首页 >> 往期培训 >>深度学习集成电路设计专题 >> 第1届北京等贤深度学习集成电路设计培训班第一轮通知
详细内容

第1届北京等贤深度学习集成电路设计培训班第一轮通知

发布日期:2026年06月11日

培训简介 

深度学习集成电路设计是人工智能与芯片设计深度融合的重要前沿方向,旨在利用神经网络、图神经网络、强化学习、生成式模型等智能算法,提升集成电路在架构设计、逻辑综合、版图布局布线、功耗优化、时序分析、故障检测与性能预测等环节的自动化与智能化水平。相比传统依赖人工经验和多轮EDA工具迭代的设计模式,深度学习能够从海量芯片设计数据、仿真结果和工艺参数中学习复杂映射关系,快速完成设计空间探索、关键参数预测与多目标优化,从而显著缩短芯片研发周期、降低设计成本并提升电路性能。该方向不仅契合人工智能芯片、先进制程、智能EDA和国产化集成电路发展的迫切需求,也为高校师生和科研人员开展高水平论文研究、工程应用创新及产业化落地提供了重要突破口。

培训目标 

1.掌握Python编程技能和深度学习方法掌握深度学习的理论、框架和模型,训练AI实战能力,包括常用的神经网络类型、Vim文本编辑能力、Python编程以及Pytorch神经网络框架,为AI在EDA领域的应用奠定扎实的能力基础。

2.熟悉集成电路设计自动化EDA流程熟悉集成电路设计自动化EDA在芯片设计流程中各个阶段的应用,了解常用EDA算法的基本原理,能用Python实现基本的EDA算法,并通过本课程发现AI在EDA领域的应用机会点,为后续科研找到方向。

3.熟悉AI在芯片APR过程中的应用熟悉芯片物理设计,即布局、时钟树综合和布线(APR)的具体流程和相关算法,并了解AI在APR过程中的应用场景和经典论文,学习AI在APR算法中的经典应用案例,并在上机实验中进行复现,对AI在EDA领域中的应用有深入的认识

4.掌握AI用于EDA建模的能力能够使用AI模型对EDA领域的问题进行建模,通过集成电路 EDA 设计精英挑战赛的实战赛题,实际了解企业在AI4EDA领域的真实需求和难点问题,并在上机实验中学习如何使用AI算法对EDA领域的问题进行建模,为工作积累项目经验。

培训授课讲师

主讲老师来自国内985重点高校,拥有两年海外留学经历,集成电路EDA电路设计自动化研究方向,参与多项国家自然科学基金面上项目。熟悉深度学习方法和EDA算法及相关软件的使用,具有丰富的编程经验和EDA工具使用经验,对深度学习方法应用于EDA物理设计流程有深入的研究和优秀的成果,参加了2022/2023/2024年集成电路 EDA 设计精英挑战赛,并在EDA领域期刊上发表了数篇论文。

本课程深入介绍了深度学习在EDA领域的众多应用,授课内容丰富。通过此次课程,学员能够快速上手深度学习方法,包括图神经网络、强化学习等,并掌握Python编程和Pytorch深度学习框架等代码能力。本课程覆盖了绝大多数AI在EDA领域的应用场景,安排了较多的上机实验,提供大量相关代码与示例教程,包括Google AlphaChip、集成电路EDA 设计精英挑战赛的实战赛题等,帮助学员熟悉各种AI for EDA方法的使用,快速复现顶刊论文结果,从而对AI for Science在EDA方面的应用有更加深入的了解。

