做 PPA 优化时，候选设计必须先通过全部测试，之后再比较面积和延迟的乘积。对功能生成来说，这种策略很合适，因为很多 RTL 错误具有局部可修复性，沿着高分路径深挖，往往能把接近正确的代码推到完全通过。更长的进化搜索又把结构从纯 output-stationary 推向 weight-output stationary hybrid，取消独立权重缓冲，改用直接权重插入和输入广播，延迟进一步降到 7

做 PPA 优化时，候选设计必须先通过全部测试，之后再比较面积和延迟的乘积。对功能生成来说，这种策略很合适，因为很多 RTL 错误具有局部可修复性，沿着高分路径深挖，往往能把接近正确的代码推到完全通过。更长的进化搜索又把结构从纯 output-stationary 推向 weight-output stationary hybrid，取消独立权重缓冲，改用直接权重插入和输入广播，延迟进一步降到 7

在真实的流片项目中，企业面对的是数以百万门计的庞大逻辑规模、高度复杂的跨时钟域问题、严苛的时序约束，以及绝对不能妥协的数据安全底线。如果发现结果不匹配，系统并不会把成百上千行的堆栈信息直接抛给主模型，而是通过解析器将波形文件转化为结构化的数据表格，精准定位到第一个发生信号不匹配的时间点，并将该时间点前后的局部信息提取出来，作为调试线索反馈给大模型。在传统的开发模式下，前端的架构设计大约需要投入15

在真实的流片项目中，企业面对的是数以百万门计的庞大逻辑规模、高度复杂的跨时钟域问题、严苛的时序约束，以及绝对不能妥协的数据安全底线。如果发现结果不匹配，系统并不会把成百上千行的堆栈信息直接抛给主模型，而是通过解析器将波形文件转化为结构化的数据表格，精准定位到第一个发生信号不匹配的时间点，并将该时间点前后的局部信息提取出来，作为调试线索反馈给大模型。在传统的开发模式下，前端的架构设计大约需要投入15

数据集按设计划分，训练、验证、测试比例为 80%、10%、10%，测试设计在训练和验证中从未出现。HGVC 一类方法已经能利用 CDFG 的节点类型和位宽信息，论文还为公平性加入了相同的输入节点初始化，但普通 GNN 仍难以追上 DR-GNN。右侧把静态图、输入序列和训练标签送进 DR-GNN，学习出的节点表示继续服务于分支预测、翻转率预测、功耗估计和断言预测。同一个电路，输入序列不同，分支可能走

Layout 侧使用 Netlist Graph，节点特征扩展到 96 维，包含 gate cell type、gate input pins、cell drive strength、fanout capacitance、fanout resistance、input slew、output slew 和 delay。这个图足够早，足够轻，但它看不见寄生参数。Table 3 中，无微调版本的 TN

它的关键想法是，把综合、仿真、布局布线和结果分析串成一个闭环，让大模型根据后端真实结果，继续反过来优化前面的综合过程。工程师会根据中间结果决定下一步做什么，是先回头改脚本，还是继续跑后端，是看波形，还是看版图。论文里专门指出，传统综合优化往往依赖较粗略的延迟估计，而这些估计和后端真实结果之间存在明显偏差，特别是在更复杂的设计条件下，这种差距会更加明显。真正重要的是，它说明这种“先有初始布局，再由强