首页名家专栏胡独巍写得太好了！建议所有做芯片设计的科研人员都去学一下，AI4EDA太关键了！

写得太好了！建议所有做芯片设计的科研人员都去学一下，AI4EDA太关键了！

2026-11-07 21

AI4EDA是将人工智能技术（尤其是机器学习、深度学习和强化学习）应用于电子设计自动化（EDA）的前沿交叉领域，旨在应对后摩尔时代集成电路设计复杂度爆炸、设计周期长、人力依赖强等核心挑战。在具体应用中，AI已广泛渗透芯片设计的全流程：在逻辑综合与高层优化中，利用图神经网络学习门级网表的时序特征，并通过强化学习自动选择最优综合策略；在布局布线环节，深度强化学习可端到端学习宏单元摆放策略，卷积神经网络用于预测布线拥塞与时序违例，显著超越传统启发式算法；在时序与功耗分析中，机器学习回归模型替代高成本的SPICE仿真，实现10-100倍的快速分析；物理验证方面，图神经网络与变分自编码器能够高效检测版图热点并自动生成符合设计规则的修正方案；此外，AI还应用于参数化器件建模、设计空间探索与EDA超参数自动调优等方向。当前，Google的AlphaChip、Synopsys、Cerebrus、Cadence的AI驱动DRC等成果已证明，AI辅助设计可将功耗-性能-面积指标提升15%以上，同时将设计周期从数周压缩至数小时。近几年来，AI4EDA是在学术圈和工业界愈发引人注目，相关成果持续发表于DAC、ICCAD、TCAD等顶会顶刊，是学术创新与产业落地兼具的黄金研究方向。

001

专题目标

1.掌握Python编程技能和深度学习方法

掌握深度学习的理论、框架和模型，训练AI实战能力，包括常用的神经网络类型、Vim文本编辑能力、Python编程以及Pytorch神经网络框架，为AI在EDA领域的应用奠定扎实的能力基础。

2.熟悉集成电路设计自动化EDA流程

熟悉集成电路设计自动化EDA在芯片设计流程中各个阶段的应用，了解常用EDA算法的基本原理，能用Python实现基本的EDA算法，并通过本课程发现AI在EDA领域的应用机会点，为后续科研找到方向。

3.熟悉AI在芯片APR过程中的应用

熟悉芯片物理设计，即布局、时钟树综合和布线（APR）的具体流程和相关算法，并了解AI在APR过程中的应用场景和经典论文，学习AI在APR算法中的经典应用案例，并在上机实验中进行复现，对AI在EDA领域中的应用有深入的认识

4.掌握AI用于EDA建模的能力

能够使用AI模型对EDA领域的问题进行建模，通过集成电路 EDA 设计精英挑战赛的实战赛题，实际了解企业在AI4EDA领域的真实需求和难点问题，并在上机实验中学习如何使用AI算法对EDA领域的问题进行建模，为工作积累项目经验。（专题提供服务器使用）

讲师介绍

本课程主讲老师来自国内985重点高校，拥有两年海外留学经历，集成电路EDA电路设计自动化研究方向，参与多项国家自然科学基金面上项目。熟悉深度学习方法和EDA算法及相关软件的使用，具有丰富的编程经验和EDA工具使用经验，对深度学习方法应用于EDA物理设计流程有深入的研究和优秀的成果，参加了2022/2023/2024年集成电路 EDA 设计精英挑战赛，并在EDA领域期刊上发表了数篇论文。

本课程深入介绍了深度学习在EDA领域的众多应用，授课内容丰富。通过此次课程，学员能够快速上手深度学习方法，包括图神经网络、强化学习等，并掌握Python编程和Pytorch深度学习框架等代码能力。本课程覆盖了绝大多数AI在EDA领域的应用场景，安排了较多的上机实验，提供大量相关代码与示例教程，包括DreamPlace、OpenROAD和集成电路EDA 设计精英挑战赛的实战赛题等，帮助学员熟悉各种AI for EDA方法的使用，快速复现顶刊论文结果，从而对AI for Science在EDA方面的应用有更加深入的了解。

专题大纲

第一部分：EDA集成电路设计自动化和Python编程

核心目标：

（1）建立EDA与AI4EDA全局认知：熟悉芯片从Spec到Tape Out的完整设计流程，掌握后端物理设计（RTL到GDSII）的各阶段任务，理解AI技术在EDA领域的优势与发展脉络。

（2）熟练搭建高效开发环境：掌握Linux系统常用命令、Vim文本编辑器、iTerm/Xshell终端及Anaconda环境管理工具，学会使用超算服务器与Slurm作业调度系统。

（3）掌握数据科学与可视化开发基础：熟练运用Python语言基础、PyCharm及Jupyter Notebook IDE，并能使用Numpy、Pandas、Matplotlib等库完成数据处理与结果可视化。

