随着集成电路规模与设计复杂度不断提升,芯片物理设计需要在功耗、性能、面积(PPA)及布线拥塞、时序约束之间进行复杂权衡,反复优化与验证也带来了较高的计算成本。AI4EDA为这些问题提供了新的技术路径:通过图神经网络学习电路网表的连接关系,提前预测时序表现;利用强化学习搜索宏单元布局方案;借助生成式模型提出候选布局,为设计空间探索提供新的起点。这些方法将数据驱动预测与传统EDA优化结合,使部分设计问题能够更早评估、更有针对性地迭代。
代表性成果已经展示了这一方向的潜力:2021年《Nature》报道的芯片布局研究,将宏单元布局建模为强化学习问题,并结合图卷积网络学习可迁移的电路特征; DAC 2022的研究借鉴时序分析引擎设计图神经网络,在布线前预测时序端点的到达时间与裕量,为提前识别时序问题提供支持; ICML 2025进一步将扩散模型用于宏单元布局,通过合成数据预训练与引导采样,在未见过的电路上生成具有竞争力的布局方案。 从性能预测到布局生成,深度学习正在为集成电路设计提供新的研究工具,也使跨电路泛化、设计约束融合与实际流程验证成为值得深入探索的方向。
适合参会对象
集成电路、微电子与电子科学方向的高校师生及科研人员:希望理解AI4EDA的研究方法,探索深度学习在器件建模、电路分析与芯片设计自动化中的应用。
芯片后端物理设计工程师:从事布局、时钟树综合、布线、时序收敛及电源完整性分析,希望利用人工智能开展性能预测与设计优化。
EDA算法与软件研发人员:关注网表划分、布局优化、时钟树构建和布线算法,希望结合图神经网络、强化学习与生成式模型开展算法研究和工具开发。
半导体器件与TCAD仿真研究人员:从事MOS器件电学特性分析、器件模型构建及工艺参数优化,希望学习神经代理建模与自动微分方法。
人工智能与计算机交叉研究人员:具有机器学习、图学习或组合优化基础,希望进入AI4EDA方向,开展电路网表建模、时序预测、布局优化和IR Drop预测等研究。
EDA竞赛与科研项目参与者:希望通过开源工具实践、经典论文复现和真实赛题,积累Python、PyTorch与EDA问题建模经验。
01
专题一:深度学习集成电路设计专题
02
专题二:AI电磁仿真设计与工程应用专题
专题一:深度学习集成电路设计专题
学习目标:
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。(专题提供服务器使用)
讲师介绍
深度学习集成电路设计专题主讲老师:本课程主讲老师来自国内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DreamPlace、OpenROAD和集成电路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。
专题二:AI电磁仿真设计与工程应用专题
学习目标:
本次五天培训课程旨在通过系统化的理论讲解、70+ 源代码项目实操与工程案例分析,培养学员在电磁材料设计、电磁仿真与射频天线设计领域应用人工智能(AI)技术的综合能力。课程围绕“正向预测—物理求解—逆向设计—工程验证”的完整技术闭环展开:
1、在正向环节,系统掌握卷积神经网络、编码器-解码器、多任务网络与差分神经网络,实现从几何结构与材料参数到 S 参数、光谱响应、磁化分布乃至全场场分布的高精度端到端预测,并理解代理模型输出形态(标量指标、系统级性能、全场分布)的选取原则;
2、在物理求解环节,掌握物理信息神经网络与物理约束神经网络求解Maxwell 方程的软约束与硬约束两条路线(含界面跃变构造、边界锚定、残差加权等工程配方)、结构化物理先验(把场的生成结构直接写进网络架构),以及傅里叶神经算子与神经算子的函数空间映射;
3、在逆向设计环节,贯通串联网络化解非唯一性(含跨工况迁移学习)、生成式采样(GAN 与条件扩散模型)、搜索式优化(进化算法配合代理模型或真实矩量法/时域全波求解器形成闭环)三大流派;
4、并延伸至微磁神经网络仿真、LLG 方程有限元求解、GPU 加速微磁、量子比特微磁架构等跨尺度建模,以及天线结构智能优化、像素化与自由形状逆设计、波束成形神经网络、自动调制分类与射频对抗攻防、商业仿真软件自动化接口与大模型辅助设计等射频与天线智能化方法;
