学位论文简介
面向超大规模集成电路物理设计中的布局优化问题，围绕复杂集成电路中宏单元与标准单元共存、设计规模不断扩大、三维集成结构日益复杂以及多目标物理约束强耦合等特点，系统研究混合尺寸布局中的关键优化方法。芯片布局作为电子设计自动化后端物理设计流程中的核心环节，直接影响线长、密度、拥塞、时序、功耗以及后续布线质量。随着先进工艺和三维集成技术的发展，传统布局优化方法在处理大规模混合尺寸电路、学习驱动布局生成以及三维布局优化时面临新的挑战。因此，开展面向复杂集成电路的混合尺寸布局优化研究具有重要的理论意义和工程应用价值。
论文首先系统梳理了芯片布局优化问题的基本概念与理论基础，包括布局问题的数学建模、混合尺寸布局问题、三维布局问题、典型评价指标、解析式布局方法、可微线长模型、电势场密度建模、扩散模型以及强化学习优化方法等内容，为后续算法设计提供理论支撑。在此基础上，论文围绕学习驱动宏布局优化、端到端混合尺寸布局优化以及三维混合尺寸布局优化三个方面展开研究。
针对现有扩散模型布局方法主要依赖监督学习进行数据分布拟合、缺乏面向布局优化目标显式引导的问题，论文提出强化学习增强的扩散模型宏布局优化方法。该方法将去噪扩散策略优化引入宏布局任务，将扩散模型的反向去噪过程建模为强化学习策略优化过程，并设计中间奖励机制与合法性门控机制，使半周长线长和布局合法性等物理设计指标能够直接反馈至扩散模型生成过程。该方法有效缓解了奖励稀疏、信用分配困难以及非法布局干扰训练等问题，实现了扩散模型从分布拟合向目标驱动布局生成的转变，提高了宏布局质量和训练稳定性。
针对宏布局优化目标与最终混合尺寸布局质量不一致的问题，论文进一步提出强化学习增强的端到端混合尺寸扩散布局优化方法。该方法将最终混合尺寸布局结果纳入强化学习反馈，构建面向最终布局质量的端到端扩散优化框架。通过标准单元聚类降低优化维度，并设计混合尺寸奖励函数，将宏布局线长、最终混合尺寸布局线长以及合法性指标联合纳入优化目标。同时，论文提出逐步奖励传播机制，将终止步的最终布局质量反馈传播至扩散去噪过程的多个时间步，从而缓解奖励延迟和长轨迹信用分配困难问题，实现宏布局生成目标与最终混合尺寸布局质量之间的有效对齐。
针对三维混合尺寸布局中问题规模大、宏单元与标准单元尺度差异显著以及真三维优化计算开销高等问题，论文提出面向混合尺寸电路的两阶段三维布局优化方法。该方法通过宏连接重构策略保留宏级关键互连关系，在降低早期三维优化规模的同时保持宏布局质量；进一步引入虚拟宏单元插入机制，引导宏单元避免过度占据标准单元主要布局区域，为后续标准单元形成连续且紧凑的空间分布提供更有利条件。在此基础上，论文构建结合三维全局布局、二维层内优化、合法化与详细布局的两阶段三维混合尺寸布局流程，实现了布局质量、物理可实现性与运行效率之间的平衡。
论文在多个公开基准测试上对所提出方法进行了系统实验验证。实验结果表明，本文方法能够有效提升宏布局质量，改善最终混合尺寸布局的线长和拥塞相关指标，并在三维混合尺寸布局场景下取得较好的布局质量与运行效率。总体而言，论文围绕复杂集成电路混合尺寸布局优化问题，提出了一系列具有针对性的关键优化方法，在学习驱动布局生成、端到端目标对齐以及三维布局高效求解方面取得了一定创新性成果，可为先进集成电路物理设计中的复杂布局优化提供有益参考。
主要学术成果
[1] Junqi Chen, Chubo Liu, Peiying Lin, Zheng Xiao, Youquan Chang, Zhuo Tang, Kenli li. LightPlace: A Lightweight and Connectivity-Aware Macro Placement Framework for Mixed-Size 3-D ICs[J]. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 2026, 45: 2546 - 2558. （本人第一作者，CCF A）
[2] Junqi Chen, Haotian Wang, Yan Ding, Kenli Li, Zheng Xiao. DDPOPlace: Reinforcement-Learned Diffusion Placement with Intermediate Rewards[J]. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 2026.（本人第一作者，CCF A）
[3] Junqi Chen, Qiyun Yang, Yan Din, Chubo Liu, Zhuo Tang, Kenli Li, Zheng Xiao. End-to-End Diffusion-Based Framework with Reinforcement Learning for Mixed-Size Circuit Placement[C]. IEEE/ACM International Conference on Computer Aided Design, 2026. （本人第一作者，CCF B, Under Review）
