近日，第63届设计自动化国际会议（DAC 2026）在美国长滩举行。作为全球EDA（电子设计自动化）领域历史最悠久、最具学术影响力的顶级会议之一，DAC持续引领着芯片设计与自动化技术的前沿潮流。随着人工智能技术的深度渗透，EDA与AI的交叉融合已成为学界与业界瞩目的焦点。在本届会议上，上海科技大学信息学院共有6篇研究成果发表，研究内容覆盖AI赋能EDA（AI for EDA）与EDA支撑AI芯片架构设计（EDA for AI）两大核心赛道，体现了学校在EDA关键核心技术上的持续深耕与前沿布局。
AI for EDA
GPU加速的超大规模集成电路版图模板匹配框架（G-Matcher: GPU-Accelerated Multi-Level, Multi-Stage Framework for Large-Scale Layout Pattern Matching）
版图模板匹配（Layout Pattern Matching）是衔接集成电路设计与制造的核心技术之一。本研究提出一种面向GPU架构的版图模板匹配框架G-Matcher。通过构建多层次版图表征和多阶段递进式筛选策略，在GPU端并行完成几何图案编码、空间索引构建、关键路径搜索及候选区域验证，同步实现匹配效率与准确性的双重提升。在包含超过1亿个多边形的工业级版图上，G-Matcher较64核商业标杆工具Calibre达成平均407倍的性能加速；在公开基准版图上，相较当前最优方法实现7.1倍加速，且所有测试场景下均保持100%匹配准确率与零误报的表现。
图1 版图模板匹配简介与算法流程框架
上海科技大学信息学院2024级硕士生王楠、董涵彬为论文共同第一作者，信息学院虞晶怡教授和耿浩教授为共同通讯作者，上海科技大学为第一完成单位。研究合作者还包括上海科技大学信息学院本科生吕承轩与吴涛教授、张江实验室刘佳琦博士。
适配矢量电场与三维掩模的GPU原生光刻仿真框架（N3Litho: A GPU-Native Numerical–Neural Framework for 3D Mask Modeling, 3D Propagation, and 3D Aerial Image Simulation）
精确高效的光刻仿真是支撑半导体数字孪生、虚拟制造和“设计-制造左移”范式的关键技术之一。研究团队提出利用像平面矢量信息与三维掩模/膜堆参数重建三维光刻胶内矢量场，并据此开发了N3Litho-一个GPU原生的数值求解-神经网络混合框架。该框架实现了从像平面矢量场到三维空域像的高效重建。结果表明，N3Litho仿真精度接近严格电磁仿真，优于现有学习方法，同时速度实现数量级提升。此外，N3Litho生成的三维空域像可直接应用于光刻胶模型、OPC/ILT流程和热点检测等下游任务，充分验证了其在实际设计-制造协同优化中的实用价值。
图2 N3Litho框架与现有光刻仿真方法的对比：（a）传统严格电磁场求解器；（b）基于薄掩模近似的神经网络方法；（c）本文提出的N3Litho GPU原生数值求解-神经网络混合框架
信息学院2025级博士生陈禹阳与2024级硕士生王朕为论文共同第一作者，信息学院虞晶怡教授与耿浩教授为共同通讯作者，上海科技大学为第一完成单位。研究合作者还包括信息学院2025级硕士生朱奕诺、2023级博士生邬一闻与2025级硕士生董文轩、张江实验室刘佳琦博士。
面向共同工艺窗口的光源掩模协同优化（Generating Mask Sets and Common Source for Maximum Common Process Window）
光源掩模协同优化（SMO）是设计-工艺协同优化（DTCO）的关键技术，对先进节点工艺窗口（PW）的扩大起着重要作用。传统的 SMO 严重依赖使用光刻仿真物理模型的迭代优化，以较低的效率输出单一的光源-掩模组合来间接改善CPW。本研究提出的CPW-SMO可高效生成最优光源和一组对应的掩模图形。该方法把光源和关键版图纳入统一集合，将多目标、非可微的公共工艺窗口松弛为单目标惩罚项，并提出梯度响应方法和高度并行化的光刻仿真模型。本研究在工艺窗口面积和优化速度上均取得显著进展。实验结果也验证了方案在光刻全链路中的实用性。