5、最后通过求解器真值校验、加速比与吞吐基准、大模型确定性评测体系,以及大规模数据管线与分布式训练,建立AI 仿真结果的可信度与工程化能力。
课程聚焦深度学习与前沿大模型在电磁材料(超材料、电磁晶体、磁性材料等)设计中的创新应用,覆盖通信、无线信号、射频、天线、雷达、量子计算与能源等领域,并通过实操验证AI 模型与传统方法的效率与精度对比,激发学员创新思维,为电磁材料设计与仿真的智能化、工程化发展提供前沿指导。
讲师介绍
AI电磁仿真设计与工程应用专题主讲老师:毕业于国内顶尖985高校,拥有两年海外研究经历,专注于人工智能(AI)与电磁材料设计的深度融合,研究领域横跨机器学习、电磁场预测、多尺度建模和智能优化。
老师学术成果卓著,长期致力于AI在超材料光谱预测、物理信息神经网络电磁仿真、生成对抗网络逆向设计和大模型应用中的创新。作为核心研究者,老师参与多项国家重点科研项目,研究影响力辐射国际学术圈,在著名平台发表多篇高水平论文,涵盖AI驱动的电磁材料优化,并在国际学术会议上频频受邀作报告,分享大模型与多尺度设计的洞见。在教学方面,老师以"理论扎实、实践导向"为原则,通过40+独家源代码项目、顶级论文和预配置数据集,结合Python、PyTorch、TensorFlow、仿真软件等工具,打造沉浸式学习体验。课程紧密贴合通信、雷达、量子计算、能源等高需求行业,助力学员快速掌握AI与电磁材料设计的交叉技术,产出可直接应用于工程的成果,开启职业与研究新篇章。
专题大纲
专题一:深度学习集成电路设计专题大纲
第一天:EDA集成电路设计自动化和Python编程
核心目标:
(1)建立EDA与AI4EDA全局认知:熟悉芯片从Spec到Tape Out的完整设计流程,掌握后端物理设计(RTL到GDSII)的各阶段任务,理解AI技术在EDA领域的优势与发展脉络。
(2)熟练搭建高效开发环境:掌握Linux系统常用命令、Vim文本编辑器、iTerm/Xshell终端及Anaconda环境管理工具,学会使用超算服务器与Slurm作业调度系统。
(3)掌握数据科学与可视化开发基础:熟练运用Python语言基础、PyCharm及Jupyter Notebook IDE,并能使用Numpy、Pandas、Matplotlib等库完成数据处理与结果可视化。
(4)具备经典EDA划分算法编程能力:理解网表切分(Partition)机制,能够独立用Python编写实现Kernighan-Lin(KL)和Fiduccia-Mattheyses(FM)超图分割算法。
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的历史和发展脉络
③EDA工具在后端物理设计中的应用——从RTL到GDSII
(3)AI4EDA的发展历程和概况
(4)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
(5)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
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
第二天:AI4EDA——深度学习方法、Pytorch编程和TCAD仿真加速
核心目标
(1)融会贯通深度学习核心理论:深入理解神经网络基本结构、激活函数、前向/反向传播原理及万能近似定理,掌握FNN、CNN、RNN、GNN及ResNet残差网络的设计思想。
(2)掌握PyTorch框架全流程开发:熟练运用PyTorch进行张量计算、自动微分(Autograd)、GPU并行加速与模块化网络搭建,掌握深度学习模型的训练、调参及精度评估。
(3)掌握电路网表图建模与特征提取:学会利用NetworkX将电路网表转化为图结构数据,运用图神经网络(GNN)提取结构特征并预测电路对称性等性质。
(4)具备AI加速TCAD器件建模的实战能力:结合自动微分与前馈神经网络(FNN),针对NMOS/PMOS电学性质建模,并在EDA设计精英挑战赛实战中完成器件模型构建与工艺参数优化。
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
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)图神经网络实战——使用GNN对网表进行建模、特征提取和性质预测
