MappingEvolve: LLM 기반 코드 진화 기술을 활용한 기술 매핑

MappingEvolve: LLM-Driven Code Evolution for Technology Mapping

기술 매핑은 논리 합성 과정에서 매우 중요하지만 어려운 단계입니다. 대규모 언어 모델(LLM)은 최적화 스크립트 생성에 활용되어 왔지만, 핵심 알고리즘 개선에 대한 잠재력은 아직 활용되지 않았습니다. 본 논문에서는 LLM을 사용하여 기술 매핑 코드를 직접 진화시키는 개방형 프레임워크인 MappingEvolve를 소개합니다. 저희 방법은 매핑 과정을 명확한 최적화 연산으로 추상화하고, Planner, Evolver, Evaluator로 구성된 계층적 에이전트 기반 아키텍처를 사용하여 진화적 탐색을 안내합니다. 이러한 체계적인 접근 방식을 통해 전략적이고 효과적인 코드 수정이 가능합니다. 실험 결과, 저희 방법은 직접 진화 및 강력한 기준 모델보다 훨씬 우수한 성능을 보였으며, ABC에 비해 10.04%의 면적 감소, mockturtle에 비해 7.93%의 면적 감소를 달성했으며, EPFL 벤치마크에서 $S_{overall}$ 지표가 46.6%에서 96.0% 향상되었습니다. 또한, 면적과 지연 사이의 균형을 명시적으로 고려합니다. 저희 코드와 데이터는 https://github.com/Flians/MappingEvolve 에서 제공됩니다.

Technology mapping is a critical yet challenging stage in logic synthesis. While Large Language Models (LLMs) have been applied to generate optimization scripts, their potential for core algorithm enhancement remains untapped. We introduce MappingEvolve, an open-source framework that pioneers the use of LLMs to directly evolve technology mapping code. Our method abstracts the mapping process into distinct optimization operators and employs a hierarchical agent-based architecture, comprising a Planner, Evolver, and Evaluator, to guide the evolutionary search. This structured approach enables strategic and effective code modifications. Experiments show our method significantly outperforms direct evolution and strong baselines, achieving 10.04\% area reduction versus ABC and 7.93\% versus mockturtle, with 46.6\%--96.0\% $S_{overall}$ improvement on EPFL benchmarks, while explicitly navigating the area--delay trade-off. Our code and data are available at https://github.com/Flians/MappingEvolve.