用LLM做半导体设计，IBM&MIT提出受神经启发的LLM推理网络SOLOMON

编辑丨coisini

尽管大型 语言模型 （LLM）擅长复杂推理，但在适应特定领域时仍面临挑战，尤其是在需要空间推理和解决结构化问题的领域。半导体布局设计就是一个典型例子，AI 工具必须理解几何约束并确保组件的精确布局。

基于此，来自 IBM TJ 沃森研究中心和 MIT- IBM 沃森 人工智能 实验室的研究人员提出了一种受神经启发的 LLM 推理网络 ——SOLOMON，旨在增强领域特定的适应性。与传统方法不同，SOLOMON 采用多智能体推理系统，动态处理空间约束和几何关系。

论文地址：https://arxiv.org/pdf/2502.04384

SOLOMON 框架集成了思维评估机制，通过迭代优化输出，提高解决问题的准确性。SOLOMON 利用提示工程（prompt engineering）来引导 LLM 生成解决方案，使其能够以最少的重新训练适应半导体布局任务。

如下图所示，SOLOMON 架构受到两种理论的启发：类脑通用 人工智能 （Brain-like AGI）和自由能原理（Free Energy Principle, FEP）。

类脑通用 人工智能 启发研究团队利用多个大型 语言模型 （LLM）的思维池来发现最佳推理计划。研究团队还应用了自由能原理的核心观点，即人类注意力集中于最小化目标与 感知 之间的差异，从而选择相关信息并避免常见陷阱。

SOLOMON 的关键组件包括：

思维生成器（Thought Generators）：由一组多样化的大型 语言模型 （LLMs）组成，负责为目标任务生成多种思维。思维生成器通过「思维树（Tree-of-Thoughts）」构建了一个高效的并行搜索引擎，并作为思维评估器（Thought Assessor）的自适应检索增 强生 成（RAG）系统。

思维评估器（Thought Assessor）：一个基于 LLM 的系统，用于分析提出的「思维」以生成精炼的输出。它对思维生成器的输出进行上下文学习，并遵循自由能原理。

导向子系统（Steering Subsystem）：一个由人工操作的组件，用于控制思维生成器和思维评估器的注意力。

与微调不同，SOLOMON 架构无需持续重新训练，在专业应用中更为高效。

为了评估 SOLOMON 的有效性，研究团队在 25 个半导体布局任务上进行了实验，采用五个基线 LLM 进行了比较，包括 GPT-4o、Claude-3.5-Sonnet 和 Llama-3 等，旨在评估模型在生成几何结构时保持空间准确性的能力。SOLOMON 在减少运行时错误和扩展不准确性方面表现出改进，展示了更好的空间推理能力，提高了布局精度并减少了生成设计中的错误。

总的来说，SOLOMON 的一个关键优势在于其能够纠正几何设计中的 逻辑 不一致和 算术 错误。SOLOMON 为将 AI 应用于特定领域问题解决（尤其是半导体布局设计）提供了一种结构化且高效的方法。

感兴趣的读者可以阅读论文原文，了解更多研究内容。

相关报道：https://www.marktechpost.com/2025/02/16/this-ai-paper-from-ibm-and-mit-introduces-solomon-a-neuro-inspired-reasoning-network-for-enhancing-llm-adaptability-in-semiconductor-layout-design/