대규모 언어 모델 (LLM) 에이전트는 수정, 합성, 그리고 PPA 분석을 반복함으로써 레지스터 전송 레벨 (RTL) 설계의 전력, 성능 및 면적 (PPA)을 최적화하며, 매 LLM 호출마다 1달러의 비용이 발생합니다. 기존의 에이전트들은 정규화된 비용 없이 도달한 품질만을 보고하거나, 해당 품질의 원인을 설계된 교차 설계 메모리 (cross-design memory) 덕분으로 돌리며, 모든 호출의 추론 노력 (reasoning effort)을 고정된 상태로 유지합니다. 우리는 이에 대응하는 세 가지 혁신을 담은 Ares를 제안합니다. (1) 우리는 성능 지표 (FoM)와 함께 보고되는 LLM 호출당 정규화된 달러 비용을 도입하여, 노력 수준과 최적화 도구 간의 공정한 비교를 가능하게 합니다. (2) 이러한 회계 방식을 사용했을 때, 장기 메모리 (long-term memory)의 구축은 거의 중요하지 않다는 것을 발견했습니다. 설계된 메모리는 동일한 경험을 단순히 이어 붙인 것보다 신뢰할 수 있는 이득을 주지 못합니다. (3) 대신 우리는 21개의 학습 설계에 맞춰진 인내심 카운터 (patience counter)를 통해, 낮은 노력 수준에서의 진전이 정체될 때만 더 깊은 추론으로 격상함으로써 호출당 추론 노력을 적응시킵니다. 이는 모든 반복 과정에 균등하게 배분하는 대신, 이득이 발생하는 곳에 추론을 할당합니다. 학습 과정에서 보지 못한 세 가지 테스트 설계에 대해, 이 노력 정책은 동일한 정규화된 비용에서 최적의 고정 노력이 16-23%의 FoM을 달성할 때 FoM을 23-27% 낮춥니다. Ares는 LLM이 초안을 작성한 곱셈-누산 유닛 (multiply-accumulate unit)과 고도로 수동 최적화된 대응물 사이의 격차를 최대 83%까지 메우며, 최첨단 기술인 Dr. RTL 대비 12%의 토큰만으로 25% 더 깊은 FoM에 도달합니다.