人工智能与电子设计自动化新方向深度研究

# 国产EDA破局之困：人才短缺、时间压力与资金不足三大挑战 EDA（电子设计自动化）工具，核心是以软件将芯片设计从过去的图纸手绘转变为如今“模块组合加代码编写”的智力活动。作为集成电路产业的基石，这一领域长期被美国三大巨头——Synopsys、Cadence和西门子（原Mentor）主导，全球市占率超64%。近期美国宣布对华断供EDA，使本就艰难的国产EDA发展雪上加霜。智源社区专访了北京大学集成电路学院助理教授、特聘研究员林亦波，围绕他的研究经历及对国产EDA的思考展开深入探讨。 林亦波博士2013年于上海交通大学获得学士学位，2018年在美国德克萨斯大学奥斯汀分校取得电子与计算机工程博士学位，长期聚焦集成电路设计自动化（EDA）及机器学习辅助EDA等领域。至今已发表论文100余篇，6次荣获EDA领域旗舰会议与期刊的最佳论文奖，涵盖DAC 2019、TCAD 2021、DATE 2022等。 ## 从电路仿真器到EDA研究之路 说起踏入EDA领域的契机，还要回溯到本科阶段。在上海交通大学攻读微电子专业期间，C++、数据结构与算法等课程让他颇为吃力，一度对编程产生排斥。后来选修了“设计自动化引论”课程，要求自主编写一个电路仿真器。这项任务当时颇具挑战——整个学期几乎每周周末都在应对这个大型作业。完成之后，他拥有了一款带图形界面的仿真器，并在此过程中逐步感受到写代码的乐趣。那个属于他自己的EDA小工具，既能辅助电路分析，又兼具趣味与实用性。正是这一小工具，将他引向了EDA的研究方向。 ## 模拟电路版图的“折腾”与转型 申请出国时，他在EDA与模拟电路设计两个方向间犹豫。大四的毕业设计让他彻底放弃了模拟电路设计——那实在是一段难忘的经历。模拟电路设计除电路仿真验证依靠EDA工具外，搭电路、画版图全部依赖手工，极其耗费时间与精力。记得当时与一位同学合作画版图，LVS检查报错，找了数周未能定位，最后发现是将电源接地，折腾得苦不堪言。如今他团队中有一个研究方向正是模拟电路设计自动化，目标是将版图工程师从这种繁琐劳动中解放出来。 进入德克萨斯大学奥斯汀分校（UT）后，他选择了EDA方向。拜访导师David Pan时，导师说：“你先来上我的课，证明你有足够的竞争力，再决定是否让你进组。”那一年他参加了一项EDA比赛，取得第五名，导师认为尚可，便留下了他。比赛题目是芯片布局，这也成为他博士及博后期间的主要研究方向。之后他又在此方向上融入芯片可制造性、光刻等课题。博士毕业论文的主题是如何在芯片设计流程中兼顾可制造性优化及布局布线优化。博后期间，与英伟达合作时发现深度学习训练过程与布局优化过程高度相似，于是利用深度学习框架开发了DREAMPlace开源布局器，这一工作后来荣获EDA顶会DAC和顶刊TCAD的最佳论文奖。 图1 GPU并行可微时序分析与优化算法（左侧）及基于图学习的时序预测算法（右侧） 回国后，他的主要研究方向聚焦AI+EDA，希望通过高效精准的建模与异构计算优化芯片设计。近期团队在时序分析方面取得系列成果，实现了GPU并行可微时序分析与基于图学习的时序预测，并将其应用于布局算法（Differentiable-Timing-Driven Global Placement），在时序优化性能、求解速度等方面基本达到国际学术领先水平。 研究过程中发现，AI+EDA的研究常受限于公开数据集，不像计算机视觉领域拥有ImageNet这样的大数据集便于算法验证。针对这一问题，他们近期与黄如院士、王润声教授合作，发布了首个面向芯片设计AI for EDA应用的开源数据集——CircuitNet，包含超过1万个数据样本，涵盖从实际制造工艺PDK下数字设计流程不同阶段提取的各类特征。 图2 CircuitNet数据集支持多种AI for EDA预测任务 ## EDA的核心：建模与优化 典型的芯片设计流程包括前端、后端设计，随后验证性能、功耗和面积。但由于流程过长，前端设计时无法保证后端设计的效果，因此往往需要跨环节建模，在早期设计阶段预测后续环节的求解质量，而AI算法在此非常适合辅助建模。除建模外，另一关键问题是优化。EDA中常需求解各类组合优化问题，这些往往是NP难题，例如经典的旅行商问题。