南京大学钱超AI团队突破百亿晶体管技术瓶颈，荣获EDA顶级会议2025年度最佳论文奖

据南京大学人工智能学院网站报道，南大 LAMDA 组钱超教授团队在 DATE 2025 发表的芯片设计优化论文《基于高效关键路径提取的时序驱动全局布局》（“Timing-Driven Global Placement by Efficient Critical Path Extraction”）荣获会议最佳论文奖。

电子设计自动化（EDA）作为芯片设计的基石产业，被誉为“芯片之母”。

欧洲设计自动化与测试会议（DATE）是 EDA 领域享有盛誉的国际顶级学术会议。

在本次 DATE 2025 最佳论文中，第一作者侍昀琦、第四作者林熙、第五作者薛轲分别为南京大学人工智能学院的硕士生、本科生和博士生，钱超教授担任通讯作者，该论文与华为诺亚方舟实验室合作完成。

• 论文链接：https://www.lamda.nju.edu.cn/qianc/DATE_25_TDP_final.pdf
• 开源代码：https://github.com/lamda-bbo/Efficient-TDP

在芯片设计领域，如何为多达百亿量级的晶体管设计最优布局，始终是一项极具挑战的技术难题。传统的布局方法面临两难选择：要么采用快速但精度欠佳的网线加权方案，要么选择精确但运算量巨大的路径优化方法。

这类似于在一个拥挤的城市中规划新的交通路线，既要考虑道路长度，又要确保交通畅通，面临精度与效率、局部与整体的矛盾。这种两难困境长期以来一直困扰着芯片设计行业。

针对上述问题，该论文提出了一种全新的时序驱动布局方法，巧妙地实现了效率和精度的统一：

• 针对经典开源时序分析工具 OpenTimer 使用 O (n^2) 复杂度的算法提取 top-n 条时序违例路径，且不支持基于违例端点的路径分析的问题，该论文提出针对每个违例端点提取其 top-n 条违例路径的方法。该方法不仅能够覆盖所有时序违例端点，还将提取 n 条违例路径的复杂度降低至 O (n)，从而在时序分析中实现了 6 倍的加速。这一创新方法的核心在于“智能关键路径提取”技术，能够快速定位需要优化的关键路径，显著提升分析速度。
• 针对传统的基于线网的加权方案对于高扇出线网经常带来不必要的权重，从而过度优化许多不涉及时序违例的路径的问题，论文提出了基于引脚间吸引力的精确指标。该指标通过精确捕捉时序违例路径上的引脚对来建模时序信息，在显著提升时序指标的同时，几乎不造成整体线长的损失。
• 常用的时序模型 RC Delay Model 中，线网延时与其长度的平方成正比。论文首次提出将引脚间欧式距离的平方作为损失函数，并在 GPU 上实现了前向、反向传播的加速。实验结果表明，相较于以往常用的损失函数，该方法在关键时序指标 TNS 和 WNS 上分别实现了 50% 和 30% 的提升。

图 1：基于引脚间吸引力的时序目标建模

该论文在 ICCAD-2015 竞赛数据集上进行了广泛的对比实验。实验结果表明，相较于最先进的开源布局算法 DREAMPlace 4.0，该方法在全部 8 个芯片上均实现了显著领先，尤其是在 TNS 指标上达到了 60% 的平均提升。

此外，相较于 SOTA 方法 Differentiable-TDP 和 Distribution-TDP 算法，该方法分别实现了 50% 和 40.5% 的 TNS 平均提升。

图 2：时序和线长指标的实验结果

审稿人对该工作给予了高度评价，称“结果令人印象非常深刻，超过了所有先进工作”（”The results are very impressive, outperforming all state-of-the-art works”），并指出该方法取得了“显著提升”（”significant improvements”）。

DATE 自 1994 年创办以来已成功举办 31 届，今年的会议将于 3 月 31 日至 4 月 2 日在法国里昂召开。本届 DATE 共收到逾 1200 篇投稿，录用率约为 25%，最终评选出 4 篇最佳论文奖（获奖率仅 0.3%）。

近期，人工智能（AI）技术在芯片设计中的应用受到了国际上的高度关注。例如，Google 在 Nature 杂志上发表了 AlphaChip，并将其应用于 TPU 设计。多家 EDA 头部厂商也纷纷推出了 AI 赋能的 EDA 产品。芯片设计流程冗长复杂，存在大量亟待解决的复杂优化问题。

演化算法作为人工智能的重要研究分支，受达尔文进化论的启发，通过模拟“交叉变异”和“自然选择”等行为，可用于求解机器学习中的复杂优化问题。然而，这类算法几乎纯粹是“启发式”的：在不少情况下有效，但其奏效的原因以及在何种条件下奏效尚不清楚。

LAMDA 组周志华教授带领俞扬教授和钱超教授长期致力于建立相应的理论基础，并对算法设计给出指导。2019 年，他们在 Springer 出版社出版专著《Evolutionary Learning: Advances in Theories and Algorithms》，总结了他们在该方向上过去二十年的主要工作，并于 2021 年出版了中文版《演化学习：理论与算法进展》。
on》在布线长度上较 Google 团队于 Nature’21 提出的方法缩短逾 80%，并荣获 ACM SIGEVO Human-Competitive Results 奖。

• 针对芯片全局布局问题，该团队在 DAC’24 发表的海报论文《Escaping Local Optima in Global Placement》通过变异算子有效缓解了当前解析式布局器易陷入局部最优的难题，进而将芯片布线长度指标提升了 15%。
• 针对芯片宏元件布局问题，该团队在 NeurIPS’24 发表的论文《Reinforcement Learning Policy as Macro Regulator Rather than Macro Placer》提出了一种全新的、基于强化学习的问题建模方法，通过训练策略对既有布局进行高效微调，而非从零开始布局，从而保证了宏元件布局的贴边性和规整性，并在时序和拥塞等关键指标上取得了一致且显著的提升。
• 针对芯片宏元件布局问题，该团队在 DAC’25 发表的论文《ReMaP: Macro Placement by Recursively Prototyping and Periphery-Guided Relocating》将大量专家经验融入算法设计中，优化了宏元件与标准元件之间的数据流，使其更加符合工业界的实际需求。相较于当前最先进的开源 EDA 工具 OpenROAD，该方法在芯片最终时序指标上提升超过 65%。
• 部分技术已在华为海思落地验证，其中包括攻克华为“揭榜挂帅”难题“EDA 专题难题：超高维空间多目标黑盒优化技术”，使芯片寄存器寻优效率平均提升 22.14 倍。

目前，LAMDA 团队正与华为深入合作，期望通过先进的芯片设计来缓解当前先进制造工艺的局限性。

参考资料：

• https://ai.nju.edu.cn/5d/02/c17806a744706/page.htm

本文转载自微信公众号：新智元（ID：AI_era），原文标题为《南大钱超团队攻克百亿晶体管难题，斩获 EDA 顶会 2025 最佳论文！AI 学院本硕博生联手》