（4）具备经典EDA划分算法编程能力：理解网表切分（Partition）机制，能够独立用Python编写实现Kernighan-Lin（KL）和Fiduccia-Mattheyses（FM）超图分割算法。

理论内容

(1)课程引言

①EDA设计自动化的基本概念

②AI4EDA——深度学习在EDA领域的应用和优势

③课程内容安排和参考资料

(2)芯片设计的流程和EDA的应用

①芯片设计的流程——从Spec到Tape Out

②EDA的历史和发展脉络

③EDA工具在后端物理设计中的应用——从RTL到GDSII

(3)AI4EDA的发展历程和概况

(4)Python编程基础

①Python编程语言介绍

②Python编程的优势

③常用的Python库——Numpy、Matplotlib和Scipy等

(5)Python编程实现超图分割算法

①超图分割算法应用于网表切分partition

②超图分割算法——从 Kernighan-Lin algorithm算法到Fiduccia-Mattheyses Algorithm

上机实验

(1)Linux系统的常用命令

①命令行终端软件——iTerm和Xshell

②ls/ll/cd/cp/mv/cat/pwd/less/tail/mkdir/touch等命令行操作

③vim文本编辑

(2)Python环境管理软件Anaconda的使用

①使用Conda命令创建环境、安装Python库

②使用Conda命令管理环境和环境的回溯

(3)Python编程语言基础和集成开发环境(IDE)的介绍

①数据类型、函数、类和对象、模块

②Pycharm软件的使用和常见用法

③Jupyter Notebook的使用

(4)Python实战

①条件语句，循环语句等

②Numpy数学运算库

③Pandas数据分析库

④Matplotlib数据可视化

(5)超算服务器和Slurm作业调度系统的使用

(6)Python进阶——使用Python实现Kernighan-Lin algorithm和Fiduccia-Mattheyses Algorithm超图分割算法

①KL/FM算法介绍和在EDA领域的应用

②KL算法的Python实现和效果展示

③FM算法的Python实现和效果展示

第二部分：AI4EDA——深度学习方法、Pytorch编程和TCAD仿真加速

核心目标

(1)融会贯通深度学习核心理论：深入理解神经网络基本结构、激活函数、前向/反向传播原理及万能近似定理，掌握FNN、CNN、RNN、GNN及ResNet残差网络的设计思想。

(2)掌握PyTorch框架全流程开发：熟练运用PyTorch进行张量计算、自动微分（Autograd）、GPU并行加速与模块化网络搭建，掌握深度学习模型的训练、调参及精度评估。

(3)掌握电路网表图建模与特征提取：学会利用NetworkX将电路网表转化为图结构数据，运用图神经网络（GNN）提取结构特征并预测电路对称性等性质。

(4)具备AI加速TCAD器件建模的实战能力：结合自动微分与前馈神经网络（FNN），针对NMOS/PMOS电学性质建模，并在EDA设计精英挑战赛实战中完成器件模型构建与工艺参数优化。

课程内容

(1)深度学习基本理论

①人工神经网络与万能近似定理

②神经元的基本结构与功能

③常见的激活函数及其特点

④前向传播与反向传播的基本原理

(2)深度学习的发展历程和优势

①神经网络的发展历程：从全连接到深度学习大模型

②神经网络的常见分类：FNN、CNN、RNN和GNN

③深度神经网络入门——以ResNet残差神经网络为例

④常用的深度学习库——Pytorch简介

(3)AI4EDA初探——面向 TCAD 仿真的通用器件模型算法和实现

①TCAD仿真和器件建模的背景

②深度学习的梯度计算和Pytorch自动微分

③深度学习用于构造NMOS/PMOS器件模型和工艺参数优化

上机实验

(1) Pytorch深度学习框架

①Pytorch的安装和调用GPU训练模型

②Pytorch的基本功能与模块化设计

③Pytorch和Numpy对比

④使用Pytorch搭建简单的神经网络模型

⑤神经网络的训练流程

(2)深度学习项目实践Toy Project：ResNet残差网络用于手写数字识别

①手写数据集的准备

②ResNet模型的训练、测试和评估

③深度学习模型训练的超参数设置和调参

(3)图神经网络实战——使用GNN对网表进行建模、特征提取和性质预测

①NetworkX库介绍

②网表转化为图结构数据过程讲解

③使用图神经网络对电路对称性进行预测

(4)2022年集成电路 EDA 设计精英挑战赛赛题实战：面向 TCAD 仿真的通用器件模型算法和实现

①赛题背景和要求

②基于前馈神经网络FNN和跨导概念对NMOS/PMOS电学性质进行建模

③Pytorch的神经网络自动微分功能

④深度学习模型的训练、推理和精度评估

第三部分：AI4EDA——APR Placement布局算法

核心目标：

(1)深刻理解后端物理设计与布局理论：掌握APR流程中的静态时序分析（STA）、形式验证（FM）、LVS及时序收敛概念；掌握布局（Placement）在Global与Detailed阶段的核心优化目标（HPWL线长、拥塞度、PPA）及评估模型。

