ARTICLE · 1213414
如何用AI工具完成逆向芯片设计?
如何用AI工具完成逆向芯片设计?核心定位：AI不是一键全自动逆向，只负责自动化底层重复工作；电路解读、仿真校验、模块重构依然由工程师主导；数字IC自动化程度高，模拟IC仅底层图像环节能加速。 整体链路 开封切片→SEM/光学逐层成像 → AI图像分割矢量化 → 提取器件+连线生成网表 → AI网表聚类/高层重构 → SPICE/Verilog仿真校验 → 架构解读 → 二次自研设计（合规路线） 步骤1：芯片物理制备与图像采集（硬件前置） 1. 芯片开封：化学开封去除塑封，暴露Die； 2. 逐层剥离：湿法/干法腐蚀，一层层去除金属层、介质层，每剥一层拍摄显微图像（光学显微镜或者SEM扫描电镜），得到多层二维版图照片。 输出：多层灰度图片（每一层金属、多晶、通孔单独一组图像） AI在这里不做物理剥离，仅处理图片。 步骤2：AI图像分割 + 版图矢量化（AI减负最强环节） 目标：把像素图片 → 识别晶体管、电阻、电容、金属走线、通孔，转换成矢量多边形版图。 可用AI工具 1. 商用：ACCOMPANIST（国内逆向行业主流），内置CNN语义分割模型 - 自动识别MOS、多晶电阻、MIM电容、金属、Via通孔； - 自动矢量化，生成GDSII初步版图； - 自动识别切片伪影、图像噪声，减少人工标记工作量。 2. 开源方案：Degate + YOLO/UNet模型 - Degate是开源芯片逆向平台，接入UNet语义分割模型，训练识别器件； - 适合小规模学习，识别精度低于商用平台。 ✅ 工作成果：输出原始矢量版图，软件自动提取器件端口、连接关系，导出原始网表（数字：门级网表；模拟：器件级SPICE网表） ⚠️ 缺陷：AI会存在器件误识别、断线、多余通孔；必须人工逐区域复核修正，一处识别错误会直接导致后续仿真失败。 步骤3：AI对网表进行图解析、模块聚类 拿到底层原始网表之后，网表是平铺的器件列表，看不出模块划分，人工梳理极耗时间。 - 数字芯片：使用GNN图神经网络（RELIC-GNN/HAL开源框架） 自动聚类相同逻辑单元、识别寄存器、数据通路、状态机，自动分组模块，把扁平化门级网表拆成UART、SPI、控制器等子模块。 再用LLM大模型（Gate-Breaker）将门级网表反向翻译还原高层Verilog RTL代码，同时生成模块功能描述。 - 模拟/混合信号芯片：GNN仅能识别器件连接，无法自动识别运放、带隙、LDO、SAR ADC拓扑；只能依靠LLM辅助阅读SPICE网表，输出电路描述，模块划分、拓扑判断必须模拟工程师完成。 步骤4：AI辅助仿真校验、参数拟合 1. AI Agent自动批量调用Spectre/Verilog仿真，跑PVT角、蒙特卡洛仿真； 2. GNN代理模型快速预测电路性能（增益、带宽、失调、SNR等），减少大量慢速SPICE仿真； 3. 将仿真结果与原芯片实测参数对比，AI定位网表/版图提取错误，迭代修正网表、器件W/L参数。 模拟芯片重点难点：寄生参数（线电容、衬底耦合）很难完整还原，微小寄生差异就会改变稳定性、噪声。AI只能提取几何寄生，衬底耦合、衬底噪声很难还原。 步骤5：架构解读（人为主导，AI辅助） 交给LLM（GPT/DeepSeek等）： - 输入网表+仿真结果，让大模型解释电路工作原理； - 识别电路拓扑、分析PPA取舍、拆解保护机制（ESD、Latch-up、过流保护）； - 生成技术分析文档，总结竞品设计思路、优缺点。 风险：大模型存在电路幻觉，会编造电路原理，所有AI输出结论必须仿真核验，不能直接采信。 步骤6：合规二次设计（不直接复刻原版图） 这是合法使用逆向成果的核心：不复制原布图，吸收架构思路，独立重新设计。 衔接前面看到的GenAI模拟IC“Push-button”设计工具： 1. 根据分析得到的指标与架构思路，编写Spec； 2. 生成式AI辅助完成拓扑选型、器件sizing、生成新版图； 3. 独立完成补偿、匹配、可靠性设计、DRC/LVS、signoff签核，产出全新原创GDS。 不同芯片类型实操难度与工具选型总结 芯片类型 AI能做到的 AI做不到的 中小规模数字IP（UART、SPI） 图像自动标注、单元识别、网表聚类、RTL还原 无法还原原始约束、验证激励，需要人工校验 模拟IP（LDO、运放、带隙基准） 图片矢量化、器件识别、生成SPICE网表 自动识别电路拓扑、还原衬底寄生、自动判断稳定性 先进7nm FinFET芯片 仅科研原型图像识别 工程层面不具备落地价值，识别错误率极高 常见坑点 1. 图像识别错误：Dummy填充金属、冗余器件、熔丝、MOL多层结构，极易造成AI识别错乱； 2. 电路幻觉：LLM解读网表会虚构功能，仿真是唯一验证标准； 3. 模拟电路寄生短板：版图微小不对称、衬底隔离差异，都会改变性能，AI很难完整提取； 4. 法律红线：直接复制原版图/IP流片商用，属于侵权；逆向仅允许用于技术分析、学习。 精简实操工具清单 1. 图像分割矢量化：ACCOMPANIST（商用） / Degate+UNet（开源学习） 2. 网表图分析：HAL + RELIC-GNN 3. 网表转RTL：Gate-Breaker（LLM） 4. 电路解读、脚本生成：通用大模型GPT/DeepSeek 5. 仿真：Spectre、VCS（AI Agent自动调度仿真任务）
