獲獎(jiǎng)證書(shū)

日前，由美國(guó)亞利桑那州立大學(xué)VDA Lab等聯(lián)合發(fā)起的2025年MLCAD Contest（面向電子設(shè)計(jì)自動(dòng)化的機(jī)器學(xué)習(xí)競(jìng)賽）落下帷幕。

復(fù)旦大學(xué)集成電路與微納電子創(chuàng)新學(xué)院、復(fù)旦大學(xué)集成芯片與系統(tǒng)全國(guó)重點(diǎn)實(shí)驗(yàn)室博士研究生潘鴻洋、蘭存清團(tuán)隊(duì)?wèi){借創(chuàng)新的前后端協(xié)同方法與輕量化AI算法，在12個(gè)工業(yè)場(chǎng)景設(shè)計(jì)案例中獲得5個(gè)第一，最終以總分第一的成績(jī)獲得競(jìng)賽總冠軍。

EDA（注：Electronic Design Automation，電子設(shè)計(jì)自動(dòng)化）是利用計(jì)算機(jī)輔助設(shè)計(jì)軟件完成超大規(guī)模集成電路設(shè)計(jì)全流程的技術(shù)，涵蓋功能設(shè)計(jì)、仿真、驗(yàn)證、物理設(shè)計(jì)等環(huán)節(jié)，將抽象的規(guī)格與算法自動(dòng)化轉(zhuǎn)化為可制造的版圖并保障正確性與效率，被稱(chēng)為“芯片之母”。

MLCAD作為聚焦機(jī)器學(xué)習(xí)×電子設(shè)計(jì)自動(dòng)化（EDA）的ACM（注：國(guó)際計(jì)算機(jī)協(xié)會(huì)）/ IEEE（注：電氣電子工程協(xié)會(huì)）國(guó)際學(xué)術(shù)會(huì)議，旨在推動(dòng)機(jī)器學(xué)習(xí)在芯片全流程中的創(chuàng)新應(yīng)用與產(chǎn)業(yè)化，在行業(yè)領(lǐng)域具有很高關(guān)注度。

潘鴻洋（左）、蘭存清（右）

會(huì)議每年圍繞行業(yè)核心難題設(shè)置競(jìng)賽題目，今年的賽題為“ReSynthAI：Physical-Aware Logic Resynthesis for Timing Optimization Using AI”，即利用人工智能進(jìn)行物理感知的邏輯再綜合以?xún)?yōu)化時(shí)序，直指EDA領(lǐng)域一個(gè)存在已久的瓶頸：邏輯綜合（Logic Synthesis）階段缺乏物理信息，導(dǎo)致優(yōu)化效果大打折扣。賽題任務(wù)聚焦“邏輯綜合之后、版圖之前”的關(guān)鍵位置，直指EDA領(lǐng)域“前后端工具割裂”這一懸而未決的關(guān)鍵問(wèn)題，這也是全球EDA社區(qū)面臨的重要挑戰(zhàn)。

“EDA流程分為前端的邏輯綜合和后端的物理實(shí)現(xiàn)，前端好比‘建筑師’，關(guān)心功能正確；后端則是‘施工隊(duì)’，要考慮材料、引線(xiàn)、空間限制等物理約束?！迸锁櫻蠼榻B，邏輯綜合階段的任務(wù)是將電路功能轉(zhuǎn)換成標(biāo)準(zhǔn)邏輯門(mén)網(wǎng)表，但這一過(guò)程通常不包含物理信息，當(dāng)網(wǎng)表進(jìn)行物理設(shè)計(jì)時(shí)，會(huì)發(fā)現(xiàn)基于前端模型估算的最優(yōu)指標(biāo)，在真實(shí)物理約束下是次優(yōu)，從而需要大量的迭代修改，顯著增加了研發(fā)周期與成本。而此次競(jìng)賽的核心任務(wù)，正是探索打通前后端流程的有效路徑。

隨著芯粒、3D芯片等先進(jìn)設(shè)計(jì)的興起，前端設(shè)計(jì)階段亟需融入后端物理信息，“我們的核心思路是在設(shè)計(jì)開(kāi)始階段就引入物理信息，進(jìn)行前后端協(xié)同優(yōu)化?！迸锁櫻笳J(rèn)為，這種思路也能兼容未來(lái)15年的先進(jìn)工藝。

賽題的挑戰(zhàn)在于，需要在極其復(fù)雜的決策空間中進(jìn)行權(quán)衡，必須從一系列操作中選擇最優(yōu)的組合與執(zhí)行順序。以往的研究往往只孤立地處理其中一項(xiàng)或幾項(xiàng)，而競(jìng)賽要求將多種變換同時(shí)納入考量，這極大地增加了問(wèn)題的復(fù)雜度。