培训内容大纲 

第一部分:EDA集成电路设计自动化和Python编程

1.理论内容

(1)课程引言

①EDA设计自动化的基本概念

②AI4EDA——深度学习在EDA领域的应用和优势

③课程内容安排和参考资料

(2)芯片设计的流程和EDA的应用

①芯片设计的流程——从Spec到Tape Out

②EDA工具在后端物理设计中的应用——从RTL到GDSII

③AI4EDA的发展历程和概况

(3)Python编程基础

①Python编程语言介绍

②Python编程的优势

③常用的Python库——Numpy、Matplotlib和Scipy等

(4)Python编程实现超图分割算法

①超图分割算法应用于网表切分partition

②超图分割算法——从 Kernighan-Lin algorithm算法到Fiduccia-Mattheyses Algorithm

2.上机实验

(1)Linux系统的常用命令

①命令行终端软件——iTerm和Xshell

②ls/ll/cd/cp/mv/cat/pwd/less/tail/mkdir/touch等命令行操作

③vim文本编辑

(2)Python环境管理软件Anaconda的使用

①使用Conda命令创建环境、安装Python库

②使用Conda命令管理环境和环境的回溯

(3)Python编程语言基础和集成开发环境(IDE)的介绍

①数据类型、函数、类和对象、模块

②Pycharm软件的使用和常见用法

③Jupyter Notebook的使用

(4)Python实战

①条件语句,循环语句等

②Numpy数学运算库

③Pandas数据分析库

④Matplotlib数据可视化

(5)超算服务器和Slurm作业调度系统的使用

(6)Python进阶——使用Python实现Kernighan-Lin algorithm和Fiduccia-Mattheyses Algorithm超图分割算法

①KL/FM算法介绍和在EDA领域的应用

②KL算法的Python实现和效果展示

③FM算法的Python实现和效果展示

第二部分:AI4EDA——深度学习方法、Pytorch编程和TCAD仿真加速

1.课程内容

(1)深度学习基本理论

①人工神经网络与万能近似定理

②神经元的基本结构与功能

③常见的激活函数及其特点

④前向传播与反向传播的基本原理

(2)深度学习的发展历程和优势

①神经网络的发展历程:从全连接到深度学习大模型

②神经网络的常见分类:FNN、CNN、RNN和GNN

③深度神经网络入门——以ResNet残差神经网络为例

④常用的深度学习库——Pytorch简介

(3)AI4EDA初探——面向 TCAD 仿真的通用器件模型算法和实现

①TCAD仿真和器件建模的背景

②深度学习的梯度计算和Pytorch自动微分

③深度学习用于构造NMOS/PMOS器件模型和工艺参数优化

2.上机实验

(1) Pytorch深度学习框架

①Pytorch的安装和调用GPU训练模型

②Pytorch的基本功能与模块化设计

③Pytorch和Numpy对比

④使用Pytorch搭建简单的神经网络模型

⑤神经网络的训练流程

(2)深度学习项目实践Toy Project:ResNet残差网络用于手写数字识别

①手写数据集的准备

②ResNet模型的训练、测试和评估

③深度学习模型训练的超参数设置和调参

(3)2022年集成电路 EDA 设计精英挑战赛赛题实战:面向 TCAD 仿真的通用器件模型算法和实现

①赛题背景和要求

②基于前馈神经网络FNN和跨导概念对NMOS/PMOS电学性质进行建模

③Pytorch的神经网络自动微分功能

④深度学习模型的训练、推理和精度评估

第三部分:AI4EDA——APR Placement布局算法

1.课程内容

(1)后端物理设计流程简介

①Netlist Partition、Chip Planning、Pin Assignment和Powerplan规划

②Placement、CTS和Route(APR)

③形式验证FM和版图一致性验证LVS

④静态时序分析STA、时序收敛和电源完整性PI

⑤时序的基本概念:建立时间和保持时间

(2)芯片Placement的过程——从global placement到detailed placement

①芯片布局的目标——线长、拥塞度和PPA

②线长评估模型:HPWL半周线长和RMST最小生成树

③时序评估模型:Elmore模型和查找表LUT

④Global placement——粗粒度全局布局

⑤Detailed placement——细粒度详细布局

(3)Placement相关算法

①Min-Cut最小隔算法

②基于模拟退化SA算法的全局布局方案

③基于解析法的布局方案:仿电场、密度和时序

④布局问题的求解——基于梯度下降的数值求解算法

(4)图卷积神经网络

①图数据结构和图卷积神经网络简介

②图神经网络应用于电路和网表建模

③深入理解图卷积——消息传递过程

④图卷积和图像卷积的区别

(5)强化学习简介

①强化学习的基本思想:智能体、环境、动作、奖励和状态

②强化学习的机制和常用算法

③强化学习的应用场景和在EDA领域的应用

(6)深度学习用于芯片Placement布局优化

①基于扩散模型的Macro Placement方案(PMLR 2025)