(2)掌握传统布局求解算法与代码实现：理解Min-Cut、模拟退火（SA）及解析法布局原理；能够使用Python动手实现基于模拟退火算法的Macro Placement布局器。

(3)掌握图卷积（GCN）与强化学习（RL）前沿应用：理解图卷积消息传递机制，掌握强化学习（DQN）机制；深入学习AlphaChip（Nature 2021）、扩散模型布局（PMLR 2025）等前沿论文。

(4)具备强化学习与开源AI布局工具实战能力：使用PyTorch实现DQN解决控制任务，并掌握现代基于深度学习的高性能布局工具DREAMPlace的源码解读、环境部署及实际测试。

课程内容

(1)后端物理设计流程简介

①Netlist Partition、Chip Planning、Pin Assignment和Powerplan规划

②Placement、CTS和Route（APR）

③形式验证FM和版图一致性验证LVS

④静态时序分析STA、时序收敛和电源完整性PI

⑤时序的基本概念：建立时间和保持时间

(2)芯片Placement的过程——从global placement到detailed placement

①芯片布局的目标——线长、拥塞度和PPA

②线长评估模型：HPWL半周线长和RMST最小生成树

③时序评估模型：Elmore模型和查找表LUT

④Global placement——粗粒度全局布局

⑤Detailed placement——细粒度详细布局

(3)Placement相关算法

①Min-Cut最小隔算法

②基于模拟退化SA算法的全局布局方案

③基于解析法的布局方案：仿电场、密度和时序

④布局问题的求解——基于梯度下降的数值求解算法

(4)图卷积神经网络

①图数据结构和图卷积神经网络简介

②图神经网络应用于电路和网表建模

③深入理解图卷积——消息传递过程

④图卷积和图像卷积的区别

(5)强化学习简介

①强化学习的基本思想：智能体、环境、动作、奖励和状态

②强化学习的机制和DQN算法

③强化学习的应用场景和在EDA领域的应用

(6)深度学习用于芯片Placement布局优化

①基于扩散模型的Macro Placement方案（PMLR 2025）

②Google AlphaChip：最早用于芯片布局的深度强化学习方案（Nature 2021）

③DREAMPlace：基于深度学习的VLSI布局工具（ICCAD 2023）

④RL_PCB：基于强化学习的板级布线算法（DATE 2024）

上机实验

(1)Python编程实现基于模拟退火的Placement算法

①模拟退火原理讲解

②基于模拟退火的Macro Placement算法

③Python代码编写和效果测试

(2)强化学习实战——DQN应用于倒立摆CartPole-v1任务

①DQN原理解读

②Pytorch编程实现利用强化学习框架解决倒立摆CartPole-v1问题

③模型训练和效果展示

(3)DREAMPlace：基于深度学习的VLSI布局工具（ICCAD 2023）

①DREAMPlace源码讲解

②DREAMPlace的安装和部署

③DREAMPlace的使用和测试

第四部分：AI4EDA——APR CTS时钟树综合算法

核心目标：

(1)理清芯片时钟树综合（CTS）的核心机制：掌握片上时钟产生机制、skew（偏斜）、latency（延迟）、 useful skew等关键概念，明确Cluster（聚类）与Balance（平衡）阶段的优化目标（DRC、Timing）。

(2)掌握经典CTS算法与Python复现：理解K-means聚类、Steiner树/FLUTE布线算法及DME延迟平衡算法；能使用Python动手实现基于DME算法的时钟树Buffering与Balance过程。

(3)掌握生成式与图神经网络在时序预测中的应用：理解GAN在时钟树优化（TCAD 2022）、GNN在时序预测（DAC 2022）及开源iCTS框架的技术路线，掌握华为τ定律与逻辑折叠等进阶概念。

(4)具备开源物理设计工具与顶会论文复现能力：掌握开源EDA工具OpenROAD及其TritonCTS引擎的使用；能够基于PyTorch完整复现DAC 2022顶刊论文中的图神经网络时序预测全流程。