“AI不是萬(wàn)能公式，關(guān)鍵是用對(duì)方法。”蘭存清表示，競(jìng)賽要求在3小時(shí)內(nèi)僅用一張A100 GPU完成所有優(yōu)化，這意味著通用大模型方案因算力開(kāi)銷(xiāo)巨大，而并不可行，因此，團(tuán)隊(duì)選擇了更貼合競(jìng)賽需求的輕量化AI方案，團(tuán)隊(duì)最終采用強(qiáng)化學(xué)習(xí)技術(shù)，構(gòu)建了一個(gè)AI智能體，通過(guò)“打分學(xué)習(xí)”機(jī)制進(jìn)行訓(xùn)練，讓AI在海量的操作組合中自主探索——

“我們?yōu)槊恳徊讲僮鞯慕Y(jié)果設(shè)定一個(gè)‘分?jǐn)?shù)’，AI的目標(biāo)就是找到一套能獲得最高總分的操作序列?！痹谂锁櫻罂磥?lái)，這種方法不僅解決了人工探索耗時(shí)過(guò)長(zhǎng)的難題，還能發(fā)掘出超越傳統(tǒng)啟發(fā)式算法的優(yōu)化方案，實(shí)現(xiàn)效率與效果的平衡。

賽題框架

回顧整個(gè)參賽歷程，團(tuán)隊(duì)坦言，挑戰(zhàn)與機(jī)遇并存。從拿到賽題到最終提交，兩個(gè)月的準(zhǔn)備時(shí)間里，僅搭建流程與環(huán)境就花費(fèi)了一個(gè)月，留給算法優(yōu)化的時(shí)間也就剩一個(gè)月?！爱?dāng)時(shí)我們的策略是不追求‘完美方案’，先迭代出基礎(chǔ)版本，再逐步優(yōu)化?！迸锁櫻蠡貞?，大家?guī)缀趺刻旒影嗉狱c(diǎn)，在最后提交階段更是繃緊了神經(jīng)。

備賽過(guò)程中，二人也需要應(yīng)對(duì)方向上的困境?！爱?dāng)時(shí)我們?cè)诩?xì)顆粒度優(yōu)化和粗顆粒度優(yōu)化之間搖擺不定，既想做頂層算法，又想優(yōu)化每個(gè)小環(huán)節(jié)?！标P(guān)鍵時(shí)刻，朱可人、王志昂兩位指導(dǎo)老師的建議幫他們理清了思路。

朱可人（左一）、王志昂（右一）、潘鴻洋（左二）、蘭存清（左三）

“老師讓我們先做簡(jiǎn)單評(píng)估，用數(shù)據(jù)判斷哪種方法更優(yōu)，避免浪費(fèi)時(shí)間?！睘楸Ｕ细?jìng)賽順利推進(jìn)，指導(dǎo)老師每周定期召開(kāi)會(huì)議，同步進(jìn)展、解決困惑，針對(duì)關(guān)鍵節(jié)點(diǎn)提供高效的評(píng)估與建議。

本屆大賽的參賽者覆蓋北美、歐洲與亞洲的高校與企業(yè)，能在眾多團(tuán)隊(duì)中脫穎而出，潘鴻洋和蘭存清認(rèn)為，準(zhǔn)確判斷、主動(dòng)做出取舍是關(guān)鍵。MLCAD的賽制不僅要求在短時(shí)間內(nèi)完成優(yōu)化任務(wù)，還涉及眾多的優(yōu)化變量，難以做到面面俱到。

面對(duì)這一挑戰(zhàn)，團(tuán)隊(duì)沒(méi)有追求所有目標(biāo)的完善，而是主動(dòng)通過(guò)梳理和判斷明確優(yōu)化目標(biāo)，對(duì)最終成績(jī)起決定性作用。

“我們把更多精力放在關(guān)鍵目標(biāo)上，在更核心的部分投入，保證了重點(diǎn)環(huán)節(jié)的優(yōu)化效果，這一點(diǎn)真的很重要?！碧m存清表示，這種思路也給大家?guī)?lái)啟發(fā)：“在相對(duì)短的時(shí)間內(nèi)，要找到更關(guān)鍵的部分，去做更多的探索。”

祝賀復(fù)旦學(xué)子以卓越的創(chuàng)新能力閃耀世界舞臺(tái)！期待更多復(fù)旦青年在國(guó)際賽場(chǎng)中取得優(yōu)異成績(jī)！