芯片到了极端环境，AI该怎么设计

芯片在室温下跑得通，到了接近绝对零度的环境，还能按同一套模型工作吗？如果长期面对辐射，原来的性能指标又该怎样验收？

近日，费米国家加速器实验室（Fermilab）宣布，AXESS 获得美国能源部 Genesis Mission 第二阶段资助。这项多年研发项目将联合 AMD、IBM、Siemens EDA、多家国家实验室与高校，用 AI 加速极端环境定制微电子设计，面向量子、聚变能源和粒子物理等应用。

AI+EDA 在这里遇到一个具体问题：当芯片的工作环境改变，设计工具依据的模型、搜索目标与验收方法，都需要跟着改变。生成速度只是其中一项。

AXESS 值得关注的方向，是把器件、电路、架构与算法之间的反馈接起来。判断这类项目，可以沿着三层看：候选方案能否更快筛出，实现能否满足任务指标，模型能否经得住目标环境的实测。

极端环境，先改写设计依据

AXESS 的全称指向“从极端环境规格到硅”的加速。这里的规格不能只写算力、功耗和面积，还要说明在哪种环境、承担什么任务、容许多大的误差。

Fermilab 五月发布的项目介绍，把低温晶体管建模和抗辐射芯片列为研究方向。前者服务于量子环境，后者面向高能粒子物理实验。它们属于不同的工程问题，不能合并成一个通用的“极端环境优化”按钮。

低温设计首先需要可靠的器件描述。Fermilab 参与的 CryoPDK 研究，面向在 3.8 K 下工作的 22 nm FDSOI CMOS 工艺，介绍了低温工艺设计套件的建模开发。研究列出的步骤很实在：测试结构、测量、模型提取和拟合，再形成与 PDK 兼容的 SPICE 模型。

电路仿真之前，团队需要知道仿真器里的晶体管描述是否适用于目标温度。AI 可以帮助搜索参数与整理数据，模型的可信范围仍要靠测量建立。一个计算得很快、却建立在不适用模型上的最优解，工程价值有限。

辐射问题则有另一套分类。NASA 将电子器件辐射效应区分为总电离剂量、位移损伤与单粒子效应；累积损伤和单次粒子作用，对设计与测试提出不同要求。这一分类可用于理解技术问题，具体到粒子探测器，还应依据其自身环境确定测试条件。

因此，低温测试通过不能代替抗辐射验证，某一剂量条件下的表现也不能自动覆盖所有单粒子效应。对设计团队，环境要求应从需求阶段进入模型与验收计划，不能等电路完成后再补一句“适应恶劣环境”。

大模型协调流程，代理模型筛方案

AXESS 的技术路线中，两类 AI 分工不同。按 Fermilab 的介绍，大语言模型负责协调步骤、自动化人工操作和辅助高层决策；较小的代理模型负责快速预测性能，减少反复调用复杂模型的开销。

代理模型可以理解为一个成本较低的估计器。它学习输入设计与结果之间的关系，帮助团队先找出值得投入精细计算的候选方案。预测芯片速度、功耗或晶体管表现，是不同层级的任务，所需训练数据与适用范围也不同。

这种组合改变了搜索的安排。传统流程中，一个算法选择可能到了实现阶段才暴露资源压力；架构调整又可能要求电路团队重新评估。若能提前把后续约束反馈给前面的搜索，就有机会减少来回交接。

但代理模型输出的是估计。候选经过筛选后，仍需进入相应的综合、仿真、物理实现或测试流程。工程师应明确哪一个结果来自预测，哪一个来自工具计算，哪一个来自实测，避免把它们放进同一列“性能”。

大模型在这里也有明确交付对象：可执行的任务、工具输入与过程记录。它提出修改建议后，需要留下依据，并让设计人员能够检查和接管。规格解释、模型选取、关键约束与最终签核，仍应由负责的工程团队审核。

一个量子读出案例，展示收益与取舍

五月公告链接的 SNAC-Pack 论文，给出了比总体加速口号更具体的例子。研究围绕硬件感知的神经网络搜索，先借代理模型估计 FPGA 资源和延迟，再对选中的网络进行量化、剪枝及综合。

