-Agenten für die DRC-Skriptsynthese baut auf verschiedenen fortschrittlichen Techniken auf. Ein Beispiel hierfür ist der Einsatz von Abstract Syntax Trees (ASTs), die die hierarchische syntaktische Struktur von SVRF-Code (Standard Verification Rule Format) darstellen. ASTs können zur syntaktischen Validierung, semantischen Analyse und als strukturierte Trainingsdaten für LLMs dienen. Die Integration von AST-geleitetem Fine-Tuning, beispielsweise mit T5-basierten Modellen, kann die Genauigkeit der Code-Generierung erheblich verbessern, insbesondere bei begrenzten Datensätzen. Hierbei wird eine AST-gewichtete Verlustfunktion verwendet, die Diskrepanzen in der Struktur stärker bestraft als einfache Text-Ähnlichkeiten.

Ein weiterer wichtiger Aspekt ist die Retrieval-Augmented Generation (RAG). Dieser Ansatz ermöglicht es LLMs, auf eine umfangreiche Wissensdatenbank zuzugreifen, um kontextuelle und domänenspezifische Informationen in den Generierungsprozess einzubeziehen. Im Kontext der DRC-Skriptsynthese kann ein RAG-System verifizierte SVRF-Code-Snippets und zugehörige physikalische Verifikationsabsichten indexieren. Dies führt zu einer verbesserten Prompt-Erstellung und präziseren Code-Generierung, die sowohl syntaktisch als auch semantisch korrekt ist.

Herausforderungen und zukünftige Perspektiven

Trotz der vielversprechenden Fortschritte bleiben Herausforderungen bestehen. Die Komplexität der Code-Generierung geht über die strukturelle Korrektheit hinaus und erfordert ein tiefes Verständnis von Operationsbeziehungen, Präzedenzen und Scopes. Begrenzte Datensätze, selbst mit Augmentierungstechniken, können die Vielfalt der möglichen Code-Strukturen nicht immer vollständig abbilden. Zukünftige Forschungsarbeiten konzentrieren sich daher auf:

- Verbesserte Datenbasis: Die Sammlung größerer und repräsentativerer Datensätze für verschiedene DRC-Domänen ist entscheidend. - AST-gewichtete Verlustfunktionen: Die direkte Integration von AST-basierten Metriken in die Trainingsziele könnte die Fähigkeit der Modelle zur Erlernung von Code-Strukturen weiter verbessern. - Erweiterte Modell-Tuning-Methoden: Die Erforschung alternativer Fine-Tuning-Strategien, wie der Einsatz von Graph Neural Networks zur Behandlung von ASTs als Graphen, könnte die Modellleistung und Generalisierung weiter steigern. - Tiefere Applikationsintegration: Die Nutzung der entwickelten Modelle in größeren Coding-Infrastrukturen mit klar definierten Funktionen ebnet den Weg für eine Copilot-ähnliche Erfahrung, die den Endnutzern einen klaren Mehrwert bietet.

Die Forschung in diesem Bereich zielt darauf ab, die Lücke zwischen natürlichsprachlichen Spezifikationen und der fehlerfreien Generierung von DRC-Skripten zu schließen. Durch die Kombination von LLM-Agenten, fortschrittlichen Benchmarks und intelligenten Teststrategien wird der Weg für eine effizientere und zuverlässigere Chipentwicklung geebnet.

Quellen

1. Kim, J., Byun, J., Hwang, D., Park, S.-J., & Song, H. O. (2026). Rule2DRC: Benchmarking LLM Agents for DRC Script Synthesis with Execution-Guided Test Generation. arXiv.gg.
2. Zhu, B., Zhang, X., Lin, Y., Yu, B., & Wong, M. (2023). DRC-SG 2.0: Efficient Design Rule Checking Script Generation via Key Information Extraction. ACM Transactions on Design Automation of Electronic Systems, 28(5), 1–18.
3. Abdelmalak, A. E., Elsayed, M. A., Torunoglu, I., & Abercrombie, D. (2025). An AST-guided LLM Approach for SVRF Code Synthesis. arXiv.org.
4. Chang, C.-C., Ho, C.-T., Li, Y., Chen, Y., & Ren, H. (2024). DRC-Coder: Automated DRC Checker Code Generation Using LLM Autonomous Agent. Qeios.
5. Liu, P., Xu, N., Tang, J., Cao, Y., & Ding, C. (2026). Bridging the Last Mile of Circuit Design: PostEDA-Bench, a Hierarchical Benchmark for PPA Convergence and DRC Fixing. arXiv.org.
6. Jha, M., Wan, J., & Chen, D. (2025). Proof2Silicon: Prompt Repair for Verified Code and Hardware Generation via Reinforcement Learning. arXiv.org.
7. Hu, R., Peng, C., Wang, X., Xu, J., & Gao, C. (2025). Repo2Run: Automated Building Executable Environment for Code Repository at Scale. arXiv.org.
8. Silva, K., & Perera, S. (2026). DryRUN: On the Role of Public Tests in LLM-Driven Code Generation. arXiv.org.