②Google AlphaChip:最早用于芯片布局的深度强化学习方案(Nature 2021)

③DREAMPlace:基于深度学习的VLSI布局工具(ICCAD 2023)

④RL_PCB:基于强化学习的板级布线算法(DATE 2024)

2.上机实验

(1)Python编程实现一个基本的Placement算法

①基于模拟退火的Macro Placement算法

②Python代码编写和效果测试

(2)强化学习实战——DQN应用于倒立摆CartPole-v1任务

①DQN原理解读

②Pytorch编程实现利用强化学习框架解决倒立摆CartPole-v1问题

③模型训练和效果展示

(3)Google AlphaChip:最早用于芯片布局的深度强化学习方案(Nature 2021)

①AlphaChip源码讲解

②Google AlphaChip的 安装

③Google AlphaChip的训练和测试

(4)DREAMPlace:基于深度学习的VLSI布局工具(ICCAD 2023)

①DREAMPlace源码讲解

②DREAMPlace的安装和部署

③DREAMPlace的使用和测试

第四部分:AI4EDA——APR CTS时钟树综合算法

1.课程内容

(1)片上时钟和时钟树简介

①时钟的产生和时钟源

②时钟树的基本概念:skew和latency

③时钟树的结构和作用

(2)芯片CTS时钟树综合的过程——从Cluster到Balance

①CTS的目标——clock latency、skew、DRC和timing

②Cluster过程——寄存器聚类、DRC和时钟树构造

③Balance过程——时钟树打平和结构优化

(3)CTS的相关算法和进阶概念

①寄存器分组和聚类:K-means和层次聚类

②延迟平衡:Balance和DME算法

③时钟布线:Steiner树和FLUTE算法

④零偏斜树ZST、有界偏斜树BST和有用偏斜useful skew

(4)深度学习应用于时钟树综合和开源的CTS框架

①生成对抗网络GAN应用于时钟树预测和优化(TCAD 2022)

②图神经网络应用于时序预测(DAC 2022)

③iCTS框架(TCAD 2025)

④TritonCTS:先进的开源CTS算法(TCAD 2018)

2.上机实验

(1)Python编程实现DME延迟平衡算法

①基于DME的时钟树buffering和balance过程

②Python代码编写和效果测试

(2)OpenROAD和TritonCTS

①OpenROAD软件的安装

②Demo:在OpenROAD上运行CTS任务

(3)论文复现:基于图神经网络的时序预测方法(DAC 2022)

①数据集下载和预处理

②Pytorch编写图神经网络和代码解读

③图神经网络的训练和时序预测

第五部分:AI4EDA——APR Route绕线算法、逻辑综合和芯片电源完整性

1.课程内容

(1)芯片绕线routing过程:从global routing到detailed routing

①芯片布线基本概念:pitch、track、layer和线长

②芯片布线的优化目标——总线长、DRC、SI和PPA

③Global routing——G-cell和全部布线

④Detailed routing——详细布线

(2)Routing的相关算法

①Maze-Routing algorithm——基于图的迷宫算法

②基于A* 搜索的PathFinder算法

③整数线性规划算法求解routing问题

(3)深度学习应用于芯片绕线和开源的绕线算法

①RouteNet——AI应用芯片可布线性预测的经典工作(ICCAD 2018)

②异步强化学习框架应用于详细布线的线网顺序探索(DATE 2021)

③DR-Guide——应用于详细布线的生成式AI框架(MLCAD 2025)