①NetworkX库介绍
②网表转化为图结构数据过程讲解
③使用图神经网络对电路对称性进行预测
(4)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
第三天:AI4EDA——APR Placement布局算法
核心目标:
(1)深刻理解后端物理设计与布局理论:掌握APR流程中的静态时序分析(STA)、形式验证(FM)、LVS及时序收敛概念;掌握布局(Placement)在Global与Detailed阶段的核心优化目标(HPWL线长、拥塞度、PPA)及评估模型。
(2)掌握传统布局求解算法与代码实现:理解Min-Cut、模拟退火(SA)及解析法布局原理;能够使用Python动手实现基于模拟退火算法的Macro Placement布局器。
(3)掌握图卷积(GCN)与强化学习(RL)前沿应用:理解图卷积消息传递机制,掌握强化学习(DQN)机制;深入学习AlphaChip(Nature 2021)、扩散模型布局(PMLR 2025)等前沿论文。
(4)具备强化学习与开源AI布局工具实战能力:使用PyTorch实现DQN解决控制任务,并掌握现代基于深度学习的高性能布局工具DREAMPlace的源码解读、环境部署及实际测试。
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DQN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)
上机实验
(1)Python编程实现基于模拟退火的Placement算法
①模拟退火原理讲解
②基于模拟退火的Macro Placement算法
③Python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)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
第四天:AI4EDA——APR CTS时钟树综合算法
核心目标:
(1)理清芯片时钟树综合(CTS)的核心机制:掌握片上时钟产生机制、skew(偏斜)、latency(延迟)、 useful skew等关键概念,明确Cluster(聚类)与Balance(平衡)阶段的优化目标(DRC、Timing)。
(2)掌握经典CTS算法与Python复现:理解K-means聚类、Steiner树/FLUTE布线算法及DME延迟平衡算法;能使用Python动手实现基于DME算法的时钟树Buffering与Balance过程。
(3)掌握生成式与图神经网络在时序预测中的应用:理解GAN在时钟树优化(TCAD 2022)、GNN在时序预测(DAC 2022)及开源iCTS框架的技术路线,掌握华为τ定律与逻辑折叠等进阶概念。
(4)具备开源物理设计工具与顶会论文复现能力:掌握开源EDA工具OpenROAD及其TritonCTS引擎的使用;能够基于PyTorch完整复现DAC 2022顶刊论文中的图神经网络时序预测全流程。
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)
(5)进阶内容:华为定律和逻辑折叠
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
①OpenROAD软件的安装
②TritonCTS——OpenROAD的CTS引擎介绍
③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
第五天:AI4EDA——APR Route绕线算法、逻辑综合和芯片电源完整性
核心目标:
(1)掌握绕线(Route)与逻辑综合基础理论:掌握从Global Routing到Detailed Routing的优化目标,理解Maze-Routing、A*搜索(PathFinder)及整数线性规划(ILP)算法原理。
(2)掌握AI算法在绕线与综合中的应用:学习AI预测可布性(RouteNet)、异步强化学习搜索绕线顺序及DR-Guide生成式AI框架;理解深度强化学习在逻辑综合(DRiLLS)中的应用。
