Forschungsbericht · überarbeitet am 09. November 2026
Eine überprüfbare Aufgabe für lernende Verfahren
Ein KI-Verfahren kann im Chipentwurf Vorschläge priorisieren, bevor teure Werkzeuge sie ausführen. Dazu muss es nicht nur gute Entwürfe finden. Es muss einschließlich Datengewinnung, Training und Fehlversuchen weniger Aufwand verursachen als ein sinnvoll gewähltes einfaches Verfahren. Unser Versuch grenzt diese Frage auf die Auswahl aus sechs Syntheserezepten ein.
Der Archivdatensatz enthält sechs unterschiedliche RTL-Schaltungen mit jeweils sechs ausgeführten Rezepten. Ein Flächenwert wird nur zugelassen, wenn die abgebildete Netzliste den zugehörigen Funktionstest bestanden hat. Das Ziel ist eine gültige Zellfläche höchstens 1 % oberhalb des besten gültigen Rezepts im jeweiligen Raster. Dieses Rasterminimum ist eine Referenz innerhalb des Versuchs und kein bewiesenes globales Schaltungsoptimum.
Ganze Schaltungen werden vom Training getrennt
Die Auswertung umfasst sechs Falten. In jeder Falte bleiben sämtliche sechs Messwerte einer Schaltung beim Training außen vor. Die anderen fünf Schaltungen liefern gemeinsam 30 Messwerte. Dadurch kann ein Modell nicht einfach andere Rezepte derselben Testschaltung im Training sehen. Zwischen den Falten überlappen die Trainingsdaten. Die sechs Falten sind deshalb keine sechs unabhängigen großen Studien.
Als Eingaben dienen vier logarithmierte generische Zellzähler, die Rezeptkennung und deren Wechselwirkung. Das Lernziel ist der Flächenquotient zum kleinsten gültigen Rezept der jeweiligen Trainingsschaltung. Parameter und Zufallsstart sind vor dem Vergleich festgelegt. Die Testschaltung wird erst anhand der vorgeschlagenen Rangfolge ausgewertet. Der gesamte Vergleich bleibt explorativ, weil das zugrunde liegende Archiv bereits bekannt war.
Elf Modelle und vier einfache Kontrollen
Ausgeführt wurden Entscheidungsbaum, Extra Trees, Random Forest, Gradient Boosting, Histogram Gradient Boosting, LightGBM, XGBoost, K-Nearest Neighbors, Ridge, RBF-SVR und ein kleines neuronales Netz. Vier feste Strategien bilden die Kontrolle. Sie beginnen mit dem Standardrezept oder übertragen mittlere Werte, die nächste ähnliche Trainingsaufgabe beziehungsweise verschiedenartige Voroptimierungen.
Eine Aufgabe zählt nach einem, zwei oder drei Aufrufen als gelöst, sobald das beste bis dahin ausgewählte Rezept das 1-%-Ziel erreicht. Trainierte Verfahren erhalten denselben Datenstand. Neben den Aufrufen werden Fitzeit und Rangbildungszeit erfasst. Die Werkzeugzeit wird aus den tatsächlich gemessenen Laufzeiten der ausgewählten Archivrezepte rekonstruiert. Diese Auswertung startet keine neuen Synthesen und keine Layoutläufe.
Was der Vergleich tatsächlich ergibt
Standardrezept zuerst, diversifizierte Übertragung und der einzelne Entscheidungsbaum lösen jeweils fünf von sechs Aufgaben mit dem ersten Aufruf. Nach spätestens drei Aufrufen je Aufgabe erreichen sie alle sechs Ziele. Über die Aufgaben summiert benötigen diese drei Strategien jeweils acht Aufrufe. Für dieselben ausgewählten Fälle entstehen 92,44 Sekunden rekonstruierte Archiv-Werkzeugzeit. Beim Baum kommen Trainingsdaten und Fitzeit hinzu.
LightGBM und XGBoost erreichen das Ziel innerhalb des Limits auf jeweils fünf Schaltungen. Beim Addierer verfehlen sie es. Auch Random Forest, Extra Trees und beide weiteren Boostingverfahren lösen nicht alle sechs Fälle. Ridge, RBF-SVR und das kleine neuronale Netz erreichen vier von sechs. Diese Rangfolge beschreibt den konkreten Rezeptkatalog, nicht die allgemeine Leistungsfähigkeit der Modellfamilien.
Der mögliche Gewinn ist durch die Aufgabe begrenzt
Eine fehlerfreie Erstwahl könnte in diesem Versuch die acht Aufrufe der starken festen Referenz nur auf sechs reduzieren. Das wären zwei eingesparte Aufrufe. Eine Halbierung auf vier wäre schon deshalb unmöglich, weil jede der sechs Schaltungen mindestens einmal ausgeführt werden muss. Ein komplexeres Lernmodell kann diese Grenze des Versuchsaufbaus nicht umgehen.
Eine unabhängige Wiederholung reproduzierte alle 90 Rangfolgen sowie die Flächen- und Aufrufmetriken exakt. Die Rangbildung benötigte 3,28 beziehungsweise 5,04 Sekunden. Diese Zeiten bestätigen die technische Reproduzierbarkeit des Replays. Sie sind kein Nachweis einer verkürzten vollständigen Chipentwicklung. Datengewinnung, andere Werkzeugentscheidungen und spätere physische Prüfungen bleiben zusätzliche Kosten.
Welche KI-Aufgabe sich daraus ableiten lässt
Für den untersuchten Katalog bleibt die feste Referenz eine starke Wahl. Der Entscheidungsbaum erreicht dieselbe Auswahlqualität, liefert aber keinen belegten Gesamtaufwandsvorteil. TabPFN, SAC und Transformer wurden in diesem Synthesevergleich nicht ausgeführt. Ein sequenzieller Lernagent benötigt eine echte mehrstufige Werkzeugumgebung. Größere Netzmodelle benötigen wesentlich mehr unterschiedliche Schaltungen und eine belastbare Trennung der Aufgabenfamilien.
Der nächste sinnvolle Test müsste vorab neue Schaltungen und Abnahmekriterien festlegen, einen größeren Entscheidungsraum öffnen und sämtliche Modell- und Werkzeugkosten mitzählen. Die zentrale Frage wäre dann, ob KI gleich gute funktionale und physische Ergebnisse mit geringerem Gesamtaufwand erreicht. Eine lange Liste getesteter Modelle allein beantwortet diese Frage nicht. Der vorliegende Vergleich zeigt konkret, wo eine einfache Regel bereits schwer zu schlagen ist.
Konsequenz für den nächsten Entwurf
Starke feste Regeln beibehalten. KI nur an Aufgaben messen, an denen Fehler, Suchkosten und Gesamtaufwand tatsächlich reduziert werden können.