EvoDRC：基于自进化智能体的自动化 DRC 违规修复框架
在半导体制造的先进节点中，物理设计流程的最后一道关卡——设计规则检查（DRC）闭合，依然是整个芯片流片前最令工程师头疼的性能瓶颈。
尽管现代详细路由器已经具备了相当的“规则感知”能力，但在复杂的几何交互和严格的制造公差下，布局中往往仍会残留一些设计规则违规（DRV）。这些“顽固”的违规点，通常还需要资深工程师投入大量时间进行手动工程变更（ECO）。
近日，一项名为 EvoDRC 的新研究提出了一种全新的解题思路：利用技能进化的智能体框架，实现 DRC 违规修复的全自动化。该研究成果已作为论文《EvoDRC: A Self-Evolving Agentic Framework for Automated DRC Violation Repair》发布（arXiv: 2607.20019）。
为什么自动化修复 DRV 如此困难？
要理解 EvoDRC 的价值，首先需要明白自动化修复 DRV 面临的三大挑战：
- 复杂的几何交互： 金属线宽、间距、覆盖等规则往往相互制约，牵一发而动全身。
- 电路连接的完整性： 任何修改都不能破坏原有的电气连接。
- 避免引入新违规： “修好一个bug， introduce 三个新bug”是自动化工具的大忌。
传统的基于规则的算法很难在这些约束中找到最优解，而 EvoDRC 则试图通过“经验积累”来突破这一局限。
EvoDRC 的核心创新：从“知识蒸馏”到“自我进化”
EvoDRC 是一个针对模块级（block-level）设计的智能体修复框架，其核心亮点在于“自进化”机制。它的工作流程并非简单的线性执行，而是包含两个关键阶段：
1. 初始化：知识蒸馏
在开始修复目标设计之前，EvoDRC 并不会从零开始。它首先从无关的参考设计中蒸馏出通用的修复知识，以此初始化特定层的修复技能。这相当于让智能体在“上岗”前先通过大量案例学习通用的修理技巧。
2. 持续进化：经验积累
在针对目标设计进行实际修复的过程中，EvoDRC 会实时收集那些可追溯的修复经验。每一次成功的操作、每一次失败的尝试，都会被转化为数据反馈给系统，使其修复技能不断迭代和优化。
技术架构：多智能体协作与反馈闭环
在具体执行层面，EvoDRC 展现了一种高度模块化和智能化的协作模式：
-
区域分解与智能体分配：
系统首先将庞大的整体布局分解为多个有界的修复区域。针对每个区域，系统会分配一个基于大语言模型（LLM）的修复智能体。LLM 的引入使得智能体能够理解更复杂的上下文逻辑，而不仅仅是死板的几何规则。 -
工具反馈机制：
每个智能体在执行修复时，并非盲目操作，而是会调用一系列专业工具进行验证：- 局部 DRC 分析： 确认当前区域的违规详情。
- 连接性检查： 确保修改不会断线。
- 影响预览： 预判修改可能引发的周边连锁反应。
这种实时反馈机制保证了修复方案的安全性和有效性。
-
知识库驱动的技能迭代：
所有修复操作及其导致的 DRV 变化数据，都会被存储在一个统一的知识库中。这些数据不仅是记录，更是燃料——它们被用于反哺和优化修复技能，使得智能体在处理后续类似问题时，能够做出更优的决策。
实验结果：显著的效率提升
为了验证框架的有效性，研究团队在 DAC26 DRC Benchmark 中的七个模块级设计上进行了广泛实验。
结果显示，与现有的报告基线相比，EvoDRC 实现了 73.5% 的整体违规减少率。这一数据不仅证明了其在减少违规数量上的高效性，也暗示了其在保持电路完整性和避免新违规方面的稳健表现。
总结
EvoDRC 展示了将大语言模型智能体与半导体物理设计流程相结合的巨大潜力。
通过引入基于经验的技能进化机制，EvoDRC 不仅仅是一个自动化工具，更像是一个能够随着项目推进而越来越“聪明”的数字工程师。它不仅解决了复杂的几何和连接性问题，更通过自动化手段显著提升了 DRC 闭合的效率，为未来先进节点的芯片设计流程变革提供了新的方向。
论文信息：
- 标题： EvoDRC: A Self-Evolving Agentic Framework for Automated DRC Violation Repair
- 作者： Bing-Yue Wu, Chia-Tung Ho, Haoyu Yang, Brucek Khailany, Vidya A. Chhabria
- 提交日期： 2026年7月22日
- arXiv 链接： https://arxiv.org/abs/2607.20019