图3 光源掩模协同优化训练与推理流程
信息学院2023级硕士生何洪权为第一作者，信息学院虞晶怡教授和耿浩教授为共同通讯作者，上海科技大学为第一完成单位。研究合作者还包括张江实验室刘佳琦博士、香港中文大学虞子阳博士与余备教授。
EDA for AI
编译驱动的神经网络加速器敏捷开发功耗预测方法（Compilation Tells Energy: Rethinking Power Modeling for DNN Accelerator Agile Design）
随着人工智能加速器广泛部署于边缘设备和数据中心，如何在设计早期快速、准确地评估功耗，已成为软硬件协同优化的重要问题。本研究提出一种由编译过程驱动的功耗预测方法。在此基础上，研究团队设计了两阶段学习框架，并通过多任务学习同时预测平均功率和总能耗。该方法在两类主流加速器生成框架上的预测精度均优于现有先进方法，对更大规模和未见过的网络架构也展现出良好的泛化能力。同时将单次预测缩短至秒级，为功耗感知的加速器设计与软硬件协同优化提供了高效支撑。
图4 功耗预测模型双阶段训练流程
信息学院2025级博士生骆东迩为第一作者，信息学院耿浩教授为通讯作者，上海科技大学为第一完成单位。研究合作者还包括信息学院2025级硕士生易一泓、2023级硕士生李炘恒与2024级博士生李天羿、北京邮电大学翟建旺教授、浙江大学研究员孙奇和卓成教授。
基于Hammersley序列的低面积低功耗随机计算架构（ALOHA: Area-efficient and Low-power Stochastic Computing with Hammersley Sequences）
随机计算（Stochastic Computing，SC）通过比特流编码数值，借助简单的逻辑门实现复杂的运算，具有低硬件复杂度和低能耗优势。本研究提出ALOHA架构，采用Hammersley低差异序列替代传统FSM比特流发生器，利用计数器与比特反转连线即可高效生成所需序列；同时结合输入缩放、向下计数、比特反转特性与有效位过滤等优化，进一步减少无效迭代并降低计算延迟。结果表明，ALOHA在4-8 bit无符号乘法中展现出显著的硬件效率优势，电路面积与能耗相较同类设计均有大幅降低；在16×16有符号矩阵乘法单元中，其总体开销相较现有最优设计也取得了全面可观的性能提升。将其应用于常用卷积神经网络及视觉Transformer推理时，ALOHA相较精确乘法器的分类精度误差保持在0.5%以内，显示出面向低功耗AI加速的良好硬件效率与模型适用性。
图5本文提出的 ALOHA 硬件架构：（a）无符号乘法器的两阶段电路实现；（b）有符号乘累加单元阵列及矩阵运算单元结构。
信息学院2024级博士生倪兆君为第一作者，信息学院刘思廷教授为通讯作者，上海科技大学为第一完成单位。研究合作者还包括信息学院2022级硕士生龚雨陶和上海交通大学姜红兰教授。
面向微环谐振器的光学神经网络（ROSA: Robust and Energy-Efficient Microring-Based Optical Neural Networks via Optical Shift-and-Add and Layer-Wise Hybrid Mapping）
微环谐振器具有尺寸紧凑、调制速度快和支持波分复用并行计算等优势，为构建高吞吐、低时延的光学人工智能加速器提供了重要基础。研究提出光学移位累加模块，利用光分束器和光延迟线，在光域内完成不同时刻部分计算结果的缩放、对齐与累加，降低光电转换、模数转换及中间结果访存开销。实验结果表明，完整方案EDP相较于 DEAP-CNNs 平均降低 54.7% 。本工作为构建高能效、高鲁棒、可扩展的光子人工智能加速系统提供了新的技术路径。
图6 本工作提出的面向微环谐振的光学神经网络数据流
信息学院2026届博士毕业生张汇凡为第一作者，曲俞睿教授与周平强教授为共同通讯作者，上海科技大学为第一完成单位。研究合作者还包括2023级博士生胡筠和2024级硕士生盛才致。
沪公网安备 31011502006855号