课程内容

(1)片上时钟和时钟树简介

①时钟的产生和时钟源

②时钟树的基本概念：skew和latency

③时钟树的结构和作用

(2)芯片CTS时钟树综合的过程——从Cluster到Balance

①CTS的目标——clock latency、skew、DRC和timing

②Cluster过程——寄存器聚类、DRC和时钟树构造

③Balance过程——时钟树打平和结构优化

(3)CTS的相关算法和进阶概念

①寄存器分组和聚类：K-means和层次聚类

②延迟平衡：Balance和DME算法

③时钟布线：Steiner树和FLUTE算法

④零偏斜树ZST、有界偏斜树BST和有用偏斜useful skew

(4)深度学习应用于时钟树综合和开源的CTS框架

①生成对抗网络GAN应用于时钟树预测和优化（TCAD 2022）

②图神经网络应用于时序预测（DAC 2022）

③iCTS框架（TCAD 2025）

(5)进阶内容：华为定律和逻辑折叠

上机实验

(1)Python编程实现DME延迟平衡算法

①基于DME的时钟树buffering和balance过程

②Python代码编写和效果测试

(2)OpenROAD

①OpenROAD软件的安装

②TritonCTS——OpenROAD的CTS引擎介绍

③在OpenROAD上运行CTS任务

(3)论文复现：基于图神经网络的时序预测方法（DAC 2022）

①数据集下载和预处理

②Pytorch编写图神经网络和代码解读

③图神经网络的训练和时序预测

第五部分：AI4EDA——APR Route绕线算法、逻辑综合和芯片电源完整性

核心目标：

(1)掌握绕线（Route）与逻辑综合基础理论：掌握从Global Routing到Detailed Routing的优化目标，理解Maze-Routing、A*搜索（PathFinder）及整数线性规划（ILP）算法原理。

(2)掌握AI算法在绕线与综合中的应用：学习AI预测可布性（RouteNet）、异步强化学习搜索绕线顺序及DR-Guide生成式AI框架；理解深度强化学习在逻辑综合（DRiLLS）中的应用。

(3)掌握Transformer架构与生成式AI建模：深入理解Transformer机制与Self-Attention原理，并能够使用PyTorch独立搭建与实现Transformer网络架构。

(4)具备电源完整性（IR Drop）预测实战与布线器开发能力：用Python实现基于DFS/BFS/A*算法的迷宫布线器；在EDA设计精英挑战赛实战中，提取SoC版图特征，并使用PyTorch搭建基于Inception+U-Net的深度卷积网络，实现静态压降（IR drop）的高精度预测。

课程内容

(1)芯片绕线routing过程：从global routing到detailed routing

①芯片布线基本概念：pitch、track、layer和线长

②芯片布线的优化目标——总线长、DRC、SI和PPA

③Global routing——G-cell和全部布线

④Detailed routing——详细布线

(2)Routing的相关算法

①Maze-Routing algorithm——基于图的迷宫算法

②基于A* 搜索的PathFinder算法

③整数线性规划算法求解routing问题

(3)深度学习应用于芯片绕线和开源的绕线算法

①RouteNet——AI应用芯片可布线性预测的经典工作（ICCAD 2018）

②异步强化学习框架应用于详细布线的线网顺序探索（DATE 2021）

③DR-Guide——应用于详细布线的生成式AI框架（MLCAD 2025）

(4)深度学习应用于芯片电压降IR drop预测

①芯片电源完整性和IR drop简介

①IR drop预测相关的文献和深度学习建模方法

②深度卷积神经网络应用于芯片建模和电压降预测

③GoogleNet和Inception模块

(5)深度学习应用于逻辑综合Logic Synthesis

①逻辑综合的基本概念

②DRiLLS——深度强化学习用于逻辑综合（ASP-DAC 2020）

(6)Attention is All You Need——Transformer模型

①Transformer原理讲解

②Transformer架构在AI模型中的应用

上机实验

(1)Python编程实现一个简单的布线器

①Maze routing算法介绍

①Python编程实现基于深度优先搜索、广度优先搜索和A*算法的布线器

②布线算法效果测试和可视化

(2)OpenROAD实战

①TritonRoute——OpenROAD的route引擎介绍

②使用OpenROAD实现布线任务

(3)Transformer实战

①Transformer原理介绍

②Pytorch实现Transformer架构

(4)2024年集成电路 EDA 设计精英挑战赛赛题实战：基于机器学习的 SoC 电源网络静态压降预测

①芯片版图特征提取和建模；

②Pytorch编程实现Inception模块

③Pytorch搭建基于Inception模块的U-net模型

④模型的训练、推理和预测精度

写得太好了！建议所有做芯片设计的科研人员都去学一下，AI4EDA太关键了！

免责声明：本文采摘自“老虎说芯”，仅代表作者观点，如有侵权或异议请联系我们删除。

HBF 到底是什么？把 NAND 做成“高带宽内存”，Sandisk 想解决 AI 推理的容量墙

没有了

写得太好了！建议所有做芯片设计的科研人员都去学一下，AI4EDA太关键了！

客服QQ2635709730

客服QQ
2635709730