(3)掌握Transformer架构与生成式AI建模:深入理解Transformer机制与Self-Attention原理,并能够使用PyTorch独立搭建与实现Transformer网络架构。
(4)具备电源完整性(IR Drop)预测实战与布线器开发能力:用Python实现基于DFS/BFS/A*算法的迷宫布线器;在EDA设计精英挑战赛实战中,提取SoC版图特征,并使用PyTorch搭建基于Inception+U-Net的深度卷积网络,实现静态压降(IR drop)的高精度预测。
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)
(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
②DRiLLS——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
上机实验
(1)Python编程实现一个简单的布线器
①Maze routing算法介绍
①Python编程实现基于深度优先搜索、广度优先搜索和A*算法的布线器
②布线算法效果测试和可视化
(2)OpenROAD实战
①TritonRoute——OpenROAD的route引擎介绍
②使用OpenROAD实现布线任务
(3)Transformer实战
①Transformer原理介绍
②Pytorch实现Transformer架构
(4)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芯片版图特征提取和建模;
②Pytorch编程实现Inception模块
③Pytorch搭建基于Inception模块的U-net模型
④模型的训练、推理和预测精度
专题二:AI电磁仿真设计与工程应用专题大纲
第一天:深度学习基础与超材料电磁响应预测方法入门
1.1 上午:深度学习基础与核心架构
1.1.1 神经网络与深度学习基础(理论讲解+实操+代码演示)
深度学习通过多层神经网络从复杂数据中提取特征,是AI赋能电磁材料设计的核心技术。本模块系统讲解深度学习原理,为后续所有深度学习算法内容奠定基础。
基础概念讲解:
• 从单层感知机到多层前馈神经网络的演进
• 权重、偏置、激活函数(如ReLU、Sigmoid)的数学原理
• 梯度下降数学原理与反向传播的优化过程(Adam、SGD算法)
神经网络架构:实操环节使用PyTorch实现简单前馈神经网络处理电磁材料几何参数,预测介电常数。
1.1.2 卷积神经网络(CNN)原理(理论讲解+实操+代码演示)
CNN是处理电磁材料几何图像和电磁场数据的核心工具,广泛应用于后续所有章节。
CNN核心组件:
• 卷积核、参数共享、感受野的概念
• 3×3卷积核在几何特征提取中的高效性
• 最大池化与ReLU激活函数在非线性建模中的作用
• 批量归一化(BatchNorm)稳定训练
ResNet残差网络(第二天、第四天引用):
• 残差连接解决深层网络梯度消失问题
• SE块(Squeeze-and-Excitation)通道注意力机制增强关键特征
实操项目:
超表面光谱响应预测深度学习:根据图片所列内容,开展磁场Bz图像到磁化分布的CNN逆问题求解,并将相关技术迁移至电磁领域。
CNN手写数字识别入门:学习图像分类基础,开展深度学习入门实践,并将相关技术迁移至电磁领域。
ResNet预训练图像分类:开展迁移学习实验与特征迁移,并将相关技术迁移至电磁领域。
实操环节实现简单卷积运算,输入超材料几何图像,输出特征图,验证卷积对几何特征的提取能力。
1.1.3 循环神经网络与时序数据处理(理论讲解+实操+代码演示)
循环神经网络用于处理电磁时序信号,如瞬变电磁数据、传感器时序信号。
RNN/LSTM核心原理:
• 时序数据到2D图像的变换方法(第一天、第二天引用)
• 多任务学习框架(调制分类+信噪比估计)
实操项目:
时空多通道调制信号识别:采用CNN与LSTM多通道模型,实现11种调制信号分类。
自动调制识别多模型对比基准:基于调制识别数据集,开展多模型对比。
超轻量化调制分类网络:采用精简CNN,实现低复杂度实时识别。
磁传感器信号分类系统:结合LSTM与全卷积网络(FCN),实现传感器时序信号分类。
