今天小編分享的科學經驗：AI優化芯片布局，設計階段即考慮最終性能，中科大華為諾亞新方法入選ICLR 2025 Oral，歡迎閱讀。
用 AI 指導芯片設計，中科大王傑教授團隊、華為諾亞實驗室、天津大學提出全新芯片宏單元布局優化方法LaMPlace！
以前芯片設計可能是先放好再看效果，現在LaMPlace 能在 " 放 " 的時候就考慮最終性能，比如電路運行速度怎麼樣（WNS、TNS 這些指标），這樣能省掉後面很多麻煩，讓整個設計流程更快、更高效。
這為推進國產 EDA 工具的智能化、提速設計流程提供助力，也推動了芯片設計行業的 " 提前優化 " 趨勢。
該論文已入選 ICLR 2025 Oral。
從 " 可優化 " 到 " 該優化 " 的 EDA 目标遷移
在現代芯片設計流程中，宏單元布局（Macro Placement） 是邏輯綜合之後首個面向物理設計的關鍵環節。它決定了大塊 IP（如存儲器、接口、硬核模塊）在芯片平面上的空間位置，對後續的标準單元布局、時鍾樹綜合（CTS）、布線等環節具有重要影響，從而決定芯片的時序性能、功耗與面積（PPA）表現。其中 Worst Negative Slack（WNS）與 Total Negative Slack（TNS）這類跨階段物理指标，是衡量設計是否滿足時序收斂、能否正常運行的最終标準。但由于這些指标往往依賴後續 EDA 流程才能計算，現有學習方法難以在布局階段直接建模或優化它們。
現有工作大多采用如下中間指标作為優化目标，如基于宏計算的半周線長（macro HPWL）、密度（Density）或擁塞（Congestion）等。這些指标雖然計算方便，但與最終設計目标存在顯著偏離，導致訓練過程與實際優化目标不一致，從而限制了算法在真實芯片設計流程中的應用價值。
LaMPlace 的提出，正是為了打破這一 Gap：通過引入結構可解釋的指标預測器，引導布局搜索直接 " 對接最終目标 "，實現芯片設計 " 左移優化 " 的新範式。
方法概覽 | 可學習掩碼驅動的布局搜索框架
LaMPlace 構建了一個以 " 結構化預測 + 掩碼生成 + 貪心放置 " 為主幹的優化流程，能夠将目标指标（如 WNS/TNS）的信息在布局階段前移，作為放置決策的依據。
方法整體包括三個關鍵步驟：
1、結構化指标預測器
離線訓練一個預測器，輸入為當前布局的宏單元位置分布，輸出為多個跨階段指标（如 WNS、TNS 等）的估計值；
2、Laurent 多項式建模
将指标函數形式建模為宏間距離的多項式，所有系數可學習，保持高效計算與結構可解釋性；
3、掩碼生成與引導放置
将預測器輸出轉化為二維掩碼（mask），衡量每個候選位置對指标的影響，用作貪心式放置策略的搜索引導。
方法的整體框架如下圖所示：
核心技術 | Laurent 預測器與可學習掩碼 1. Laurent 多項式建模目标函數
作者發現，EDA 指标本質上依賴于宏之間的相對距離。因此，LaMPlace 将復雜的 EDA 指标形式表示成如下的 Laurent 多項式結構：
其中：
表示某個目标指标（如 TNS）；
為宏單元的位置；
為可學習的系數，這些系數由一個圖神經網絡（GNN）生成，表示兩個宏對目标指标的相對影響，稱為 Learnable Flows（L-Flows）。；
K 為一組預定義的指數集合，控制多項式階數。
這種建模方式不僅提升了計算效率，更保留了指标對布局結構的可解釋性。
2. 掩碼生成機制（Learnable Mask）
借助上述預測結構，團隊為每一個待放置宏生成一個二維掩碼：
橫縱坐标表示芯片平面上的位置；
每個位置的值表示該位置對目标指标的 " 邊際代價 "；
掩碼值越小，表示該位置越适合放置。
最終，通過貪心策略，在掩碼上依次選址放置宏單元，構建高質量初始布局。
3. 易于集成、可拓展的優化模塊
LaMPlace 不依賴特定搜索算法，它本質是一個 mask 引導模塊，可嵌入現有系統中作為 plug-in 模塊，與多種布局優化範式結合，例如黑盒優化器（BBO）、強化學習策略（RL）等。在實驗中，作者展示了其與 WireMask-EA 框架 [ 3 ] 結合後的增益，驗證了該方法的通用性。
實驗結果簡述
LaMPlace 在标準芯片布局基準 ICCAD 2015 上展現了優異的性能，能夠顯著提升跨階段關鍵指标如時序收斂性、擁塞等，且在未見過的新設計上依然保持穩定性能，體現出良好的泛化能力。
該方法具備良好的模塊化特性，能夠靈活嵌入現有布局優化框架中，成為推動 EDA 設計流程 " 左移優化 " 的有力工具。
LaMPlace 展示了一種結構建模與學習引導相結合的有效範式，為 AI 在芯片設計中的深入應用提供了新的思路。
作者介紹
本論文作者耿子介是中國科學技術大學 MIRA 實驗室 2022 級博士生，師從王傑教授。此前，他于 2022 年畢業于少年班學院，取得數學與應用數學專業學士學位。他的主要研究方向包括機器學習在運籌優化與芯片設計等領網域的應用、大語言模型等。他在 NeurIPS、ICML、ICLR 等人工智能頂級會議上發表論文十餘篇，其中五篇論文入選 Oral/Spotlight。他曾獲 2024 年度國家獎學金；曾兩次獲得丘成桐大學生數學競賽優勝獎；曾在微軟亞洲研究院實習，獲得 " 明日之星 " 稱号；曾多次擔任頂會審稿人，獲評 NeurIPS 2023 Top 審稿人；參與創辦南京真則網絡科技有限公司。
論文地址：
openreview.net/pdf?id=YLIsIzC74j
一鍵三連「點贊」「轉發」「小心心」
歡迎在評論區留下你的想法！
— 完 —
學術投稿請于工作日發郵件到：
标題注明【投稿】，告訴我們：
你是誰，從哪來，投稿内容
附上論文 / 項目主頁鏈接，以及聯系方式哦
我們會（盡量）及時回復你
點亮星标
科技前沿進展每日見