传统上通过启发式方法求解，但随着规模增大、设计约束增多，这一探索常遇到效率瓶颈，因此需要机器学习技术辅助，寻找有效策略并提升效率。 ## 问答：国产EDA的最大短板在于人才 **问：从芯片设计到流片，面临一系列“卡脖子”问题。从EDA研究者角度，中国芯片领域近年来的优势与短板分别是什么？** 答：芯片从设计到制造，流程极为漫长。就EDA而言，这两年国内整个产业快速发展，但学术与产业需要分开审视。学术方面，尤其是近两年受到重视后，高校研究进展迅速，在各大会议和竞赛中频频获奖。北大等高校也在持续发力，北京大学集成电路学院成立了“设计自动化与计算系统系”，聚焦EDA技术。在学术界，专注于一个环节甚至一个小算法做到极致即可。但在产业界，公司推出产品时，用户看重的是功能是否完整、性能是否领先。目前产业界仍面临完整性缺失的问题。 **问：为什么有些国内团队在EDA比赛中能获奖，但具体到应用工具时仍存在问题？** 答：EDA比赛受时间限制，通常是从设计流程中抽象出的一个小问题，供参赛者求解。经过抽象后，与工业界的实际需求存在差异。并且实际设计流程需要解决大量这样的“小问题”，因此比赛获奖距离实际应用到公司产品还有相当距离。 **问：国产EDA要发展，还需要哪些资源？** 答：需要时间、人力和资金三方面的持续投入。第一是时间。商业EDA工具开发出来后，常面临性能不佳或稳定性问题，需要与芯片设计厂商长时间磨合、不断迭代，才能逐步补齐性能差距。而且随着工艺和设计的发展，还需根据特定用户需求定制，这需要大量时间。第二是人力。国内EDA研发人员严重不足。前两天看到一组数据：Synopsys约有1.6万名研发人员，Cadence约9千多人且仍在扩招。国内EDA公司的研发人员大多在百人级别，尽管近两年增长较快，但差距依然巨大。许多初创公司会急需从高校招聘毕业生，但高校培养人才需要时间，经过几年硕士或博士训练后才具备核心研发能力。第三是资金。2018年有数据显示，中国在EDA上的年度投入大约相当于Synopsys一家公司三个月的研发投入，差距可见一斑。近两年几家国内EDA公司成功上市，预计后续会有更多资金注入。 **问：谈到人力短缺，学生毕业后不愿从事这方面工作，是薪资问题还是其他原因？** 答：薪资确实是一方面因素。EDA与算法密切相关，从业者容易转向互联网公司。过去互联网公司薪资更高，许多EDA背景的毕业生更愿意去那里。但如今EDA受到重视，情况应会有所改善。另一方面，从个人经验看，高校中从事EDA研究的教师本就稀少，培养出的学生自然有限。这两年EDA逐渐受关注，不少新老师加入，也会培养出更多学生，毕业后进入这个行业的学生随之增加，形成良性循环。 **问：基于之前的重要工作，谈谈个人的长远规划和科研理想？** 答：目前研究主要从两个角度展开：智能化与异构化。这两个方向相辅相成。一是将AI技术与EDA结合，逐步减少人为干预。二是将AI领域常用的GPU、FPGA、AI芯片等异构计算资源也应用于EDA算法。目前EDA软件主要运行在CPU上。三大家近两年也发布了一些可在GPU上运行的点工具和模块。我们希望未来能打造一套支持各种异构计算资源的算法平台，在运行时自动选择最优计算资源。 **问：对初入EDA领域的学生有什么建议？** 答：当前“AI for EDA”非常火热，许多具备AI知识的学生都愿意尝试这一方向。建议同学们回归EDA的基础原理与基础算法。从现有AI技术来看，它能在传统EDA算法基础上起到锦上添花的作用，但短期内无法完全替代传统算法。另外，建议同学们去了解整个设计流程，这对理解AI在EDA中的作用至关重要，也有助于学习如何生成足够的数据进行研究。 **问：在科研规划或职业发展上有什么建议？** 答：第一，无论走学术还是产业道路，要解决的问题必须是实际问题。这个问题可以经过一定抽象，但必须源于实际，必须是产业界真正关心的议题。第二，走学术道路的话，选题时应具备长远眼光，比如考虑未来10年、20年可能遇到的问题。如果计划去公司，可以考虑未来5年或亟待解决的问题。第三，EDA领域与产业结合紧密，学术成果有机会在公司环境下进行原型验证。当然，产业中的实际问题有时非常繁琐，包含大量工程性工作，不太适合学术研究。但完全脱离实际问题的学术研究又如同空中楼阁。如何平衡实用性与学术性，是同学们在学习中需要持续思考的问题。