Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

MAHL: Multi-Agent LLM-Guided Hierarchical Chiplet Design with Adaptive Debugging

Created by
  • Haebom

저자

Jinwei Tang (Katie), Jiayin Qin (Katie), Nuo Xu (Katie), Pragnya Sudershan Nalla (Katie), Yu Cao (Katie), Yang (Katie), Zhao, Caiwen Ding

개요

MAHL은 AI 알고리즘-하드웨어 매핑을 가능하게 하는 6개의 에이전트가 특징인 계층적 LLM 기반 칩렛 설계 생성 프레임워크입니다. 이 프레임워크는 계층적 설명 생성, 검색 증강 코드 생성, diverseflow 기반 검증, 다중 세분성 설계 공간 탐색을 포함합니다. MAHL은 전력, 성능 및 면적(PPA)을 최적화하여 칩렛 설계를 효율적으로 생성합니다. 실험 결과, MAHL은 간단한 RTL 설계의 생성 정확도를 크게 향상시킬 뿐만 아니라 실제 칩렛 설계의 생성 정확도를 Pass@5 기준으로 기존 LLM 대비 0에서 0.72로 향상시켰습니다. 또한, MAHL은 최첨단 CLARIE (전문가 기반)와 비교하여 특정 최적화 목표 하에서 동등하거나 더 우수한 PPA 결과를 달성합니다.

시사점, 한계점

시사점:
LLM을 활용한 2.5D 통합 칩렛 설계의 효율성 및 정확도 향상 가능성 제시.
계층적 구조와 다양한 에이전트를 통해 복잡한 칩렛 설계 문제 해결.
PPA 최적화 목표 달성을 위한 설계 공간 탐색 능력 향상.
기존 LLM 및 전문가 기반 시스템 대비 경쟁력 있는 성능 입증.
한계점:
LLM 기반 칩렛 설계가 직면한 문제(평탄화된 설계, 높은 검증 비용, 부정확한 매개변수 최적화)의 완전한 해결 여부는 실험 결과만으로는 단정하기 어려움.
특정 최적화 목표 하에서만 CLARIE와 동등하거나 우수한 PPA 결과를 보인다는 점은 일반화의 한계를 시사.
실제 상용화 및 대규모 설계에 대한 적용 가능성은 추가적인 연구가 필요함.
Pass@5 평가 방식은 설계의 모든 측면을 포괄하지 않을 수 있으며, 실제 칩렛 설계의 복잡성을 완전히 반영하지 못할 수 있음.
👍