AI芯片破局！建议所有做芯片设计的研究者都去学一遍，赢麻了！！！

AI4EDA・前沿学术

Google的AlphaChip，用强化学习把Macro Placement——芯片布局中最难的部分——从几周压到了几小时。

几周变成几小时。

而且这件事登上了Nature封面。

你想一下这有多离谱。

AlphaChip是Google自研的AI加速器芯片，它的设计过程本身就是用AI来设计的——用深度强化学习自动探索芯片的布局方案。以前这种设计靠工程师手动调参、跑迭代，现在AI自己学会了怎么做。

这不是”AI辅助设计”。

这是”AI设计”。

然后还有DREAMPlace。

这是一个开源的芯片布局工具，基于深度学习的解析法。它不靠试错，而是把布局问题转化为可微的数值优化问题。用梯度下降来求解。

简单说——DREAMPlace把布局从”猜”变成了”算”。

传统布局算法靠的是模拟退火、最小割这些启发式方法。

本质上是”试一万次，挑最好的”。

DREAMPlace的做法是——给问题建一个可导的数学模型，然后直接找到梯度下降的方向。

这是两种完全不同的思维方式。

一个是经验主义。一个是解析主义。

而深度学习进入EDA领域之后，这两个思路开始并行发展、互相竞争。

再给你说几个更具体的案例。

GNN（图卷积神经网络）在时钟树综合中的应用。 芯片的时钟树是保证所有逻辑单元同步工作的神经网络。传统方法靠DME（延迟匹配均衡）算法一步步优化。现在GNN可以直接预测时序，从数据中学习”什么样的时钟树结构对应什么样的时序表现”。DAC 2022上就有这样的论文，从数据处理到训练到评估完整跑通。

GAN（生成对抗网络）在时钟树预测中的突破。 TCAD 2022上发表的方案，用GAN直接生成时钟树结构。不是优化，是生成。

RouteNet——AI可布线性预测。 这是ICCAD 2018的经典工作。以前布线的可行性要靠经验判断。RouteNet直接用卷积神经网络从布局中提取特征，预测这条线能不能布得通。精度远超传统方法。

DRiLLS——深度强化学习用于逻辑综合。 ASP-DAC 2020的工作。逻辑综合就是把高级描述翻译为门级电路，是芯片设计的第一环。DRiLLS让强化学习Agent自己学习如何优化这个翻译过程。

