CHICO-Agent：基于大语言模型的Chiplet系统跨层优化框架

本文介绍CHICO-Agent——一个基于大语言模型（LLM）的Chiplet系统跨层优化框架。该框架通过持久化知识库和多智能体工作流，解决2.5D/3D Chiplet系统设计中应用、架构、芯片、封装多层协同优化的复杂性问题，相比模拟退火等传统基线方法能找到更低成本的配置。

大语言模型和AI工作负载增长将传统单片硅片推向物理与经济极限。Chiplet技术通过拆分大芯片为小芯片并重新集成，带来良率提升、成本优化和灵活性增强等优势，但也导致跨层优化的复杂性剧增：需协同应用层（工作负载特性）、架构层（计算单元配比等）、芯片层（制程选择等）、封装层（2.5D/3D选择等）的决策，形成组合爆炸式的设计空间，传统方法难以应对。

CHICO-Agent采用多智能体协作架构：

• 知识库：持久化记录历史设计决策、参数-性能关联模式和设计规则，随优化积累经验。
• Admin智能体：中央协调者，分解目标、分配任务、整合反馈、更新知识库。
• 领域智能体：应用、架构、芯片、封装各层次的专门智能体。

优化工作流分为五阶段：需求分析（应用智能体提取工作负载需求）→架构探索（生成候选架构）→Chiplet分解（映射架构到Chiplet）→封装优化（规划物理实现）→评估与迭代（仿真评估并协调下一轮优化）。

CHICO-Agent的独特之处在于：

1. 参数-结果关联学习：通过知识库实现跨迭代经验积累，记录有效参数组合和关联模式，避免传统方法“无状态”从零开始。
2. 自然语言推理：利用LLM能力理解自然语言约束、分析方案优劣、诊断异常。
3. 可解释设计轨迹：每个决策都有自然语言解释，可追溯原因，便于人工审核。

研究团队在AI加速器场景验证了CHICO-Agent的有效性：

• 对比基线：模拟退火（SA）、贝叶斯优化（BO）、遗传算法（GA）。
• 结果：相比SA成本低18%，BO低12%，GA低15%；收敛速度更快（50-100轮vs SA的200+轮）；设计质量更符合工程实践。
• 案例：Transformer加速器设计中，CHICO-Agent避免了SA的局部最优陷阱（如互连带宽瓶颈、功耗超支）。

CHICO-Agent代表EDA领域趋势：

• LLM作为设计伙伴：理解高层次意图、常识推理、经验学习、提供可解释建议。
• 跨层次协同：多智能体架构自然分解复杂跨层问题。
• 人机协作新模式：增强设计师能力，让其专注高层次决策，繁琐调优交给AI。

CHICO-Agent的局限：依赖外部仿真（成本高）、知识泛化性待验证、实时性不足。未来方向：

• 训练代理模型替代昂贵仿真加速评估；
• 部署后在线学习实际芯片性能；
• 支持多目标优化（Pareto前沿探索）；
• 自动生成测试用例验证设计正确性。