全自动处理器芯片设计：AI驱动的新范式与未来挑战

《National Science Review》：Fully Automated Processor Chip Design: Motivation, Challenges and Future Directions

　　本刊推荐：为突破现有自动化设计范式在制程技术、资源消耗和生态系统适配方面的局限，研究人员开展了全自动处理器芯片设计研究。该研究提出融合领域大语言模型（LLM）、自动化修复机制和性能反馈搜索的三元框架，成功开发出可运行Linux的启蒙1号（QiMeng-CPU-v1）芯片，验证了该范式在实现端到端自动化设计、提升设计效率及支持定制化计算方面的重大意义。

　　

随着智能手机、个人电脑和物联网设备的普及，处理器芯片已成为信息社会的基石。然而当前芯片设计正面临三重困境：半导体工艺逼近7纳米以下物理极限，传统通过制程升级提升性能的方式难以为继；依赖专家手工编写硬件描述语言（HDL）导致开发周期漫长；AI、边缘计算等新兴应用对硬件软件协同优化提出更高要求。现有电子设计自动化（EDA）工具虽能优化局部环节，但无法实现真正的端到端自动化。

针对这一挑战，中国科学院计算技术研究所张睿、郭嘉明等人在《National Science Review》发表前瞻性研究，提出全自动处理器芯片设计新范式。该框架核心包含三个突破性组件：首先采用领域专用大语言模型（LLM）理解自然语言规格说明并生成初始设计；其次通过功能验证驱动的自动修复机制确保功能正确性；最后利用性能反馈引导的搜索算法应对10¹⁰⁵⁴⁰量级的巨大解决方案空间。

关键技术方法包括：基于循环数据合成方法构建高质量寄存器传输级（RTL）设计语料库训练领域LLM；采用二进制推测图（BSD）进行布尔距离计算实现功能验证；通过蒙特卡洛树搜索（MCTS）算法以实际执行时间作为性能反馈优化搜索效率。研究团队利用现有EDA工具完成逻辑优化、布局布线等环节，形成完整技术链条。

规格理解

领域LLM通过消化自然语言描述的设计需求，自动生成形式化硬件描述。研究显示，基于高质量RTL语料库微调的70亿参数CodeV-R1模型，在生成RTL代码任务中表现媲美6710亿参数的DeepSeek-R1模型，有效解决了非形式化需求向形式化规格转换的难题。

正确性保证

通过BSD图结构实现功能验证与自动修复的闭环。以启蒙1号芯片为例，该芯片采用BSD表示电路逻辑，通过布尔距离计算检测错误，并利用BSD扩展机制进行修复迭代，最终达到99.99999999999%的功能正确率，成功运行Linux系统。

解决方案空间优化

将设计空间分层构建动态搜索树，利用MCTS算法结合实时性能反馈剪枝优化。该策略在张量算子生成（QiMeng-TensorOp）和张量程序转编译（QiMeng-Xpiler）等基础软件设计中已获验证，能显著压缩搜索空间。

该研究开创了处理器芯片设计的新范式，其重要意义在于：首次实现从自然语言需求到可运行芯片的端到端自动化；通过LLM与传统EDA工具的融合，为后摩尔定律时代芯片设计开辟新路径；提出的三元框架对复杂系统自动化设计具有普适参考价值。随着领域LLM与验证技术的持续进化，全自动设计有望成为突破芯片设计效率瓶颈的关键驱动力。