还有IR Drop预测。 2024年中国集成电路EDA设计精英挑战赛的真题——基于Inception模块的CNN模型预测芯片电压降。

我把这些案例放在一起看，发现一个很有意思的趋势——

AI正在按照芯片设计的完整流程，一个环节一个环节地渗透。

芯片物理设计（APR）分三个主要环节：

Placement（布局）——决定每个元件放在哪。AI用强化学习（AlphaChip）和解析优化（DREAMPlace）双路并行。

CTS（时钟树综合）——构建时钟网络，确保所有元件同步。AI用GNN做时序预测，用GAN生成时钟树结构。

Routing（布线）——用金属线连接所有元件。AI用CNN预测可布线性，用强化学习优化布线顺序，甚至用生成式AI直接生成布线方案。

再加上逻辑综合——从RTL代码生成门级网表。AI用GCN提升可测性，用强化学习优化优化策略。

这不是一个工具。

这是一条完整的技术链。

说真的，看这个趋势的时候，我有一种很熟悉的感觉。

这像不像AI在编程领域的演进？

最开始，AI只能做很具体的事情——代码补全（GitHub Copilot）。

然后AI能做更复杂的任务——生成整个函数。

再然后——AI能理解整个项目、跨文件修改、重构代码结构。

AI4EDA正在经历同样的过程。

最开始是”AI辅助某个工具”——比如用GNN预测时序，帮助工程师调参。

然后是”AI替代某个工具”——比如用强化学习自动做布局，取代人工调参与迭代。

然后是——AI理解整个设计流程，从Specification到Tape Out（流片），全流程自主优化。

AlphaChip可能是早期阶段，但它的方向是清晰的——芯片设计从”人+工具”走向”AI自主”。

再聊一个细节，我觉得特别有意思。

这个课程大纲里提到了一个叫”超图分割算法”的东西。

这是EDA设计里最基础的预处理步骤——把一个大型芯片网表分割成多个子网表，方便并行处理。

传统的超图分割用Kernighan-Lin算法或Fiduccia-Mattheyses算法。

这些算法是上世纪70年代和80年代发明的，至今仍是工业界的基础工具。

但课程要求学员用Python手撕这些算法。

为什么？因为你想用AI理解EDA问题，你得先理解它的数据结构。

EDA的本质是一个超图——节点是逻辑单元，超边是多端连接。芯片布局是在这个超图上做优化。时序分析是在这个超图上做路径搜索。布线是在这个超图上找最优路径。

芯片，本质上是一个图。

而深度学习——尤其是图神经网络（GNN）——天生就是为图数据设计的。

这就是为什么AI能在这个领域找到突破口。不是因为”AI什么都能做”。而是因为EDA问题的数据结构（图），恰好是AI最擅长的数据结构。

这就像问——为什么神经网络在图像上表现好？

因为图像是网格结构，卷积网络是网格结构。

为什么Transformer在文本上表现好？

因为文本是序列结构，注意力机制是序列结构。

AI的每一个成功，都是”问题的结构”与”模型的结构”相遇的结果。

AI+EDA的成功，本质上是图结构的芯片问题与图结构AI算法的一次完美碰撞。

然后我注意到一个更宏观的叙事——

AI过去三年最火的两个方向，一个是”生成式AI”（ChatGPT、Sora），另一个是”AI for Science”。

前者是让AI帮我们写东西、画图、做创意。它解决的是人类表达的问题。

后者是让AI帮我们做科研、做模拟、做优化。它解决的是人类认知的问题。

而AI4EDA——它是AI for Science的”工程化版本”。

它不是在发现新物理定律、不是在模拟蛋白质折叠。它是在用AI解决一个实际的、工业级的、影响亿万芯片的问题。

这是AI从”认知智能”走向”工程智能”的标志性方向。

如果说ChatGPT展示了AI能”想”什么，那AI4EDA展示了AI能”做”什么——

它不只是能写代码、写文章、写报告。它能优化物理世界的基础设施。它能设计支撑整个数字世界的芯片。

你想想这个差别。

写一篇文章和设计一块芯片——前者处理的是信息。后者处理的是物理。

信息是软的。物理是硬的。

AI正在从软世界走向硬世界。从”虚拟智能”走向”实体能力”。

坦率的讲，看这些案例的时候，我有时候会觉得——

AI最酷的地方不是它能生成什么，而是它能优化什么。

生成一件作品，展示的是创造力。优化一个复杂系统，展示的是工程力。

而芯片设计——这个人类最复杂、最精密、最考验工程能力的领域之一——正在被AI重新定义。

AlphaChip用强化学习自动布局。DREAMPlace用可微优化自动求解。GNN从数据中学习时序规律。GAN从分布中生成时钟树。

这不是”AI帮助工程师更快”。这是”AI让工程师做以前做不了的事”。

以前有些芯片布局方案，人根本找不到。

不是因为人不够聪明，是因为搜索空间太大——10^100种组合，人的脑子装不下，算力的穷举也做不到。

但强化学习可以。

它不穷举。

它探索。

它在10^100种可能性中，找到那条通往最优解的路径。

优化，是AI比人更强的地方。优化，是计算的力量。

最后说一个有意思的事。

这个课程面向的人很有意思——APR一线工程师、硕博研究生、算法工程师、芯片设计团队的技术负责人。

这四类人，恰好代表了一个领域从”一线实践”到”学术研究”到”算法创新”到”产业落地”的完整生态。

AI进入传统领域，从来不是”颠覆”。

它是在生态的各个节点同时发生：

工程师发现AI工具好用。

研究生发现AI方向好发论文。

算法工程师发现AI技术能解决实际问题。

团队负责人发现AI能降低成本提高效率。

这四个方向同时推进，才是AI真正”改变一个行业”的方式。

我们花五天时间，把这些散落在顶会和开源项目里的方法串起来，用能跑的代码完整走一遍。

路线很清晰：先把EDA的基本功夯扎实，再逐个环节用AI打穿。

• 第一天：从芯片设计全流程切入。Linux环境、Vim、Slurm超算作业一套配齐。Python手撕KL/FM超图分割算法——这是你理解EDA数据结构的第一个台阶。

• 第二天：深度学习基础+TCAD器件建模。用FNN替代传统BSIM模型，上手就是2022年EDA精英挑战赛真题——NMOS/PMOS电学特性的跨导建模和自动微分。

• 第三天：攻克Placement。先手写模拟退火布局打通底层直觉，再完整复现AlphaChip和DREAMPlace——一条RL路线，一条数值优化路线，布局的两大主流范式一次摸清。

• 第四天：深入CTS。DME延迟平衡算法Python实现，OpenROAD+TritonCTS全流程跑通，然后逐行复现DAC 2022的GNN时序预测——顶会论文从数据处理到训练评估完整走一遍。

• 第五天：收官Routing和逻辑综合。Maze routing手写，IR drop预测直接打2024年精英挑战赛真题，最后是DRiLLS强化学习框架（ASP-DAC 2020）——用RL让逻辑综合自己学会优化。

五天结束，你不光看懂了这些论文在做什么，更重要的是有了一套自己能跑的代码baseline，可以直接往自己的项目上迁移。

这门专题适合谁

APR一线工程师

Placement/CTS/Routing流程天天跑，参数反复调。这门课帮你打开另一条路——AlphaChip和DREAMPlace源码级复现，RL和数值优化两条技术路线怎么落地一目了然；TritonCTS+iCTS摸清开源CTS最前沿；RouteNet和DR-Guide拆解可布线性预测的完整建模套路。不是讲概念，是给你能直接嵌进工作流的方案。

