最近我们课题组的WGS博士生在努力地改进集成电路产品的复杂布线结构的分区等效材料性能算法，力争在硬件配置和软件配置都不变的前提下实现15倍到30倍的计算效率提升，从而用我们现有的NVIDIA GeForce RTX 4090 GPU服务器就能高效率高精度地按需生成近海量的等效材料性能数据，再用Vision Transformer技术建立等效材料性能的高精度和强泛化的AI预测模型。

在6月6日下午的课题组会上WGS同学讲述了其工作进展和面临的几个问题。昨天晚上十点多WGS同学突然发来微信，介绍了其最新的进展，展示了其开发的很友好的图形化用户界面。今天上午我们进一步交流了技术细节。交流内容摘录如下：

WGS同学:

贾老师晚上好，我基本处理好了布线层分区均质化材料参数的批量计算工具，制作了图形界面并编译成了可执行程序。通过该软件可以实现分区像素数量的设置、信号层和功率层计算分组的设置、材料参数的设置以及计算文件的批量部署和批量提交。同时设置了计算过程的智能检查功能，用于检查意外退出的进程；还设置了合并数据的功能，用于在计算完成后将不同分组的结果数据合并到一起。

贾玉玺:

你采用这种特别高效的算法，布线结构分区等效材料性能的仿真精度基本不变吧？或者说，仿真精度有所降低，但是降低幅度有限，低于某个数值，例如5%？

WGS同学:

贾老师，我这边测试得到的结果数据与我们以前计算的结果是完全一致的，可以让同学们多测试一下。

贾玉玺:

你这种特别高效的算法，不适用于非力学物理量（例如热导率）的分区等效性能计算吧？或者说，不能对非力学物理量（例如热导率）的分区等效性能计算加速？

WGS同学:

这个程序本身只是负责数据部署和批量提交计算，计算别的参数的时候换一下被调用的计算脚本就可以了。热导率本身计算很快，应该没必要调整。

贾玉玺:

我在思考这样一个问题：这种新的数据部署和批量提交计算的方法属于新算法，而且你创造了新的算法工具平台、开发了图形化用户界面，能使得布线结构（包含具有孔铜结构的介电层、信号层、电源层、接地层）的分区等效性能计算效率提高至少一个数量级，而且更加全流程自动化、智能自检化。面对这样一个明显地更加高效、更加自动、智能自检的工具平台，我们团队人员肯定会积极拥抱这一工具平台，从而极大地加速我们的布线结构的分区等效性能数据集的建设、在此基础上的AI预测。这种性价比的数量级提升是任何有事业心的直接相关人员都不能抵抗的诱惑。下一步，我们团队的研究思路和重点如何相应地调整呢？

WGS同学:

贾老师，这一次相当于有两处更新。第一处更新是使用一个job中的两个step来计算工程常数和热膨胀系数；其中，第一个step中有6个loadcase来分别计算工程常数。第二处更新是增加了批量部署和计算，避免了使用多路计算时需要一个一个地提交，也避免了疏忽和出错，这对于使用更多核心进行并行计算是很重要的。这两处更新相对独立，批量部署的程序仍然可以用来调用之前我们开发的周期性单胞计算等效参数的脚本，也可以调用嵌入式单胞的脚本和热导率等任何脚本。只是用于计算热导率时输入参数部分需要适当调整一下，这个不复杂。

        一点感想：

我总认为高精度且自身具有标注功能的近海量数据的极高效和极低成本地生成、智能检查和纠错、批量化赋值于应用场景的AI训练模型是打造行业AI模型的关键。目前看，我们以集成电路产品的可靠性分析为案例，的确走通了这条路，相信能促进AI+产业的落地。

欢迎大家多提宝贵意见，在现实算力条件下共同促进数据和算法技术的发展，从而推动AI+产业的高效率、低成本落地。