#集成电路，#芯片设计，#EDA，#大语言模型，#人工智能，#数据挖掘
集成电路设计历来是智力密集型产业，随着芯片复杂度指数级增长，人力投入与研发周期成本持续攀升，而传统EDA技术难以满足日益复杂的设计需求。在这一背景下，行业亟需探索全新的技术路径以实现根本性突破。很多研究认为：人工智能驱动的EDA被视为是关键使能性技术，可以大幅提高设计效率，但无法代替人类决策。
本观点论文则认为：大语言模型（LLM）区别于过去的EDA技术以及人工智能技术，它开辟了全新可能，甚至于有望最终促成“AI赋能芯片设计(AI-for-Chip)” 与 “芯片支撑AI发展(Chip-for-AI)” 双向循环的无人化设计流程。
本文聚焦于LLM与EDA技术结合，分析了LLM带来的三个新能力、面临的三个关键挑战以及应用场景。
三大新能力
- 知识的结构化表示与智能提取
面对IC设计中多源异构的数据形态（如设计文档、HDL代码、仿真波形等），LLM凭借其强大的语义理解与跨模态识别能力，能够高效处理并整合这些数据，甚至将其转化为可用于仿真的可计算系统。 - 自然语言框架下的复杂优化求解
传统EDA优化需将工程问题转化为数学或者优化问题，然后采用特定求解器求解，而电路设计中诸多场景却难以精确建模。LLM开辟了一种新的路径：既可作为启发式算法，也可生成特定优化策略，为解决复杂工程问题提供新路径。 - 强化学习赋能下的深度专业推理
经强化学习训练的模型（如DeepSeek R1）具备处理高维复杂知识的能力，可在电路设计中模拟专家决策，通过反复迭代探索最优方案、预测潜在故障，从而加速设计收敛与性能突破。
三大关键挑战
- 模型幻觉与设计精度之间的冲突
LLM存在幻觉，可能生成违背电路原理的结构，且决策过程缺乏可溯源性。可行的解决路径是将其与EDA仿真工具深度融合，构建“设计生成-自动验证-质量闭环”的迭代机制。 - 领域数据稀缺与模型需求之间的矛盾
电路数据多为非结构化形态，且受制于知识产权与保密要求，形成数据孤岛。可建立基于仿真的数据飞轮系统，通过海量仿真构建带标签数据集，持续提升模型专业性。 - 顶层决策能力与底层执行能力的落差
LLMs擅长自然语言层面的知识处理，但在数值优化、图像识别等电路设计关键环节仍存在局限。未来应推动其向“决策中枢”演进，结合专用工具链或多模态模型实现端到端设计闭环。
五大应用场景
- 复杂逻辑电路验证
替代传统人工验证的方式，采用LLM实现验证用例自动生成、RTL代码智能调试和功能安全分析，以极快的速度实现验证收敛。 - 处理器架构探索与优化
通过学习历史架构数据，构建“设计-参数-性能”的模型，快速生成高潜力架构方案，辅助微架构调优与缓存层级设计。 - 模拟电路自动化设计
通过解析设计文档与仿真报告构建电路知识图谱，将专家经验转化为可执行的设计约束，实现模拟电路快速生成。 - 高层次逻辑综合
通过LLM的复杂逻辑推理能力，突破传统方法在庞大搜索空间中的局部最优限制，实现更优的PPA（性能、功耗、面积）权衡。 - 物理设计流程左移
通过构建电路专用模型，实现多阶段数据对齐，在设计早期预测后端指标，提升全流程迭代效率，缩短设计周期。
总结与展望
大语言模型凭借其在知识处理、复杂优化与专业推理方面的能力，为集成电路设计范式的变革带来三大机遇，并在五大应用场景中展现出推动自动化的潜力。
大部分人对AGI最终实现芯片自动化设计没有疑问，但实现“无人参与”的目标究竟是三年、十年甚至于更长的时间？作者认为也许这一进程比我们所有人想象的还要快。
刘乘杰
南京大学电子科学与工程学院，
国家集成电路设计自动化技术创新中心
杨军
东南大学集成电路学院，
国家集成电路设计自动化技术创新中心