Dr.~RTL: 도구 기반 자기 개선을 통한 자율 에이전트 기반 RTL 최적화

Dr.~RTL: Autonomous Agentic RTL Optimization through Tool-Grounded Self-Improvement

최근 대규모 언어 모델(LLM)의 발전은 성능, 전력, 면적(PPA) 개선을 위한 자동 RTL 최적화에 대한 관심이 높아지는 계기가 되었습니다. 그러나 기존 방법은 여전히 실제적인 RTL 최적화에 미치지 못합니다. 기존 방법의 평가 환경은 종종 비현실적이며, 수동으로 저하된 소규모 RTL 설계에 대한 테스트를 수행하고, 성능이 낮은 오픈 소스 도구에 의존합니다. 또한, 최적화 방법 또한 제한적이며, 세분화되지 않은 설계 수준의 피드백과 간단한 사전 정의된 재작성 규칙에 의존합니다. 이러한 한계를 극복하기 위해, 저희는 Dr. RTL을 제안합니다. Dr. RTL은 재사용 가능한 최적화 기술을 통한 지속적인 자기 개선을 통해 현실적인 평가 환경에서 RTL 타이밍 최적화를 수행하는 에이전트 기반 프레임워크입니다. 저희는 더 까다로운 RTL 설계와 산업 표준 EDA 워크플로우를 활용하여 현실적인 평가 환경을 구축했습니다. 이 환경 내에서 Dr. RTL은 다중 에이전트 프레임워크를 통해 중요한 경로 분석, 병렬 RTL 재작성 및 도구 기반 평가를 수행하는 폐루프 최적화를 수행합니다. 또한, 저희는 병렬 RTL 재작성을 비교하고 최적화 경험을 해석 가능한 기술 라이브러리로 추출하는 그룹 상대적 기술 학습을 도입했습니다. 현재 이 라이브러리에는 PPA를 개선하고 수렴 속도를 가속화하기 위한 47개의 패턴-전략 항목이 포함되어 있으며, 시간이 지남에 따라 지속적으로 발전할 수 있습니다. 20개의 실제 RTL 설계에 대한 평가 결과, Dr. RTL은 업계 최고 수준의 상용 합성 도구에 비해 평균 21%/17%의 WNS/TNS 개선과 6%의 면적 감소를 달성했습니다.

Recent advances in large language models (LLMs) have sparked growing interest in automatic RTL optimization for better performance, power, and area (PPA). However, existing methods are still far from realistic RTL optimization. Their evaluation settings are often unrealistic: they are tested on manually degraded, small-scale RTL designs and rely on weak open-source tools. Their optimization methods are also limited, relying on coarse design-level feedback and simple pre-defined rewriting rules. To address these limitations, we present Dr. RTL, an agentic framework for RTL timing optimization in a realistic evaluation environment, with continual self-improvement through reusable optimization skills. We establish a realistic evaluation setting with more challenging RTL designs and an industrial EDA workflow. Within this setting, Dr. RTL performs closed-loop optimization through a multi-agent framework for critical-path analysis, parallel RTL rewriting, and tool-based evaluation. We further introduce group-relative skill learning, which compares parallel RTL rewrites and distills the optimization experience into an interpretable skill library. Currently, this library contains 47 pattern--strategy entries for cross-design reuse to improve PPA and accelerate convergence, and it can continue evolving over time. Evaluated on 20 real-world RTL designs, Dr. RTL achieves average WNS/TNS improvements of 21\%/17\% with a 6\% area reduction over the industry-leading commercial synthesis tool.