현대 ASIC 설계는 점점 더 복잡해지고 있어 설계 비용을 증가시키고 기존 EDA 도구로부터의 생산성 향상 효과를 제한하고 있습니다. 수십 년간의 발전에도 불구하고, 현재 도구들은 고정된 휴리스틱에 의존하며 도구 하이퍼파라미터를 통한 제어 범위가 제한적이어서, 수용 가능한 결과 품질(QoR)을 달성하기 위해 광범위한 수동 튜닝이 필요합니다. 이전 연구들은 학습 기반 최적화와 설계 특화 하이퍼파라미터 튜닝을 탐구해 왔지만, 이러한 접근법들은 정적 도구 알고리즘 구현의 제약 내에서 작동하며 기본 알고리즘을 개별 설계에 맞게 적응시키지 않습니다. 이 한계를 해결하기 위해, EDA 도구의 내부 알고리즘이 주어진 설계의 특성에 자동으로 특화되도록 하는 '설계 적응형 (design-adaptive) EDA 툴링' 개념을 소개합니다. 우리는 이 패러다임을 GR-Evolve라는 코드 진화 프레임워크를 통해 구현했는데, 이 프레임워크는 QoR 기반 피드백을 사용하여 에이전트 대형 언어 모델 (LLM) 을 활용하여 전역 라우팅 소스 코드를 반복적으로 수정합니다. 이 프레임워크는 오픈소스 전역 라우터에 대한 영구적인 컨텍스트 지식과 OpenROAD 인프라 내에서 QoR 평가를 위한 통합 툴체인을 LLM 에 제공합니다. 우리는 GR-Evolve 를 세 가지 기술 노드의 벤치마크 설계 7 개를 대상으로 평가하여, 기존 베이스라인 라우터 대비 상세 라우팅 후 와이어 길이 (wirelength) 가 최대 8.72% 감소함을 입증함으로써, LLM 기반 EDA 코드 진화가 설계 적응형 전역 라우팅에 있어 갖는 잠재력을 강조합니다.