④TritonRoute——OpenROAD的route组件

(4)深度学习应用于芯片电压降IR drop预测

①芯片电源完整性和IR drop简介

①IR drop预测相关的文献和深度学习建模方法

②深度卷积神经网络应用于芯片建模和电压降预测

③GoogleNet和Inception模块

(5)深度学习应用于逻辑综合Logic Synthesis

①逻辑综合的基本概念

②利用GCN模型提升电路可测性(DAC 2019)

③DRiLLS——深度强化学习用于逻辑综合(ASP-DAC 2020)

(6)Attention is All You Need——Transformer模型

①Transformer原理讲解

②Transformer架构在AI模型中的应用

2.上机实验

(1)Python编程实现一个基本的Routing算法

①Maze routing算法介绍

⑤Python编程实现Maze routing算法

⑥算法效果测试

(2)2024年集成电路 EDA 设计精英挑战赛赛题实战:基于机器学习的 SoC 电源网络静态压降预测

①芯片版图提取和建模;

②Pytorch编程搭建基于Inception模块的CNN模型

③模型的训练、推理和预测精度

(3)论文复现:DRiLLS——深度强化学习用于逻辑综合(ASP-DAC 2020)

①DRiLLS深度强化学习框架讲解;

②源码解读和关键;

③Agent训练和效果测试

课程特色及授课方式

线上授课时间和地点自由,建立专业课程群进行实时答疑解惑,理论+实操授课方式结合大量实战案例与项目演练,聚焦人工智能在集成电路领域的最新研究进展,课前发送全部学习资料,课程提供全程答疑解惑;

完全贴合学员需求的课程体系设计,定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,发送全部案例资料,永不解散的课程群,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单!

增值服务

1、凡参加人员将获得本次课程学习资料及所有案例模型文件;

2、课程结束可获得本次所学专题全部回放视频;

3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期)

课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高!

学员对于会议答疑给予高度评价!

授课时间

深度学习集成电路设计专题

2026.07.26(上午9:00-11:30 下午 13:30-17:00)

2026.07.31(晚上19:00-22:00)

2026.08.01----2026.08.02(上午9:00-11:30 下午 13:30-17:00)

2026.08.07(晚上19:00-22:00)

2026.08.08(上午9:00-11:30 下午 13:30-17:00)

腾讯会议线上授课(共五天课程 提供全程视频回放和课程群答疑)

课程费用

每人每班:4980元

往届学员的优惠:为便于往届学员获得后来历届培训里增加的大量新知识,,参加过以往任意一届北京等贤培训班的学员可享受8折优惠!报名时请主动在邮件里说明。

报名方式

 屏幕截图_29-5-2026_15226_www.dxianai.com(1).jpeg

联系人:陈老师

咨询电话:15652523032(微信同号)

相关事项(必读!)

1、每个学员在报名后都会提供盖有公章的邀请函。

2、若有任何问题需要咨询或沟通,请发送邮件至13141346157@qq.com。

3、郑重声明:北京等贤的培训讲义、录音以及培训中提供的一切电子资料,皆仅限学员自己学习使用,严禁私下复制、传播、盗卖,不得发布至网络上公开平台,否则必将被严厉追究法律责任、要求赔偿经济损失,情节严重的还将在网络上予以公示、向涉事者所在学校/单位进行通报。报名本培训视为认可本条款。

4、报名后允许取消报名,决定取消报名时应尽早通知我们。如果在报名后因为不可抗力而不得不取消报名,一次无妨,但如果反复出现多次在报名后又取消报名的情况(特别是到了培训快开始,我们发催款通知后才说要取消报名),将会影响信誉,导致在报名未来北京等贤的培训时降低受理的优先级,或者不再接受。如果报名后,我们尝试通过报名表中的各种联系方式联系报名者但经过数日都没有收到任何回复,本次报名将作废,且报名未来的培训时将不再受理。我们希望发来报名表的都是真心要参加培训学习知识的人,请尽量避免浪费有限的培训名额。



seo seo