導讀：EDA（Electronic Design Automation，即電子設計自動化）工具可以讓芯片設計從幾十年前圖紙上畫線的體力活，變成軟件里“素材排列組合+敲敲代碼”的腦力活。EDA軟件作為關鍵的芯片設計工具，是集成電路產業的一大基石，而這一領域長期由美國三巨頭Synopsys、Cadence和西門子（原Mentor）把持，占據全球市場份額超過64%。近日，美國宣布對華斷供EDA，給原本就嚴峻的國產EDA發展形勢帶來了更多的不確定性。對此，智源社區訪談了北京大學集成電路學院助理教授、特聘研究員林亦波，了解他走上EDA研究之路的點滴以及對國產EDA發展的期許。

林亦波博士是北京大學集成電路學院助理教授，特聘研究員，博士生導師。2013年本科畢業于上海交通大學，2018年于美國德克薩斯大學奧斯汀分校獲得電子與計算機工程專業博士學位。長期從事集成電路設計自動化（EDA）、機器學習輔助EDA等方面的工作。迄今為止發表論文100余篇，6次獲得EDA領域旗艦會議和期刊最佳論文獎（包括DAC 2019、TCAD 2021、DATE 2022）。曾擔任包括DAC、ICCAD等領域內旗艦會議的技術程序委員會成員，以及領域內頂級期刊如TCAD、TODAES等審稿人及編委。

入門電路仿真器，發現寫代碼的樂趣

說起如何走上EDA研究的道路，還要回到本科時代。在上海交通大學就讀微電子專業期間，在C++、數據結構與算法這些課上學得比較吃力，一度對編程有些排斥。后面我選修了一門叫做設計自動化引論的課程，要求我們自己寫一個電路仿真器。這個任務對于當時的我來說頗具挑戰。基本上一整個學期的所有周末都在忙這個大作業，做完之后我就擁有了一個帶圖形界面的仿真器，在這個過程中，我逐漸體會到了寫代碼的樂趣。完成之后，我擁有了一個屬于自己的EDA小工具，可以輔助分析電路，讓我覺得好玩又好用。也正是這個小工具促使我走上EDA的研究之路。

從模擬電路版圖設計到投身EDA

后來申請出國的時候，我在兩個方向上猶豫不決，分別是EDA和模擬電路設計。通過大四畢業設計，我排除了做模擬電路設計這個選項，這個故事說來話長。模擬電路的設計中，除了電路仿真驗證是靠EDA工具，搭電路、畫版圖都靠手工，是非常耗時耗力的工作。我記得當時跟一個同學合作畫版圖，LVS檢查報錯，找了幾個禮拜都沒找到原因，后來發現我們把電源接地上了，導致了失誤，當時就覺得特別折騰。現在我們組有一個方向就是研究模擬電路的設計自動化，希望能夠把版圖工程師從繁瑣勞動中解放出來。后來我來到德克薩斯大學奧斯汀分校（UT），并選擇了EDA作為研究方向。

在拜訪我后來的導師David Pan時，他說，你先來上我的課，證明你有足夠的競爭力，然后再決定是否能讓你進組。就在那一年我參加了一個EDA比賽，最終拿了第五名，導師覺得還過得去，也就決定留下我了。當時比賽的題目是芯片布局，這也成為了我博士和博后期間的主要研究方向。我后面又在這個大方向里融合進了芯片可制造性、光刻等相關的課題。我的博士畢業論文題目就是如何在芯片設計流程中考慮可制造性優化和布局布線優化。做博后期間，我們與英偉達合作，發現深度學習訓練過程與布局優化過程非常相似，于是利用深度學習框架，研發了DREAMPlace開源布局器，這項工作后來獲得了EDA領域頂會DAC和頂刊TCAD的最佳論文獎。

圖 1 GPU并行可微時序分析與優化算法（左）及基于圖學習的時序預測算法（右）

回國之后，我的主要研究方向是AI+EDA，希望通過高效精準的建模與異構計算去優化芯片設計。最近，我們團隊在時序分析方面取得了一系列成果，實現了GPU并行可微時序分析和基于圖學習的時序預測，并將其應用到布局算法中（Differentiable-Timing-Driven Global Placement），在時序優化性能、求解速度等方面基本上都達到了國際上學術領先的水平。

在研究過程中，我們發現AI+EDA的研究常常受限于公開數據集，不像計算機視覺領域有ImageNet這樣的大數據集可以很方便地驗證算法。針對這一問題，我們近期跟黃如院士、王潤聲教授等合作，發布了首個致力于芯片設計AI for EDA應用的開源數據集——CircuitNet，包含1萬以上的數據樣本，涵蓋從實際制造工藝PDK下數字設計流程不同階段中提取到的各類特征。歡迎大家試用并向我們反饋意見和建議（https://circuitnet.github.io/）。

圖 2 CircuitNet數據集支持多個AI for EDA預測任務

EDA中的關鍵問題——建模和優化

典型的芯片設計流程是先做前端、后端設計，再去驗證性能、功耗和面積。但由于流程太長，在前端設計的時候，無法保證后端設計的效果，所以很多時候需要進行跨環節建模，在早期設計環節預測后續環節的求解質量，這當中就很適合AI算法來進行輔助。除了建模之外，另外一個關鍵問題是優化。EDA中經常要求解各種各樣的組合優化問題。這些問題往往是 NP難題，比如經典的旅行商問題。傳統上，我們會通過一些啟發探索的方法來求解。但隨著規模不斷增大、設計約束越來越多，這種探索往往遇到效率瓶頸，所以我們需要通過機器學習技術進行輔助，尋找有效策略，提高效率。

