AI for EDA：芯片设计自动化的智能化变革

芯片设计是人类工程史上最复杂的活动之一：一颗先进制程的 SoC 集成上百亿个晶体管，从逻辑综合、布局布线到时序收敛、物理验证，每一步都是 NP 难的组合优化问题。EDA（电子设计自动化）工具几十年来靠启发式算法撑着——模拟退火、遗传算法、各种精心调过的搜索策略。但工艺节点越往前走，设计空间爆炸得越厉害，传统启发式越来越吃力，一个布线任务跑几天是常事。2020 年 Google 用强化学习做宏单元布局的工作登上 Nature 之后，"AI for EDA"从一个学术方向变成了产业共识。本文梳理 AI 在 EDA 各环节的应用现状和背后的技术思路。

EDA 流程与 AI 的切入点

数字芯片后端流程大致是：逻辑综合把 RTL 转成门级网表，布局把宏单元和标准单元摆到芯片平面上，时钟树综合分配时钟网络，布线连接所有引脚，最后做时序、功耗、可制造性签核。每个环节都对 AI 敞开怀抱，但切入方式不同：

• 布局（Placement）：决定上百万个单元的摆放位置，目标是最小化线长、拥塞，同时满足时序约束。这是强化学习和 GNN 的主战场；
• 布线预测（Routability Prediction）：布线本身太贵，先用模型快速预测一个布局方案的可布线性，把不可行的方案提前毙掉；
• 设计空间探索（DSE）：架构参数（缓存大小、流水线深度、频率目标）的组合搜索，贝叶斯优化和主动学习用得最多；
• 良率与功耗预测：在设计早期估算制造良率和功耗分布，属于典型的回归建模问题。

布局布线：强化学习的成名战

Google 的 Chip Placement 工作（后来开源为 Circuit Training）把整个问题建模成马尔可夫决策过程：状态是当前芯片画布上已放置的宏单元和网表，动作是把下一个宏单元放到网格的某个位置，奖励是最终线长、拥塞度、密度的加权组合。策略网络用图神经网络编码网表的连接关系——网表天然就是图，单元是节点、连线是边，GNN 的消息传递正好捕捉"这两个模块连得多就该放得近"这种结构信息。

用 GNN 编码网表的基本骨架如下：

import torch
import torch.nn as nn
from torch_geometric.nn import GCNConv

class NetlistEncoder(nn.Module):
    """把网表(单元为节点, 连线为边)编码成图级向量"""
    def __init__(self, in_dim, hidden=128):
        super().__init__()
        self.conv1 = GCNConv(in_dim, hidden)
        self.conv2 = GCNConv(hidden, hidden)
        self.proj = nn.Linear(hidden, hidden)

    def forward(self, x, edge_index, batch):
        h = self.conv1(x, edge_index).relu()
        h = self.conv2(h, edge_index).relu()
        # 按图聚合节点特征得到整图表示
        from torch_geometric.nn import global_mean_pool
        g = global_mean_pool(h, batch)
        return self.proj(g)

class PlacementPolicy(nn.Module):
    """RL 策略网络: 图表示 + 候选位置 -> 放置动作概率"""
    def __init__(self, graph_dim=128, grid=64):
        super().__init__()
        self.head = nn.Sequential(
            nn.Linear(graph_dim, 256), nn.ReLU(),
            nn.Linear(256, grid * grid),
        )

    def forward(self, graph_vec):
        logits = self.head(graph_vec)   # 展平的网格位置分布
        return torch.softmax(logits, dim=-1)

真正值得工程师注意的不是 RL 本身，而是它学到的策略可以跨设计迁移：在一个芯片项目上训练的策略，换一个新网表微调几小时就能用，而传统退火每次都要从零开始搜。这击中了 EDA 最大的痛点——计算成本随设计复杂度线性甚至超线性增长。

设计空间探索与预测模型

相比布局这种"重决策"问题，DSE 和各类预测任务更轻量，也更容易在现有流程里插进去。

DSE 的典型场景是：有几十个可调参数，每评估一个参数组合要跑几小时仿真。这正是贝叶斯优化的主场——用高斯过程代理模型拟合目标函数（PPA：性能、功耗、面积），用采集函数（EI、UCB）平衡探索与利用，几十次评估就能找到接近最优的区域，比网格搜索省一两个数量级的仿真。工业界普遍反馈，在架构探索阶段引入代理模型能把探索周期从月压缩到周。

预测类任务里做得最成熟的是布线拥塞预测和 IR Drop 预测。把布局结果栅格化成特征图（单元密度、引脚密度、线长估计），用 CNN 或 U-Net 回归出热点图，几分钟内给出结果，替代原来要跑数小时的实际布线。模型预测不准没关系，它的价值在于快速排序——把明显会出问题的方案提前过滤掉，让昂贵的真实布线只跑在有希望的候选上。

各环节的 AI 方法对比：

| EDA 环节 | 传统方法 | AI 方法 | 成熟度 | | --- | --- | --- | --- | | 宏单元布局 | 模拟退火、力导向 | GNN + 强化学习 | 已有生产案例 | | 布线拥塞预测 | 全局布线试跑 | CNN/U-Net 热点回归 | 较成熟 | | 设计空间探索 | 网格/随机搜索