ARES：基于 LLM 智能体的自适应推理努力与成本感知 RTL 优化方法

arXiv 论文提出 ARES，一种面向寄存器传输级（RTL）设计的 LLM 智能体优化方法，通过自适应调整每次调用的推理努力，在固定归一化成本下，将功耗、性能与面积（PPA）指标比最佳固定努力降低 23-27%，并达到比 Dr. RTL 更优的结果。

此前 LLM 优化 RTL 设计时固定推理努力且不报告归一化成本，ARES 引入归一化成本并动态分配推理资源，成本相同下优化效果显著提升。

ARES 通过耐心计数器检测进度停滞，仅在低努力策略陷入停滞时升级到更深推理，避免在无效迭代上浪费算力，从而在同等成本下提升优化效率。

对 RTL 设计工具和芯片设计流程，可降低 LLM 优化的调用成本并提高 PPA 优化效果，促使工具厂商考虑成本敏感的推理调度。

• 在 EDA 工具中集成自适应推理机制，按设计复杂度动态分配推理资源以降低成本。
• 为 LLM 优化服务引入归一化成本指标，提供更透明的性价比评估。
• 基于耐心的推理升级策略可应用于其他黑盒优化场景，如超参数调优。

• 该方法在更广泛的设计类型和更大规模 RTL 上的泛化性尚未验证。
• 与现有商业工具集成的兼容性和实际收益需进一步评估。
• 耐心计数器参数（21 个训练设计）在不同工作负载下的敏感性未知。