LaMPlace團隊 投稿量子位 | 公眾號 QbitAI
用AI指導晶片設計，中科大王傑教授團隊、華為諾亞實驗室、天津大學提出全新晶片宏單元佈局最佳化方法LaMPlace！
以前晶片設計可能是先放好再看效果，現在LaMPlace 能在“放”的時候就考慮最終效能，比如電路執行速度怎麼樣（WNS、TNS這些指標），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工具的智慧化、提速設計流程提供助力，也推動了晶片設計行業的“提前最佳化”趨勢。
該論文已入選ICLR 2025 Oral。
從“可最佳化”到“該最佳化”的EDA目標遷移
在現代晶片設計流程中，宏單元佈局（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（如儲存器、介面、硬核模組）在晶片平面上的空間位置，對後續的標準單元佈局、時鐘樹綜合（CTS）、佈線等環節具有重要影響，從而決定晶片的時序效能、功耗與面積（PPA）表現。其中 Worst Negative Slack（WNS）與 Total Negative Slack（TNS）這類跨階段物理指標，是衡量設計是否滿足時序收斂、能否正常執行的最終標準。但由於這些指標往往依賴後續EDA流程才能計算，現有學習方法難以在佈局階段直接建模或最佳化它們。
現有工作大多采用如下中間指標作為最佳化目標，如基於宏計算的半周線長（macro HPWL）、密度（Density）或擁塞（Congestion）等。這些指標雖然計算方便，但與最終設計目標存在顯著偏離，導致訓練過程與實際最佳化目標不一致，從而限制了演算法在真實晶片設計流程中的應用價值。
LaMPlace 的提出，正是為了打破這一Gap：透過引入結構可解釋的指標預測器，引導佈局搜尋直接“對接最終目標”，實現晶片設計“左移最佳化”的新正規化。
方法概覽 | 可學習掩碼驅動的佈局搜尋框架
LaMPlace 構建了一個以“結構化預測 + 掩碼生成 + 貪心放置”為主幹的最佳化流程，能夠將目標指標（如 WNS/TNS）的資訊在佈局階段前移，作為放置決策的依據。
方法整體包括三個關鍵步驟：
1、結構化指標預測器
離線訓練一個預測器，輸入為當前佈局的宏單元位置分佈，輸出為多個跨階段指標（如WNS、TNS等）的估計值；
2、Laurent 多項式建模
將指標函式形式建模為宏間距離的多項式，所有係數可學習，保持高效計算與結構可解釋性；
3、掩碼生成與引導放置
將預測器輸出轉化為二維掩碼（mask），衡量每個候選位置對指標的影響，用作貪心式放置策略的搜尋引導。
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多項式建模目標函式
作者發現，EDA指標本質上依賴於宏之間的相對距離。因此，LaMPlace 將複雜的EDA指標形式表示成如下的Laurent多項式結構：
其中：
-
表示某個目標指標（如 TNS）；
-
為宏單元的位置；
-
為可學習的係數，這些係數由一個圖神經網路（GNN）生成，表示兩個宏對目標指標的相對影響，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，更保留了指標對佈局結構的可解釋性。
2. 掩碼生成機制（Learnable Mask）
藉助上述預測結構，團隊為每一個待放置宏生成一個二維掩碼：
-
橫縱座標表示晶片平面上的位置； -
每個位置的值表示該位置對目標指標的“邊際代價”； -
掩碼值越小，表示該位置越適合放置。
最終，透過貪心策略，在掩碼上依次選址放置宏單元，構建高質量初始佈局。
3. 易於整合、可拓展的最佳化模組
LaMPlace 不依賴特定搜尋演算法，它本質是一個mask引導模組，可嵌入現有系統中作為plug-in模組，與多種佈局最佳化正規化結合，例如黑盒最佳化器（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 在標準晶片佈局基準 ICCAD 2015 上展現了優異的效能，能夠顯著提升跨階段關鍵指標如時序收斂性、擁塞等，且在未見過的新設計上依然保持穩定效能，體現出良好的泛化能力。
該方法具備良好的模組化特性，能夠靈活嵌入現有佈局最佳化框架中，成為推動EDA設計流程“左移最佳化”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正規化，為AI在晶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，他於2022年畢業於少年班學院，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最佳化與晶片設計等領域的應用、大語言模型等。他在NeurIPS、ICML、ICLR等人工智慧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”稱號；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路科技有限公司。
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 —
學術投稿請於工作日發郵件到：
標題註明【投稿】，告訴我們：
你是誰，從哪來，投稿內容
附上論文/專案主頁連結，以及聯絡方式哦
我們會（儘量）及時回覆你
🌟 點亮星標 🌟