在量子比特读出任务中，模型根据测得的信号判断量子比特状态。团队既要关心判对多少，也要关心网络装进 FPGA 后占用多少资源、需要多少时间。

论文报告，所选方案的验证分配准确率从基线的 96.06% 变为 95.21%；经局部优化与综合后，表中 FPGA 实现延迟从 19.35 ns 变为 12.9 ns，LUT 数量从 15045 降为 6996。这里的准确率降低，与实现开销下降同时存在。

准确率与资源开销需要一起看。设计搜索不必总是寻找所有指标一起变好的方案，而应找到满足任务要求、代价更合适的方案。准确率能让出多少、延迟预算有多紧，必须由应用需求决定。

读出算法映射到 FPGA，也与定制 ASIC 从规格走到硅的流程有区别。上述延迟属于论文所列硬件实现指标，不能直接作为包含采集、通信和控制在内的完整系统延迟，更不能拿来推算 ASIC 的制造周期。

沿着这个案例，可以看到一条具体流程：任务数据进入搜索，代理模型辅助筛选，候选网络经过压缩与综合，任务质量和资源结果一起验收。AI 的收益落在哪个环节，沿着产物就能看出来。

资助进入第二阶段，协作要落到接口

十月公告意味着 AXESS 获得新的资助节点。合作名单包括 AMD、IBM、Siemens EDA、多家国家实验室与高校，体现了项目跨越器件、算法和工具的范围。

名单本身并不能告诉工程师各家公司已经交付什么。更有判断价值的是接下来形成哪些接口：器件测量如何变成可用模型，模型版本如何对应仿真结果，算法候选如何进入实现工具，测试结果怎样返回下一轮设计。

极端环境为这类研究提供了明确的反馈场景。Fermilab 长期开发特殊探测器，对环境和仪器需求有直接经验。设计 AI 可以围绕明确任务获得反馈，研究团队也更容易判断优化究竟改善了什么。

产业外溢则取决于复用条件。某一低温工艺积累的模型，能否迁移到另一工艺，需要重新验证；某一 FPGA 任务有效的代理模型，也不能直接承担晶体管级仿真。更容易复用的，可能是数据组织方法、工具接口和候选验收流程。

对 EDA 企业，这类项目提出了流程整合需求。工具除了返回结果，还需要让自动化系统识别输入、错误与完成状态。对实验室，测量数据需要带上环境、样品与版本信息，才能进入可追溯的模型训练和验证过程。

企业导入，可按三层验收

第一层看搜索效率。先定义一个候选如何产生、一次评估包含哪些计算，再记录生成、训练、预测和筛选所需的总资源。减少昂贵工具调用，可以带来收益；扩大并行计算，也会消耗资源，两者要分开核算。

第二层看实现质量。候选应继续经过适用的工具流程，检查任务质量、资源、时序和功耗。量子读出案例里的准确率与 FPGA 资源取舍，正好提醒团队：验收不能只留下最好看的指标。

第三层看环境可信度。器件模型覆盖什么温度和工作条件，辐射测试针对什么效应，预测与测量的偏差有多大，都需要形成记录。把这些条件放回设计规格，团队才知道哪些方案可以进入下一阶段。

三层对应不同责任。设计工程师检查候选和约束，模型与测试人员核对适用范围，CAD 负责人保存工具和数据版本，研发管理者核算被接受方案的周期与成本。把企业知识、工具调用和人工审核节点接入同一条可追溯流程，有助于让 AI+EDA 从个人辅助进入团队研发。这样，单点提速才有机会转化为项目收益。

AXESS 把 AI 辅助芯片设计放进了低温与辐射这类具体工程环境。其研究路线提示了一种更值得追踪的进展：更快提出候选之后，能否让模型、实现和测试持续交换可靠反馈。

对准备引入 AI 的团队，下一次看到“设计提速”时，可以先定位被加速的步骤，再检查质量取舍，最后确认验证条件。三个问题分别有产物可查，比只比较一个倍数，更接近实际的研发决策。

作者：麒芯

本文基于公开公告与论文进行行业分析，研究结果归属原研究团队，工程讨论供交流参考。

参考资料：

Fermilab：Fermilab to lead two new Genesis Mission awards to accelerate development of microelectronics and quantum

Fermilab：Fermilab leads multi-lab AI initiative to accelerate design of chips used in extreme environments

SNAC-Pack 2.0: Scaled-Out Surrogate Neural Architecture Codesign

OSTI：CryoPDK Development for 22nm FDSOI CryoCMOS

NASA：Radiation；What is space Radiation?