SynAct: A Reasoning-Acting Large Language Model Agent for Adaptive Synthesis Optimization

📄 arXiv: 2608.12751v1 📥 PDF

作者: Fangzhou Liu, Peiyi Han, Jiawei Liu, Yuan Pu, Zhuolun He, Rongliang Fu, Tsung-Yi Ho, Bei Yu

分类: cs.AR, cs.AI

发布日期: 2026-08-13

备注: 12 pages, 8 figures

💡 一句话要点

提出SynAct以解决逻辑综合优化中的适应性问题

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

关键词: 逻辑综合 优化算法 自适应系统 闭环控制 机器学习

📋 核心要点

  1. 现有逻辑综合优化方法在高维空间中调优效率低，缺乏动态适应能力。
  2. SynAct通过闭环推理与行动机制，实时分析电路状态并发出优化命令。
  3. 在14个设计的实验中，SynAct显著降低了平均WNS，提升了综合效果。

📝 摘要（中文）

逻辑综合将RTL设计转换为门级网表，PPA结果对优化命令的选择高度敏感，使得综合调优既高维又昂贵。现有方法主要分为两类：自动化方法在固定动作空间内进行黑箱搜索，决策级别的可解释性有限；基于LLM的方法通常提前生成静态脚本，无法适应不断变化的电路状态。本文提出了SynAct，一个自适应闭环LLM推理-行动代理，能够迭代诊断实时综合报告，并基于当前电路状态、检索的工具知识和历史优化经验发出针对性命令。SynAct专注于改善时序，特别是最坏负时延（WNS），同时保持面积和功耗的平衡。实验结果表明，SynAct将平均WNS降低至引导综合的27%。

🔬 方法详解

问题定义：本文旨在解决逻辑综合中的优化命令选择问题，现有方法在动态电路状态下缺乏适应性，导致优化效果不理想。

核心思路：SynAct通过构建一个自适应的闭环推理-行动代理，实时分析综合报告和电路状态，结合历史优化经验，发出针对性的优化命令。

技术框架：SynAct的整体架构包括数据输入模块、推理模块和行动模块。数据输入模块负责获取实时综合报告，推理模块进行状态分析并生成优化策略，行动模块则执行优化命令。

关键创新：SynAct的主要创新在于其闭环反馈机制，使得优化过程能够根据电路状态的变化进行动态调整，与传统静态脚本生成方法有本质区别。

关键设计：在设计中，SynAct采用了特定的损失函数来平衡时序、面积和功耗，并通过历史数据的学习优化推理模块的决策能力。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，SynAct在14个设计上将平均最坏负时延（WNS）降低至引导综合的27%，展现出显著的优化能力，优于现有的综合方法。

🎯 应用场景

该研究的潜在应用领域包括集成电路设计、电子系统优化等，能够显著提高逻辑综合的效率和效果。未来，SynAct有望在更复杂的电路设计中发挥作用，推动自动化设计工具的发展。

📄 摘要（原文）

Logic synthesis transforms RTL designs into gate-level netlists, where PPA results are highly sensitive to the choice of optimization commands, making synthesis tuning both high-dimensional and expensive. Previous approaches fall into two categories: automated methods, which perform black-box search over fixed action spaces with limited decision-level interpretability, and LLM-based methods, which typically generate static scripts upfront and cannot adapt to evolving circuit states. We present SynAct, an adaptive closed-loop LLM reasoning--acting agent that iteratively diagnoses live synthesis reports and reasons over the current circuit state, retrieved tool knowledge, and historical optimization experience to issue targeted commands. SynAct focuses on improving timing, particularly worst negative slack (WNS), while maintaining balanced area and power trade-offs. Experiments on a commercial synthesis tool across 14 designs show that SynAct reduces average WNS to 27% of that from bootstrap synthesis.