瞬变电磁信号深度去噪网络:采用信号到图像的转换方法,开展电磁信号去噪。
1.1.4 注意力机制与Transformer(理论讲解+实操+代码演示)
注意力机制使神经网络能够聚焦关键特征,是现代深度学习的重要组成部分。
注意力机制类型:
• 通道注意力(SE块):特征图通道加权
• 空间注意力:空间位置加权
• 自注意力(Self-Attention):全局依赖建模
• Transformer:多头自注意力机制
Transformer架构(第四天、第五天引用):
实操环节使用SE块实现通道注意力,增强超材料图像的关键特征提取。
1.1.5 电磁材料建模与FDTD仿真(理论讲解+实操+代码演示)
电磁仿真为AI模型提供高质量训练数据,是电磁材料设计的基础。
数值方法基础:
• 麦克斯韦方程与电磁波传播规律
• 边界条件(周期边界、吸收边界)设置
• 一维时域有限差分法(FDTD)离散化原理
• 稳定性条件与数值色散
实操项目:
一维时域有限差分电磁仿真教学包:采用Yee网格算法,包含40余个教学脚本。深度学习增强型FDTD可视化求解器:结合FDTD与深度学习代理,实现实时可视化。MATLAB射频天线雷达分析:采用多种算法开展电磁散射分析。
实操环节模拟电磁波通过单层超材料的传播,计算反射(S11)和透射(S21)系数。
1.2 下午:编码器-解码器与电磁响应预测
1.2.1 编码器-解码器架构原理(理论讲解+实操+代码演示)
编码器-解码器是U-Net和差分神经网络的核心架构。
架构设计:
• 编码器路径:特征压缩,空间分辨率降低,通道数增加
• 解码器路径:特征重建,空间分辨率恢复
• 跳跃连接:保留空间信息,防止梯度消失
U-Net架构(第二天、第四天引用):
U-Net图像修复入门:开展光谱去噪与修复,实现从32×32输入到光谱预测。
超表面光谱响应预测深度学习:进行S11/S21预测,提供10种可视化方式。
可微分电磁仿真工具包:开展电磁仿真加速,支持JAX与PyTorch双后端。
实操环节使用PyTorch构建U-Net网络,输入超材料几何图像,预测电磁散射参数(S11/S21)。
1.2.2 自编码器与变分自编码器(理论讲解+实操+代码演示)
自编码器用于特征降维和潜空间参数化,是逆设计的关键技术。
潜空间优化(第四天逆设计引用):在潜空间随机采样或插值、梯度下降优化潜变量实现目标性能、解码器生成满足约束的新设计
1.2.3 生成对抗网络(GAN)入门(理论讲解+实操+代码演示)
GAN通过对抗训练生成高质量样本,是材料设计的重要工具。
GAN核心原理(第四天详细讲解)、条件GAN(cGAN):实操环节理解GAN基本框架,为第四天实战做准备。
1.2.4 超材料光谱响应预测案例(理论讲解+实操+代码演示)
综合运用CNN和U-Net进行超材料光谱响应预测。
实操项目:超表面光谱响应预测深度学习
全连接网络预测:输入8维参数,输出S11、S21,均方误差(MSE)约为0.052,决定系数(R²)约为0.59。
CNN模型预测:输入几何图像,输出光谱响应,实现毫秒级预测。
实操环节训练深度学习模型预测超材料光谱响应,比较AI与传统FDTD仿真的效率与精度。
1.2.5 数据预处理与数据增强(理论讲解+实操+代码演示)
数据预处理是AI模型成功的关键。
预处理技术:几何图像二值化、电磁场数据归一化、PCA降维、数据增强(翻转、旋转、仿射变换)
信号转图像方法:蛇形排列(Scatter plot)、时频分析(STFT、小波变换)、复数数据处理(I/Q分离)
实操项目:
瞬变电磁信号深度去噪网络:针对一维瞬变电磁信号,进行信号到图像的转换。
超表面光谱响应预测深度学习:针对CSV参数数据,开展MinMax归一化与PCA降维。
1.2.6 射频信号处理与自动调制分类(理论讲解+实操+代码演示)
自动调制分类(Automatic Modulation Classification, AMC)是认知无线电、频谱监测和电子对抗中的关键技术。传统方法依赖专家特征提取,而深度学习方法能够从原始信号中自动学习调制特征,实现端到端的调制识别。
实操项目:
时空多通道调制信号识别:采用CNN与LSTM多通道模型,实现11种调制信号分类。
自动调制识别多模型对比基准:基于调制识别数据集,开展多模型对比。
