8.3 自動調優：機器學習走進 EDA#

當 DSE 把設計空間攤開在地圖上，下一個問題自然浮現：能不能讓機器自己找出好參數？這正是 OpenROAD AutoTuner 的使命。AutoTuner 以 Ray Tune 為基礎框架，支援 Optuna、Bayesian optimization 等多種搜尋演算法，把 ORFS 的整個 RTL-to-GDS 流程當作目標函數，自動尋找在給定指標（例如最小化 area、最大化 frequency，或兩者的加權組合）下最優的流程參數組合。工程師不再手動調參，而是宣告「我要什麼」，讓演算法決定「怎麼試」。

Bayesian optimization 的核心思想值得展開：它先隨機採樣幾個點建立初步觀察，再用一個 surrogate model（通常是 Gaussian Process）近似「參數 → 結果」這個昂貴函數，然後用 acquisition function 決定下一個最值得評估的點——在「探索未知區域」與「利用已知好區域」之間取得平衡。對於一次評估要數小時的晶片流程，這種樣本效率極高的方法是理所當然的選擇。Optuna 則以輕量、易用見長，其 TPE（Tree-structured Parzen Estimator）演算法在同類問題上表現出色，且 API 友善，於是成為 AutoTuner 的熱門選項。

ML 走進 EDA 的歷史，比 AutoTuner 早得多。1990 年代就有類神經網路預測 wire delay 的嘗試，但受制於算力與數據量，始終是配角。真正的轉折發生在 2010 年代後期：一是 CAD 界長期的競賽傳統——CADathlon、ISPD contest——累積了大量公開 benchmark 與數據文化，為 ML 提供了訓練土壤；二是深度學習本身在圖像、語音領域的爆發，讓 congestion 預測、DRC hotspot 檢測這類「網格狀預測」問題可以直接套用卷積神經網路。學術界隨即湧現大量工作：用 CNN 預測 routing congestion，讓 placement 階段就「看見」未來的繞線壓力，提前佈局調整；用類似方法預測 DRC violation 熱點，把「先做完再修」的迭代迴圈壓縮成「一開始就避開」。

2021 年，Google 團隊在 Nature 發表以 reinforcement learning 做 macro placement 的論文，宣稱在數小時內達到或超越人類專家數週的成果，一石激起千層浪。這篇論文的意義超越了技術本身：它向全世界宣告，晶片設計中最依賴大師直覺的環節，可能被 ML 攻克。媒體大量報導，甚至牽動了對半導體人才結構的討論。然而科學的驗證機制隨後啟動：2023 年，多位學者（包括 ISPD 競賽社群的研究者）對該方法進行嚴謹的複現與對比，指出在公平的實驗條件下，其效果與既有方法（如模擬退火）相當，且原始比較基準存疑。這場爭議最終以更清醒的共識收尾——ML 確實有潛力，但宣稱「取代人類工程師」為時尚早，而嚴格的 baseline 與可複現性，在這個領域依然稀缺。這段公案成為 ML4EDA 的成人禮：熱情與懷疑並存，最後沉澱為務實的推進。

AutoTuner 所代表的，正是這種務實路線：不宣稱取代人，而是把人最不擅長、最耗時的「高維參數搜尋」交給機器，把「架構決策」留給人。其實作哲學也承襲了開源社群的傳統——所有演算法來自開源生態（Ray、Optuna），所有流程介面來自 ORFS，使用者可以自由組合、複現、改進。

從更寬的視野看，ML 進入 EDA 是一場技術與經濟的合流。摩爾定律放緩後，製程微縮的性價比下降，產業被迫從「等著更好的製程」轉向「把設計做得更好」；設計複雜度（chiplet、3D-IC、超大 SoC）卻持續上升，工程師的認知負荷逼近極限。ML 恰好填補這個缺口：它把三十年累積的設計數據變成資產，把「經驗」轉成「模型」。而開源 EDA 在此扮演關鍵的制度角色——只有開放的流程，才能產生可公開、可比較、可複現的數據，ML 模型才訓練得起、驗證得了。封閉工具的世界裡，每家公司的數據都是孤島；開放的世界裡，數據是公共財。

對台灣的 IC 設計教育而言，這也是一個歷史機遇。當 AutoTuner、ORFS、開源 PDK 都唾手可得，學生可以在課堂上完整經歷「掃 DSE → 收集數據 → 訓練模型 → 自動調優」的閉環，這正是十年前只有頂尖大公司研究部門才有的研究條件。EDA 的下一世代人才，將在開放的環境中被養成。