Rule2DRC: Evaluación comparativa de agentes LLM para la síntesis de scripts DRC con generación de pruebas guiada por ejecución

El diseño de circuitos integrados modernos exige cumplir con miles de reglas geométricas que garantizan la fabricabilidad de cada capa. Tradicionalmente, los equipos de verificación traducen estas reglas escritas en lenguaje natural a scripts DRC (Design Rule Check) mediante herramientas propietarias, un proceso que consume tiempo y requiere un conocimiento profundo tanto del dominio físico como de la sintaxis específica de cada motor de verificación. La aparición de agentes basados en modelos de lenguaje (LLM) ha abierto la posibilidad de automatizar esta síntesis, pero hasta ahora la comunidad carecía de un marco de evaluación robusto que midiera la corrección funcional de los scripts generados, no solo su similitud sintáctica con ejemplos de referencia. Esta limitación se ha abordado recientemente con la propuesta de Rule2DRC, un benchmark a gran escala que plantea mil tareas de traducción regla-script y proporciona más de trece mil diseños de prueba para validar la ejecución real de cada script sobre layouts reales. En lugar de depender de que el agente reciba los diseños como entrada, el pipeline de evaluación ejecuta los scripts generados sobre esa batería de layouts y puntúa su resultado en función del error o acierto en la detección de violaciones. Este enfoque permite una medida objetiva de la capacidad del agente para generar código funcionalmente correcto, y no simplemente código que se parezca a un ejemplo. Complementariamente, los autores introducen SplitTester, un agente evaluador que, partiendo del feedback de ejecución, diseña casos de prueba discriminantes capaces de separar scripts que hasta ese momento parecían equivalentes. Esta técnica mejora significativamente la selección Best-of-N en el dominio de scripts DRC, un problema donde pequeñas diferencias en la lógica pueden provocar falsos positivos o negativos en la verificación del chip. Desde una perspectiva más general, el desafío que enfrenta Rule2DRC es análogo al que encontramos en otros ámbitos donde las especificaciones en lenguaje natural deben convertirse en código ejecutable y verificable. En nuestra experiencia en Q2BSTUDIO, trabajamos constantemente con organizaciones que necesitan transformar requisitos de negocio en aplicaciones a medida que integren lógica compleja, reglas de validación y flujos de datos. La capacidad de un agente IA para interpretar una especificación y generar software que pase pruebas funcionales no es solo un tema de investigación, sino una realidad que ya estamos aplicando en proyectos de inteligencia artificial para empresas, donde combinamos modelos de lenguaje con pipelines de verificación automatizada. Del mismo modo, la generación de pruebas discriminantes guiadas por ejecución tiene paralelismos con las estrategias que empleamos en servicios cloud AWS y Azure para validar despliegues de infraestructura, y en soluciones de ciberseguridad donde cada script de hardening debe ser evaluado contra entornos reales para evitar configuraciones inseguras. La integración de agentes IA en procesos de verificación no se limita al diseño de chips; también puede aplicarse a la automatización de controles en plataformas de business intelligence, como Power BI, donde las reglas de calidad de datos escritas en lenguaje natural pueden traducirse a consultas DAX o M que luego se validan contra conjuntos de datos de prueba. En todos estos casos, el verdadero valor reside en la capacidad de medir la corrección funcional del código generado, no solo su apariencia, y en disponer de mecanismos de selección que, como SplitTester, sepan distinguir entre implementaciones aparentemente equivalentes pero funcionalmente dispares. La evolución hacia sistemas de verificación asistidos por inteligencia artificial promete reducir drásticamente el tiempo de desarrollo de scripts DRC y, por extensión, de cualquier otro tipo de software basado en reglas, siempre que contemos con benchmarks que evalúen la ejecución real y no la similitud superficial. En Q2BSTUDIO, entendemos que la ingeniería de software a medida debe apoyarse en metodologías de verificación tan rigurosas como las que propone Rule2DRC, y por eso integramos herramientas de testing automatizado y validación continua en todos nuestros desarrollos. La combinación de agentes LLM con pipelines de ejecución sobre datos reales es un camino que ya estamos recorriendo, y que sin duda marcará la próxima generación de herramientas de automatización de procesos.