模拟版图AI,开始抢工程师的饭碗了

在芯片设计的世界里，数字电路早已高度自动化——综合、布局布线、时序收敛，工程师按下按钮，工具吐出GDSII。但模拟版图设计，至今仍是一门需要“金手指”的手艺。器件匹配、寄生效应、阱邻近效应、电流密度均匀性……每一个细节都需要工程师用经验和直觉去雕琢。一块好的模拟版图，被称作“芯片上的艺术”。

正因为如此，当AI大举入侵各行各业时，模拟版图设计始终是一块难啃的骨头。不是算法不够聪明，而是“老师”太少——高质量、有标注的模拟版图数据极度稀缺。更何况，模拟版图任务种类繁杂：画接触孔、打通孔、填dummy、做阱、布金属线……每一项都像是独立的技艺，难以用一个模型通吃。

然而，一篇近期发表在TCAS-I上的论文，正在挑战这种“经验不可替代”的叙事。来自韩国浦项科技大学（POSTECH）的研究团队，首次提出了一个面向模拟版图设计自动化的UNet基础模型，及其配套的自监督学习方法。它不仅能在五项核心版图任务上达到96.6%的通过率，更令人不安的是——它生成的版图，经过后仿真验证，在模拟性能上居然与人类专家设计不相上下。

当AI开始学会“手感”，工程师的护城河，还在吗？

一个不需要老师的学习方法

故事的关键，在于他们解决了一个此前困扰整个领域的问题：没有标注数据，怎么训练模型？

传统的深度学习路线需要大量的“输入-输出”配对数据。比如，要训练一个生成接触孔的模型，你得有上千个“缺少接触孔的版图→完整版图”的样本对。在模拟版图领域，这样的数据几乎没有。人工标注不仅耗时，而且容易出错。

POSTECH团队想出了一个“取巧”的办法。他们的思路极其朴素：既然没有老师，那就让模型做“完形填空”。

具体来说，他们从仅有的6个经过硅验证的手工版图中，随机裁剪出大约15,000个固定大小的版图碎块。然后，对这些碎块进行“随机掩码”——随机性地抹掉某些图层上的图形元素。被抹掉一部分图形的碎块作为输入，被抹掉的那些图形元素作为输出目标。就这样，无需任何人工标注，他们自动生成了324,000个训练样本。

这就是所谓的自监督学习。模型在预训练阶段的任务只有一个：根据残缺的版图，猜出被挖掉的部分应该长什么样。正是在这种“修复残图”的过程中，模型隐式地学到了什么是“合理”的版图模式——金属走线不该无故断开，接触孔应该出现在金属与有源区的交叠处，N阱的边界应该包裹住所有PMOS器件……

这些知识不是靠规则灌输的，而是从为数不多但设计精良的人类作品中“悟”出来的。预训练完成后，这个基础模型就具备了模拟版图的“通识教育”背景。

一个模型，五项任务，一次微调

有了“通识”，接下来的事情就简单了。

对于任何具体的下游任务，只需要用少量任务特定的数据对基础模型进行微调，它就能迅速适应新任务。研究团队演示了五类核心版图生成任务：接触孔、通孔、dummy finger、N阱、金属走线。

微调所需的数据量少得惊人。以接触孔生成为例，仅用50个样本进行微调，模型就在全部300个测试版图上达到了100%的DRC/LVS通过率——因为接触孔的生成模式相对简单，基础模型在预训练阶段已经掌握得足够好了。

更具说服力的是金属走线任务。这是五类任务中最复杂的一类：模型需要根据给定的起点和终点，在复杂的版图环境中找到合适的路径，还要避开障碍、满足设计规则。要达到0.95的Dice分数（衡量生成图形与真值重合度的指标），从头训练一个模型需要2,320个样本，而微调基础模型只需要290个——数据需求降至1/8。当训练数据进一步缩减到290个时，微调模型的验证损失比从头训练模型低90%，Dice分数高出40%。

这意味着什么？意味着基础模型预训练阶段学到的“通识”，在数据稀缺时发挥了巨大作用。从头训练的模型在少量数据上容易严重过拟合，而基础模型已经有了对新任务的“先验知识”，它只需要在原有基础上做局部调整，而不是从零开始摸索所有规则。

跨任务的泛化能力同样令人惊叹。在全部5项任务、1,824个测试样本中，微调后的模型成功为96.6%的样本生成了DRC/LVS clean的版图。一个模型，通吃五类任务——这在模拟版图自动化领域是前所未有的。

它真的懂模拟电路吗？

然而，仅通过DRC和LVS验证，只能说明版图“没有明显错误”，不能说明它“性能优秀”。模拟电路对版图的敏感性远超数字电路。同样满足设计规则的版图，可能因为器件匹配不佳而失调电压飙升，也可能因为寄生效应过大而带宽骤降。

AI生成的版图，是“样子货”，还是真能打的“实力派”？

POSTECH团队显然也意识到了这个问题的分量。他们做了一个关键实验：选取一个高速线接收器电路，将其N阱层全部删除，然后让微调后的模型重新生成N阱。接着，提取寄生参数，进行后仿真，将结果与人类专家设计的原始版图对比。

