SKILL: agente combina GPT-4o, Claude e Gemini para otimização de circuitos
Novo agente coordena três LLMs com reforço por aprendizado para resolver problemas complexos de síntese lógica
O que aconteceu
Em 12 de junho de 2026, um artigo publicado no arXiv apresentou o SKILL (Self-correcting Knowledge-guided Iterative Large Language Model Agent), um agente de IA para otimização de síntese lógica. O sistema coordena três LLMs especializados: GPT-4o para planejamento estratégico, Claude Sonnet 4 para raciocínio detalhado e Gemini 2.5 Pro para análise eficiente. A esses se soma um agente de aprendizado por reforço baseado em PPO, que interage diretamente com ferramentas de síntese.
Nos benchmarks IWLS, OpenCores e EPFL, o SKILL obteve melhoria de 12,4% no PDA (Power, Delay, Area) comparado a fluxos projetados por especialistas. A taxa de sucesso chegou a 86,3% em circuitos com até 500 mil portas lógicas.
O que diferencia o SKILL é seu módulo de auto-correção: ele monitora o feedback do ambiente (métricas PDA), detecta comportamentos subótimos e aciona estratégias de recuperação guiadas pelos LLMs.
Contexto
Otimização de síntese lógica é um dos problemas mais difíceis em design de chips. O espaço de busca cresce exponencialmente, os sinais de recompensa são escassos e as estruturas lógicas variam enormemente. Fluxos tradicionais projetados por especialistas não se adaptam bem a diferentes contextos. Métodos baseados em reforço por aprendizado, por sua vez, sofrem com baixa eficiência de amostras e dificuldade de interpretação.
O SKILL propõe unir o melhor dos dois mundos: a flexibilidade do raciocínio em linguagem natural com a capacidade de aprendizado interativo do reforço. A coordenação de múltiplos LLMs — cada um com um papel específico — tenta superar as limitações de usar um único modelo.
Por que importa
Otimização de síntese lógica impacta diretamente o desempenho, consumo de energia e custo de chips. Um chip mal otimizado consome mais energia, é mais lento e ocupa mais área em silício. Melhorias nesse estágio do fluxo de design se traduzem em ganhos reais em produtos que vão de smartphones a servidores de data center.
Para empresas de semicondutores, uma melhoria de 12,4% em PDA pode representar economia de milhões de dólares em produção e vantagem competitiva. Para pesquisadores, a abordagem multi-LLM abre caminho para sistemas de IA mais robustos em tarefas de engenharia complexas.
Impacto
No curto prazo, o SKILL demonstra que coordenar múltiplos LLMs com papéis definidos pode ser mais eficaz que depender de um único modelo. O módulo de auto-correção, que detecta e corrige comportamentos subótimos, é uma contribuição que pode influenciar outros sistemas de IA autônomos.
No médio prazo, a integração de LLMs com ferramentas de síntese existentes pode acelerar o ciclo de design de chips. A capacidade de operar com sistemas de até 500 mil portas lógicas sugere escalabilidade, embora chips modernos tenham bilhões de portas.
O que muda
A abordagem desafia a ideia de que otimização de hardware precisa de soluções monolíticas. Em vez de um modelo grande tentando resolver tudo, o SKILL distribui tarefas entre modelos especializados. Isso pode se tornar um padrão para problemas de engenharia que exigem diferentes tipos de raciocínio.
O uso de GPT-4o, Claude e Gemini no mesmo sistema também mostra que interoperabilidade entre LLMs de diferentes empresas é viável e produtiva.
O que vem agora
O artigo está em fase inicial de divulgação (publicado no arXiv em 12 de junho de 2026). Os próximos passos incluem validação independente dos resultados, testes em circuitos maiores e possíveis adaptações para outros problemas de design de chips, como verificação formal ou placement and routing.
Não há informação sobre disponibilização do código ou parceria com empresas de EDA (Electronic Design Automation) até o momento.