集成电路/EDA方向硕博生，正在找课题、憋论文

五天的上机案例基本是顶会顶刊级：DAC、ICCAD、ASP-DAC、Nature、TCAD、MLCAD——每篇从数据集到训练到评估完整跑通。等于五天攒一套AI4EDA代码库，开题报告和实验章节的baseline都有了。

想切入AI+芯片交叉赛道的算法工程师

熟PyTorch和Transformer，但对网表、Layout、时序约束不熟。我们从超图分割讲到Placement/CTS/Routing，把HPWL线长模型、Elmore时序模型、G-cell网格抽象、skew/latency的物理含义逐个讲透。你真正理解EDA问题的数据结构之后，怎么把网表拓扑喂进GNN、怎么为强化学习设计state和reward，就是水到渠成的事。

芯片设计团队的技术负责人

正在评估AI4EDA的落地时机。五天内容就是一份高密度技术调研：Placement两条路线对比，CTS的GAN+GNN方案，Routing的异步RL和生成式AI，APR全链路最新方法一次覆盖。企业精英挑战赛真题直接展示工业界真实需求和落地瓶颈。你能清晰判断从哪个环节切入、自研还是基于开源二次开发更划算。

深度学习集成电路设计专题

01

专题学习目标

学习目标：

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。

02

讲师介绍

深度学习集成电路设计主讲老师：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Google AlphaChip、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。

“First

专题大纲

第一部分：EDA集成电路设计自动化和Python编程

1.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工具在后端物理设计中的应用——从RTL到GDSII

③AI4EDA的发展历程和概况

(3)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

(4)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

2.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

1.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

2.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)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

1.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强化学习的机制和常用算法

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）

2.上机实验

(1)Python编程实现一个基本的Placement算法

①基于模拟退火的Macro Placement算法

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

①AlphaChip源码讲解

②Google AlphaChip的 安装

③Google AlphaChip的训练和测试

(4)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

1.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）

④TritonCTS：先进的开源CTS算法（TCAD 2018）

2.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和TritonCTS

①OpenROAD软件的安装

②Demo：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

1.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）

④TritonRoute——OpenROAD的route组件

(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

②利用GCN模型提升电路可测性（DAC 2019）

③DRiLLS——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

2.上机实验

(1)Python编程实现一个基本的Routing算法

①Maze routing算法介绍

⑤Python编程实现Maze routing算法

⑥算法效果测试

(2)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芯片版图提取和建模；

②Pytorch编程搭建基于Inception模块的CNN模型

③模型的训练、推理和预测精度

(3)论文复现：DRiLLS——深度强化学习用于逻辑综合（ASP-DAC 2020）

①DRiLLS深度强化学习框架讲解；

②源码解读和关键；

③Agent训练和效果测试

往期学员反馈

课程会议完毕后老师长期解疑，课程群不解散，往期会议学员对于会议质量和授课方式一致评价极高！

课程模式与增值服务

课程模式

1、线上授课时间和地点自由，建立专业课程群进行实时答疑解惑。

2、理论＋实操授课方式，由浅入深式讲解，结合大量实战案例与项目演练，聚焦人工智能技术在集成电路设计领域的最新研究进展。

3、课前发送全部学习资料（上课所有使用的软件、包括丰富的PPT，大量的代码数据集资源）课程提供全程答疑解惑。

4、定期更新的前沿案例，由浅入深式讲解，课后提供无限次回放视频，免费赠送二次学习，永不解散的课程群答疑服务，可以与相同领域内的老师同学互动交流问题，让求知的路上不再孤单！

增值服务

1、凡参加人员将获得本次课程学习资料及所有案例模型文件；

2、课程结束可获得本次所学专题全部回放视频；

3、课程会定期更新前沿内容，参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程（任意一期）！

专题时间

深度学习集成电路设计专题

2026.07.10（晚上19:00-22:00）

2026.07.11----2026.07.12（上午9:00-11:30 下午 13:30-17:00）

2026.07.17（晚上19:00-22:00）

2026.07.18----2026.07.19（上午9:00-11:30 下午 13:30-17:00）

腾讯会议 线上授课（共五天课程 提供全程视频回放和课程群答疑）

专题费用

课程费用：

深度学习集成电路设计专题

每人每班¥4980元（包含培训费、资料费、提供课后全程回放资料）

早鸟价：提前报名缴费学员可得300元优惠（仅限前15名）

套餐价：

两人团报：两人团报课程￥9080元

年报优惠：可免费学习一年特惠：18880元（可免费学习一整年本单位举办的任意专题）

报名费用可开具正规报销发票（会议费、培训费、资料费等）及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销

报名咨询方式

报名流程：扫码报名→管理员对接→发送正式培训（会议）邀请函→缴费及开具发票。

联系人｜陈老师

咨询电话｜15652523032（微信同号）

邮箱 | 15652523032@163.com

官方网站 | http://www.dxianai.com