超轻量化调制分类网络:采用精简CNN,实现低复杂度实时识别。
射频机器学习对抗攻防:基于PyTorch开展射频信号对抗攻击与防御。
射频数据训练评估框架:开展数据集管理,构建射频机器学习标准流程。
本模块讲解:
• IQ信号表示与时频域特征提取
• CNN在2D时频图上的特征学习
• 多任务学习框架下的调制与信噪比联合估计
• 模型轻量化与边缘部署策略
• 射频信号对抗攻击与防御方法
实操环节基于时空多通道调制信号识别实现:
• 输入:I/Q两路信号的时频表示(时序→2D图像变换)
• 网络:CNN特征提取 + LSTM时序建模 + 多任务输出
• 输出:调制类型分类(11种)+ 信噪比估计
• 验证模型在不同信噪比条件下的分类准确率
核心实操
1. 构建U-Net网络,预测超材料S11/S21系数
2. 实现CNN进行磁场图像→磁化分布的逆问题求解
3. 使用FDTD验证仿真原理,对比理论值
4. 分析时序信号→2D图像变换方法
5. 比较AI预测与FDTD仿真结果,量化计算效率提升
6. 实现时空多通道网络进行自动调制分类
第二天:神经网络编码器架构与磁性材料响应预测方法
2.1 上午:编码器-解码器与神经网络进阶
2.1.1 编码器-解码器架构深入(理论讲解+实操+代码演示)
编码器-解码器架构是差分神经网络和逆设计的核心。
进阶内容:特征金字塔(FPN)多尺度融合、U-Net++密集跳跃连接、注意力门控机制
2.1.2 差分神经网络(DiNN)原理(理论讲解+实操+代码演示):DiNN通过差分学习提升模型泛化性。
洛伦兹振子物理约束深度学习:实操环节构建洛伦兹振子深度学习模型,预测超材料在不同频率下的电磁场分布。
差分神经网络独立框架(mydinn):本框架提供差分神经网络的独立实现,与洛伦兹振子版本互补。
2.1.3 SE注意力机制与ResNet融合(理论讲解+实操+代码演示)
SE-Squeeze-and-Excitation块、ResNet-SE残差连接:人工电磁材料逆设计基准
2.2 下午:傅里叶神经算子与仿真加速
2.2.1 傅里叶神经算子与大地电磁正演(理论讲解+实操+代码演示)
傅里叶神经算子(FNO)学习函数空间映射,全局建模能力强。
傅里叶神经算子原理:大地电磁正演傅里叶神经算子
2.2.2 电磁仿真与三维扩散(理论讲解+实操+代码演示)
2.2.3 磁性材料电磁响应预测(理论讲解+实操+代码演示)
稀土磁性材料分类预测:开展钴基化合物磁矩分类,数据包含1002个晶体结构。
磁性材料知识图谱数据库:构建材料本体知识库,采用RDF/TTL数据格式。
磁体磁场响应仿真库:采用矩量法进行软硬磁体磁场分析。
磁场神经网络预测实验:构建磁场预测神经网络,开展5组实验。
核心实操
1. 构建洛伦兹振子深度学习模型和差分神经网络,预测超材料电磁场分布
2. 使用逆设计基准比较7种方法的性能
3. 实现电磁-电路联合仿真,设计射频线圈
4. 分析磁性材料分类效果
5. 实现SE-ResNet模型,比较其与传统CNN的精度
6. 基于傅里叶神经算子实现大地电磁快速正演
第三天:物理信息神经网络与电磁场数值计算优化方法
3.1 上午:PINN理论与电磁场建模
3.1.1 PINN核心原理(理论讲解+实操+代码演示):物理信息神经网络(PINN)将物理定律嵌入神经网络。
PINN损失函数、物理信息神经网络测试集
实操环节使用PyTorch实现PINN模型,预测电磁波在超材料中的传播。
3.1.2 电磁场数值模拟基础(理论讲解+实操+代码演示)
3.1.3 磁振子传感器设计与PINN(理论讲解+实操+代码演示):磁体磁场响应仿真库
3.2 下午:PINN在电磁超材料设计中的应用
3.2.1 电磁形状优化与PINN(理论讲解+实操+代码演示)
3.2.2 CNN加速电磁仿真(理论讲解+实操+代码演示):狭缝阵列加速深度学习
数据集:55955个TIFF图像,对比CNN、随机森林、SVM、多层感知器、KNN的效率。
3.2.3 物理约束神经网络、Maxwell方程求解与Lang-PINN(理论讲解+实操+代码演示)
• PCNN vs PINN本质区别:软约束(损失函数惩罚)、硬约束(网络结构强制满足)
• Lang-PINN:从自然语言到物理信息神经网络的多智能体框架
实操环节实现物理约束神经网络:
