Agente de IA convierte reglas de chips en código de verificación

×

Investigadores de la Universidad Nacional de Seúl, en colaboración con el Samsung AI Center, afirman haber creado un sistema de agentes de IA que puede automatizar una parte persistente del desarrollo de chips: convertir reglas de diseño de semiconductores en lenguaje natural en scripts ejecutables de comprobación de reglas de diseño (Design Rule Check, DRC).

El proyecto, denominado Rule2DRC, fue dirigido por Hyun Oh Song, profesor de la Facultad de Ingeniería de SNU, Departamento de Ciencias de la Computación e Ingeniería. El trabajo se presentó en ICML 2026 y también se publicó en arXiv.

Antes de la fabricación, los diseños de chips deben verificarse frente a miles de reglas. Eso suele implicar que ingenieros expertos traduzcan manualmente reglas escritas a lenguajes de verificación especializados, como KLayout y SVRF. El equipo afirma que intentos anteriores por automatizar ese flujo de trabajo estuvieron limitados por conjuntos de datos pequeños, métricas de similitud de código y métodos que dependían de datos de prueba de referencia durante la generación.

Recomendado

OVH reinició masivamente hosts para parchear el fallo Januscape

Banco de pruebas Rule2DRC y SplitTester

SNU y Samsung construyeron Rule2DRC como un banco de pruebas a gran escala para evaluar si los sistemas basados en LLM pueden generar código de verificación utilizable a partir de reglas de diseño escritas por humanos. El banco de pruebas incluye 1,000 pares de regla de diseño–código de inspección y 13,921 diseños de chips para evaluación.

En lugar de limitarse a comparar el código generado con el código de referencia, el sistema ejecuta los scripts en un motor de verificación real y comprueba si los resultados de las violaciones coinciden con los datos de referencia. Los investigadores también introdujeron SplitTester, un método que elige el mejor script entre múltiples candidatos generados por IA en función de los resultados de ejecución.

Según el equipo, eso hace que el banco de pruebas sea más útil para entornos reales de diseño de chips, donde la corrección funcional importa más que la similitud superficial del código.

Despliegue en Samsung y flujo de trabajo nativo de diseño

Los investigadores también desarrollaron una aplicación con interfaz gráfica de usuario (GUI) de agente de IA nativa para layouts diseñada para ejecutarse dentro del entorno interno de Samsung. La interfaz permite a los ingenieros ver los layouts de semiconductores y generar código de inspección lado a lado, ajustándose al flujo de trabajo real más estrechamente que las herramientas solo de texto.

Song dijo que el equipo trabajó in situ con los investigadores del Samsung AI Center en entornos de investigación seguros para que la aplicación pudiera operar dentro de los sistemas internos de Samsung. Ahora está en marcha la integración con el LLM interno de Samsung.

Durante las demostraciones, el agente interpretó instrucciones en lenguaje natural, seleccionó regiones objetivo en los layouts de chips y modificó automáticamente características geométricas, como esquinas. Los investigadores describen eso como un paso hacia un flujo de trabajo nativo de layout, en el que un sistema de IA pueda entender simultáneamente tanto los datos de layout como los scripts de verificación.

«Este trabajo es significativo en tanto aborda desafíos industriales reales en la verificación del diseño de semiconductores mediante agentes de IA y va más allá de las contribuciones académicas al entregar una aplicación GUI desplegable para entornos reales. De cara al futuro, planeamos mejorar el sistema con edición de layouts basada en retroalimentación en lenguaje natural y capacidades multimodales del agente, evaluar cuantitativamente las ganancias de productividad en entornos industriales y, en última instancia, desarrollar un agente de IA totalmente autónomo.»

Song recibió el Premio a la Investigación Sobresaliente, mientras que el investigador Jinuk Kim recibió el Premio al Mejor Póster en el Samsung AI Center NPRC Workshop. Kim, primer autor del artículo, trabajará como becario de investigación en AWS AI este verano.

El grupo también presentó otro resultado en ICML 2026, Correspondencia de tokens identificables para modelos del mundo, que, según afirman, alcanzó un rendimiento de vanguardia en Crafter y Atari 100k.

Detalles de la publicación listados por la fuente:

• Jinuk Kim et al., Rule2DRC: Evaluación comparativa de agentes LLM para la síntesis de scripts DRC con generación de pruebas guiada por ejecución, arXiv (2026). DOI: 10.48550/arxiv.2605.15669
• Youngin Kim et al., Correspondencia de tokens identificables para modelos del mundo, arXiv (2026). DOI: 10.48550/arxiv.2605.16457