8.2 机器学习进入时序流程

8.2 机器学习进入时序流程

本节摘要：机器学习在时序领域的正确定位是"用预测换仿真"：路径延迟的代理模型让布局阶段就能看见布线后时序，违例热点预测让修复提前，参数调优让策略搜索自动化。本节讲清三个真正落地的位置、各自的可信度边界，以及评估任何 ML 时序方案的三问校验法。

某次技术评审上，一个团队展示了"神经网络预测路径延迟，误差 3%"的演示，全场兴奋；追问一句"训练集是什么设计"，答案是自己上一代产品的十次流片归档。这恰恰是 ML 时序应用的核心矛盾：它只在训练分布内可靠，而时序工程师最需要预测的，恰是没见过的新设计。本节不谈模型结构，谈三个已经跨过这道矛盾、进入生产流程的位置，以及每个位置的边界怎么守。

一、位置一：延迟代理模型，让布局提前看见真相

最大的痛点是精度断层（6.1 的表）：综合与布局用估算线长，布线后才发现系统性偏差。代理模型（surrogate model）的思路是在布局阶段用图神经网络一类模型直接预测"布线后这段路径的延迟"，输入特征是布局坐标、扇出、线长估计、单元类型与翻转率，输出是对签核延迟的预估。它比一次提取加全量 STA 快两个数量级以上，误差能压到几个百分点——不是取代签核 STA，而是让优化引擎在布局阶段就用"接近布线后"的目标做决策，把违例更早地消灭在便宜阶段。

这个位置之所以站得住，是因为闭环天然存在：模型的每次预测最终都会被真实 STA 检验，误差分布持续被校准；模型只改变"优化的方向"，不改变"签核的结论"。

二、位置二：违例热点预测，把修复提前一轮

第二个位置用历史流片数据训练分类器：给定新设计早期（综合后）的网表与约束特征，预测哪些路径"大概率在布线后爆违例"。特征包括逻辑深度、扇出分布、跨模块长度、时钟域跨度、约束类型。它的产出不是数字而是排序——一个"热点路径"的优先级清单，让 6.3 的瓶颈定位提前到布线之前：前端拿到清单可以改 RTL 结构，后端拿到清单可以在布局阶段重点关照。

它的边界也最清楚：从旧设计学到的热点模式，在新架构、新工艺库上会失效。工程纪律是把预测清单当"额外检查项"而不是"豁免项"——预测为安全的路径照常走完整签核，预测为危险的路径提前介入。模型错了的代价是多检查几条路径，而不是漏签违例，这个方向的不对称性正是它能落地的原因。

三、位置三：参数与策略调优

第三个位置最低调也最稳：把收敛流程里靠经验调的参数交给搜索算法。derate 数值与场景裁剪的组合、buffer 插入的密度上限、布局优化的权重——这些参数的最优值因设计而异，人工调参靠资深工程师的直觉，强化学习或贝叶斯优化可以把"直觉"变成"带约束的搜索"，每次尝试的评分就是真实的 QoR 快照（6.1）。它不需要跨设计泛化（每个设计现场搜索），避开了分布外失效的坑，是三个位置里风险最低的。

一个落地样本的解剖

把位置一展开成可复制的样本。目标：布局阶段预测关键路径布线后延迟。特征集：路径的逻辑级数、各单元驱动强度序列、每段网的曼哈顿线长与拥挤度、翻转率估计、所属时钟域。标签：同一设计布线提取后的真实路径延迟。数据规模：十几个已完成块的三百余万条路径记录，按块划分训练与测试。模型选型从梯度提升树起步（特征工程成熟、可解释性好），图神经网络在跨块泛化上再提一档。实测：分布内测试误差 4% 上下，替换到新架构块后误差升到 12%——后者就是三问校验法要抓的降级场景：新架构上线前先只用旧架构数据训练的版本给排序（热点预测用法），不给数字（延迟预测用法）。样本的可复制要点不在模型，在"标签来自真实签核流程"的闭环：每个布线完成的块都自动给模型回流一份带标签的数据，模型随项目推进越来越准。

四、三问校验法：评估任何 ML 时序方案

四、三问校验法：评估任何 ML 时序方案

遇到一个 ML 时序方案，用三个问题过筛。第一问：训练分布覆盖了什么？答案应当具体到设计风格、工艺节点与约束风格；"误差 3%"必须注明是在分布内还是含分布外样本。第二问：外推时怎么失败？可靠的方案会输出不确定性（预测置信度），对陌生输入主动降级为"走真实分析"；给不出置信度的方案，失败模式是安静的自信。第三问：闭环在哪？预测结果是否最终被签核 STA 检验并回灌训练？没有闭环的方案，误差只增不减。三问全部通过，方案才值得进流程；任何一问含糊，就把它当玩具留在演示环境里。

团队引入 ML 的最小路径

给想动手的团队一条最小成本路径。第一步不是训模型，是攒数据：把每个项目的时序快照、网表特征与最终签核结果按统一格式归档——没有这个数据湖，任何模型都是无米之炊。第二步选一个窄问题起步：热点路径排序比延迟预测更容易验证价值，排序对了就省时间，错了损失也小。第三步设对照实验：同样的布线后优化轮次，一半路径用模型排序介入、一半走传统流程，量化时间差。第四步才谈工具化：把验证过的模型挂进流程自动化，附上置信度与降级策略。整个周期大约两到三个项目轮次——比大多数人的预期慢，但每一步都有真实回报，不会出现"模型上线即翻车"的悬崖。

一句话收束本章立场：ML 改变的是时序工程师的时间分配——把重复计算的时间省下来，投到根因判断与方案取舍上；判断力与责任，仍然留在人的手里。

本节要点回顾

• ML 的正确定位是预测换仿真：只改优化方向，不改签核结论，签核永远由 STA 认证。
• 三个落地位置：延迟代理模型（布局阶段看见布线后）、热点预测（修复提前一轮）、参数调优（现场搜索）。
• 分布内可靠是铁律：新架构、新工艺、新约束风格都会让模型失效，失效模式必须已知且可降级。
• 三问校验法：训练分布、失败方式、闭环存在性，三问不过不进流程。

工具与方法的边界都清楚了。下一节把镜头拉远：当芯片从单片变成多 die 的芯粒系统，这本已经够厚的时序账本还要再加几页。