• 输入:电荷密度ρ和电流密度J的3D分布(128³)
• 物理约束:构造满足∇·B = 0的矢量势A
• 验证散度误差(~10⁻⁶)远小于PINN(~10⁻²)
核心实操
1. 构建物理信息神经网络,预测超材料在不同入射角下的电磁响应
2. 使用有限元神经网络混合仿真
3. 训练CNN加速模型,比较与FEM的效率
4. 分析物理约束对预测精度的提升效果
5. 基于物理约束神经网络实现Maxwell方程硬约束求解
第四天:生成对抗网络与天线射频智能仿真设计优化方法
4.1 上午:GAN理论与电磁逆设计基础
4.1.1 GAN核心原理(理论讲解+实操+代码演示):GAN完整框架、条件GAN(cGAN)、PatchGAN判别器
• 局部_patch_判别而非全局判别
• 提升生成图像细节精度
实操环节训练GAN模型,生成满足目标电磁响应的超材料几何。
4.1.2 电磁逆设计基础(理论讲解+实操+代码演示)
4.1.3 天线设计的人工智能方法(理论讲解+实操+代码演示)
天线设计参数化:几何参数(长度、宽度、高度)、介质参数(介电常数、损耗角正切)、馈电参数
神经网络天线设计:采用前馈神经网络进行天线参数预测。
介质谐振天线优化:采用机器学习方法,实现多目标Pareto优化。
U型槽天线逆向设计:采用逆向设计方法,开展U型槽微带天线设计。
4.2 下午:天线智能设计与波束成形
4.2.1 大型语言模型辅助天线设计(理论讲解+实操+代码演示)
大语言模型辅助天线设计:将自然语言需求转换为天线参数,结合CST Python API开展辅助设计。
CST自动化仿真:通过Python脚本调用CST自动化接口,实现仿真流程自动化。模型驱动波束成形、波束成形神经网络
4.2.2 波束成形神经网络与模型驱动设计(理论讲解+实操+代码演示)
核心实操
1. 构建太赫兹超材料生成对抗网络模型,生成满足目标电磁响应的超材料几何
2. 基于神经算子逆设计训练代理求解器,实现自由形式逆设计
3. 验证量子真空介电常数调控效果
4. 使用神经网络实现微带天线自动设计
5. 实现介质谐振天线机器学习优化
6. 实现大语言模型辅助天线参数优化
7. 实现波束成形神经网络的模型驱动设计
第五天:微磁学仿真建模与AI电磁天线建模方法
5.1 上午:多尺度微磁性能预测
5.1.1 多尺度建模与电磁性能关联(理论讲解+实操+代码演示)
微磁神经网络仿真:采用多尺度U-Net,开展从纳米到宏观尺度的微磁仿真。
静磁微磁计算框架:使用Fortran与Python开展静磁及微磁计算。
LLG方程有限元求解器:采用有限元方法求解LLG方程。
微磁神经网络仿真核心优势
计算平台:传统MuMax3采用CPU/GPU专用计算,微磁神经网络仿真基于PyTorch框架。
计算速度:传统MuMax3在百纳米尺度下计算需数小时,微磁神经网络仿真可加速100—1000倍。
可扩展性:传统MuMax3扩展至超过百万网格较困难,微磁神经网络仿真支持百万至千万网格。
新材料泛化:传统MuMax3需要重新参数化,微磁神经网络仿真支持零样本预测。
5.1.2 GPU加速微磁模拟(理论讲解+实操+代码演示)
GPU加速微磁求解器:使用CUDA C++/Python实现GPU加速微磁计算。
MuMax3学习指南:结合MuMax3教程与脚本,学习微磁仿真。
纳米纹理生成框架:进行纳米纹理模拟,输出.mx3格式文件。
实操环节实现GPU加速微磁模拟:CUDA并行计算、通用可扩展架构、Python接口
5.1.3 量子比特微磁建模(理论讲解+实操+代码演示)
量子比特微磁模拟器:模拟自旋量子比特芯片,应用于量子计算。
供体量子比特架构:围绕供体量子比特,开展量子与微磁耦合分析。
电磁引力耦合分析:开展多物理场耦合分析与分层推理。
实操环节模拟量子比特的电磁响应:微磁体设计优化、量子比特-微磁体耦合、退相干分析。
5.2 下午:智能电磁材料设计系统
5.2.1 AI驱动的本构模型开发(理论讲解+实操+代码演示)
微磁神经网络仿真:构建多尺度U-Net模型,实现退磁场预测。
洛伦兹振子物理约束深度学习:使用洛伦兹深度神经网络(DNN)进行介电函数预测。
实操环节基于微磁神经网络训练:输入磁化状态、输出退磁场、验证μMAG标准问题
5.2.2 多尺度可视化与分析(理论讲解+实操+代码演示)