结果让模拟工程师们很难不在意：

• 灵敏度
  
  ：模型版图1.6mV vs 人类版图2.05mV（越低越好，AI胜）
• 失调电压（3σ）
  
  ：模型版图15.57mV vs 人类版图16.44mV（越低越好，AI胜）
• 输入参考噪声
  
  ：模型版图0.457mVrms vs 人类版图0.317mVrms（越低越好，人类胜）

两个赢了，一个输了。整体而言，模型生成的N阱方案在模拟性能上与人类设计基本持平，甚至在关键指标上有轻微优势。

这说明什么？说明模型并不是在机械地模仿几何图形。它从人类专家的设计中学到了一些更深层的东西——比如，N阱边缘应该与PMOS器件保持怎样的距离，阱的形状如何影响应力分布从而影响载流子迁移率……这些物理效应，模型并不“理解”，但它通过大量观察优秀设计，找到了能复现类似效果的模式。

这是一种“知其然，而不知其所以然”的直觉——但很多时候，好的模拟版图工程师不也依赖这种在实践中磨练出来的直觉吗？

从“一个工艺”到“所有工艺”的想象空间

模拟版图设计还有一个令人头疼的特点：换一个工艺节点，很多规则都要重新适应。28nm的经验不能直接搬到65nm，反之亦然。如果模型只能在单一工艺上工作，它的实用价值将大打折扣。

POSTECH团队的实验再次打破了这种担忧。他们将在28nm工艺上训练好的N阱生成模型，直接应用于一个65nm的接收器版图，所需的调整仅仅是：改变像素尺寸（从10nm变为17nm）和映射图层编号。模型从未见过任何65nm版图，但在“零样本”条件下，它生成的N阱与真值的IoU达到了91.3%。

这种跨工艺的泛化能力，意味着基础模型学到的不是某个特定工艺的“死规则”，而是更通用的“好版图应该长什么样”的审美。只要在预处理阶段做好换算，同一个模型就有可能在多个工艺节点上发挥作用。这对于需要同时维护多个工艺设计套件的团队来说，是一个巨大的吸引力。

讨论：模拟芯片工程师的“金手指”会褪色吗？

读完这篇论文，一个无法回避的问题是：如果AI已经能生成性能可媲美人类的模拟版图，那么模拟版图工程师的不可替代性在哪里？

我认为，答案不是一个简单的“会被替代”或“不会”，而是角色会发生根本性转变。

这篇论文展示的能力仍然有边界。它处理的是相对局部的、模式化的任务——在已有版图框架下补全缺失的元素，或者完成单根走线。它还不能从电路网表出发，独立完成完整的芯片级版图规划。它还依赖于人类专家提供的初始版图作为“上下文”，而这些初始版图的设计质量直接影响模型的输出。

更重要的是，当前模型仍然需要人类来做最终决策。比如，论文中提到通孔生成的总体成功率是88%，对于失败的那些案例，需要人类判断是调整输入还是接受替代方案。在金属走线任务中，布线顺序和优先级目前仍需人类规划，模型只在单根走线的生成上发挥作用。

但方向已经清晰了。如果说今天模拟版图工程师70%的时间花在“执行”——画形状、对规则、调间距，30%的时间花在“决策”——评估架构、权衡约束、做出折衷；那么随着这类基础模型的成熟，“执行”部分的比重将不断下降，而“决策”部分的价值将更加凸显。

未来的模拟版图工程师，可能更像一个“AI指挥家”。他不需要亲手画每一条线，但他需要知道：给AI什么样的输入，如何评估AI的输出，在哪些关键点上需要人工干预，如何设计版图的全局架构让AI在局部有最优发挥。金手指不会消失，但它将从“画线的手”变成“指挥的手”。

而对于整个行业来说，这篇论文的意义在于，它第一次系统性地验证了“基础模型+自监督学习+微调”这一范式在模拟版图自动化中的可行性。从需要为每个任务从头开发专用模型，到用一个预训练基础模型快速适配各种下游任务，这种改变将大幅降低AI辅助版图设计的门槛和成本。

正如论文作者在结尾所展望的，这只是一个开始。更大规模的数据集、更多样的下游任务、更复杂的全局版图生成，都是有待探索的下一站。但至少从这篇论文来看，通往“模拟版图自动驾驶”的道路，已经亮起了第一盏绿灯。

工程师们，准备好和AI做同事了吗？

回顾芯片设计的历史，每一次工具的革命都会引发“人是否会被替代”的焦虑。从手绘版图到CAD工具，从原理图网表到RTL综合，技术的跃迁改变的是工程师的工作方式，而不是消灭了工程师这个职业。

但这一次略有不同。因为AI学的不再是确定的规则，而是人类设计师的品味和直觉。当一种曾经被认为是“只可意会不可言传”的能力开始被AI捕获和复用时，我们确实需要重新思考，作为工程师，我们的核心价值究竟在哪里。

或许，这也是一个契机——把那些重复性的、依赖经验的“劳动”交给AI，让自己有更多精力去做那些真正需要创造力和系统思维的“设计”。

所以问题不是“金手指还灵不灵”，而是“你的下一根手指，愿意伸向哪里？”