Q&A：國產EDA發展，首要解決人才匱乏問題

Q1：從芯片設計到流片，面臨一系列“卡脖子”問題。請您從EDA研究者角度談談中國在芯片領域近年來的優勢和劣勢？

A：芯片從設計到制造，流程很長。我對EDA比較熟悉，就主要講講這方面。這兩年，我們國家整個EDA產業發展迅速，不過學術和產業應該分開來看。學術上來講，特別是這兩年稍微受到一些重視之后，學校的學術研究發展得快，在各大會議和競賽中頻頻得獎。北大等高校也在不斷發力，北大集成電路學院成立了“設計自動化與計算系統系”，聚焦EDA技術。在學術界，只要盯著一個環節，甚至一個小算法，把它研發到極致就行。但在產業界，對于一個公司而言，要發布產品，用戶主要看功能是否完整，性能是否領先。目前我們產業界還面臨著完整性缺失的問題。

Q2：為什么有些國內團隊在EDA比賽中能得獎，但是具體到應用工具的話還是有問題？

A：EDA比賽由于時間的限制，都是從設計流程中抽象出來一個小問題，讓參賽者求解。由于這個小問題經過抽象，所以跟工業界實際的需求并不完全一致。此外，實際工業界的設計流程需要解決很多這樣的“小問題“。綜合這兩點，比賽獲獎離實際應用到公司的產品還是有一段距離的。

Q3：如果國產EDA想發展的話，您覺得還需要哪些資源？

A：個人認為EDA的發展需要時間、人力和資金的投入。第一個是時間。一個商用EDA工具做出來后常面臨性能不佳或者穩定性的問題，需要跟芯片設計廠商長時間的打磨，不斷迭代，才能慢慢補齊性能差距。并且隨著工藝和設計的發展，還根據特定用戶的需求進行專門定制。這需要大量的時間。第二個是人力。國內EDA的研發人員還是太少。前兩天我剛看到一個數據， Synopsys大概有1.6萬研發人員，Cadence大概9千多人，而且仍在擴招。國內EDA公司研發人員大多在百人級別，雖然這兩年增長較快，但差距依然很大。很多初創公司都會來高校，特別著急地想招畢業生。但高校培養學生需要時間，經過幾年的碩士或博士訓練之后，才具備一定的核心研發能力。所以說該領域對人才要求比較高，人才數量也比較缺乏。第三個是資金。18年的時候有數據顯示，中國在EDA一年的投入，差不多是Synopsys一家公司三個月的研發投入，可見差距之大。近兩年，幾家國內EDA公司上市，預計往后會有更多資金投入。

Q4：說到人力的短缺，現在學生畢業后不愿意從事這方面工作，是薪資的問題嗎？還是其他原因？

A：薪資確實是一方面。EDA與算法息息相關，從業者很容易轉去互聯網公司。過去互聯網公司薪資更高，很多EDA背景的同學畢業后更愿意去互聯網公司。但現在EDA受到重視，我認為情況會有改變。另一方面，從我個人經驗來看，原本高校當中做EDA的老師就特別少，培養出的EDA學生自然也少。這兩年EDA逐漸受到重視，有不少新的老師加入，相應地也會培養出越來越多的學生，那么畢業以后從事這個行業的學生也會增加，這是一個良性的循環。

Q5：基于您之前重要的工作，談一談您個人的長遠規劃，或者說想實現的科研理想？

A：目前我的研究主要從兩個角度出發，分為智能化和異構化。這兩個角度其實是相輔相成的，其一，把AI技術和EDA相結合，逐漸減少人為的干預。其二，把AI中常用的GPU、FPGA、AI芯片等異構計算資源，也在EDA算法當中利用起來。目前EDA軟件主要跑在CPU上。三大家這兩年也發布了一些能夠跑在GPU上的點工具和模塊，我們希望未來能夠有一套可支持各種各樣異構計算資源的算法平臺，在運行時選擇最佳的計算資源。

Q6：有關EDA的學習，您對初入該領域的學生有什么建議嗎？

A：現在「AI for EDA」特別火。很多學過一些AI知識的同學，都愿意來嘗試EDA這個方向。我給同學們的建議就是要回到EDA的基礎原理和基礎算法。從目前的AI技術來看，可以在傳統EDA算法的基礎上起到錦上添花的作用，但短期內沒有辦法完全替代掉傳統算法。此外，建議同學們去了解一下整個設計流程，這對于理解AI在EDA中起到的作用非常關鍵，也有助于學習如何生成足夠的數據，進行該方向的研究。這里打個小廣告，歡迎同學們關注我們針對AI for EDA發布的CircuitNet數據集（https://circuitnet.github.io/），網頁上提供了詳細教程，可以作為一個很不錯的起步。

Q7：在科研規劃或者職業發展上，您有沒有什么建議？

A：第一，不管是走學術道路還是產業道路，你要解決的問題一定是實際問題。這個問題可以經過一定的抽象，但它必須來源于實際，必須是產業界所真正關心的問題。第二，走學術道路的話，在選課題的時候眼光可以放得更長遠一點，比如未來10年、20年可能會遇到的問題。如果考慮去公司，可以考慮比如未來5年或者亟待解決的問題。第三，就EDA領域而言，和產業結合緊密，學術上的成果很有機會在公司的環境下去做原型驗證。當然，有時候產業當中的實際問題有時候會特別繁瑣，包含很多工程性的工作，不那么適合學術研究。但完全脫離實際問題的學術研究，又是空中樓閣。如何平衡實用性和學術性是同學們需要在學習當中去思考的問題。

編輯：黃飛