磁化可视化工具:实现多尺度磁性可视化,支持HTML/GIF格式输出。
纳米纹理生成框架:进行纳米纹理模拟,输出.mx3格式文件。
5.2.3 智能设计系统构建(理论讲解+实操+代码演示)
端到端预测流程,从微观几何到宏观电磁性能的多任务学习。
神经算子逆设计系统:结合傅里叶神经算子(FNO)、变分自编码器与优化方法,实现端到端逆设计与梯度求解。
人工电磁材料逆设计基准:对7种逆设计方法进行基准对比。
5.2.4 大模型协助电磁材料设计(理论讲解+实操+代码演示)
量子真空介电常数调控
微磁神经网络仿真:使用预训练U-Net进行微磁仿真。
神经算子逆设计系统:采用Transformer/FNO构建代理求解器。
洛伦兹振子物理约束深度学习:使用洛伦兹物理约束深度神经网络(DNN)进行超材料预测。
其他补充资料:配套实战项目
中尺度超材料神经网络预测:实现从光谱到几何结构的逆向设计。
微磁模型领域特定语言:使用Python领域特定语言(DSL)进行微磁建模。
GPU蒙特卡洛微磁仿真:采用蒙特卡洛(MC)算法模拟静态行为。
Fe基双金属硫系元素磁性预测:结合密度泛函理论(DFT)与机器学习进行磁性预测。
Python微磁综合包:集成微磁计算功能。
核心实操
1. 构建微磁神经网络多尺度U-Net模型,预测超材料的电磁性能
2. 基于静磁微磁计算框架和LLG方程有限元求解器实现微磁仿真
3. 使用供体量子比特架构模拟量子比特架构
4. 分析多任务学习对多种性能指标预测的提升效果
5. 验证GPU加速效果(CUDA vs CPU)
往期学员反馈
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!
课程模式与增值服务
课程模式
1、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。
2、理论+实操授课方式,由浅入深式讲解,结合大量实战案例与项目演练,聚焦人工智能技术在集成电路、电磁仿真领域的最新研究进展。
3、课前发送全部学习资料(上课所有使用的软件、包括丰富的PPT,大量的代码数据集资源)课程提供全程答疑解惑。
4、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,永不解散的课程群答疑服务,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)!
专题时间
AI电磁仿真设计与工程应用专题
2026.12.26----2026.12.27(上午9:00-11:30下午 13:30-17:00)
2026.12.29----2026.12.30(晚上19:00-22:00)
2027.01.02----2027.01.03(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)
深度学习集成电路设计专题
2026.11.20(晚上19:00-22:00)
2026.11.21----2026.11.22(上午9:00-11:30 下午 13:30-17:00)
2026.11.27----2026.11.29(晚上19:00-22:00)
2026.11.29(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)
专题费用
课程费用:
AI电磁仿真设计与工程应用专题
每人每班¥4980元(包含培训费、资料费、提供课后全程回放资料)
深度学习集成电路设计专题
每人每班¥4980元(包含培训费、资料费、提供课后全程回放资料)
早鸟价:提前报名缴费学员可得300元优惠(仅限前15名)
套餐价:
两人团报:两人同时报名课程¥9080元
年报优惠:可免费学习一年特惠:18880元(可免费学习一整年本单位举办的任意专题)
报名费用可开具正规报销发票(会议费、培训费、资料费等)及提供相关缴费证明、邀请函,可提前开具报销发票、文件用于报销
报名咨询方式
报名流程:扫码报名→管理员对接→发送正式培训(会议)邀请函→缴费及开具发票。
联系人|陈老师
咨询电话|15652523032(微信同号)
邮箱 | 15652523032@163.com
官方网站 | http://www.dxianai.com
热门跟贴