“规则已死”这句话第一次听还是从一个做了十几年EDA研发的老同事嘴里。当时我手里正攥着一份刚被DRC刷下来的高密度板以为他在开玩笑。PCB布线靠设计规则走了几十年线宽、线距、等长、差分阻抗哪一项不是靠规则撑起来的但后面我花了大半年时间专门跟踪和上手了几套基于数据驱动的AI布线方案又把一块带DDR4和PCIe的板子当作试验田才慢慢意识到传统规则驱动的那套做法确实到了瓶颈。不是规则没有价值而是“以规则为唯一决策依据”的布线思路正在被数据驱动的方法逼到墙角。这篇文章就围绕我在实际切换过程里的观察、试验和踩过的坑展开。1. 别急着扔规则搞清楚“规则已死”到底在说什么1.1 传统PCB规则是为确定性服务的不是为最优解服务的规则是什么在你开始走线之前设计规则已经是整套约束的化身线宽、线距、过孔尺寸、等长误差、差分对内等长、回流路径间隔、特殊网络间距。规则体系的最大功劳是让板子的可制造性和可验证性变得可控。一条线走完DRC一跑哪些间距不够、哪个网络等长不满足全都在报告里列得明明白白。规则保证了“下限”也就是不会出现低级错误。但规则映射的只是“已知约束”不是“最优解”。拿DDR4的地址线组来说规则告诉你等长误差要控制在100mil以内却不会告诉你应该从第几层转出、哪根走线优先进入等长绕线区、哪些网络要靠近参考地过孔。这类问题属于拓扑和策略层面规则只画了圈没告诉你圈里怎么跳。更麻烦的是规则之间经常互相打架。有一次我调一个8层板的高速差分对表层走线距离短等长很容易满足但为了绕等长把差分对拉长之后串扰仿真直接报警换到底层参考平面又因为切割太碎导致阻抗突变。最后只能靠经验一遍遍试DRC过了仿真又不过来回磨了整整两天。所以“规则已死”不是说要废掉设计规则而是说把规则当作唯一决策依据的时代结束了。你仍然需要规则来约束安全边界但真正的布线质量已经越来越取决于如何在规则创造的自由度里找到更好的路径。这个“更好”传统方法靠人肉经验数据驱动靠模型从大量已完成的设计里学。1.2 规则驱动的天花板为什么人工调参越来越难板子复杂度上来之后规则数量会膨胀到让你怀疑人生。一个带DDR5、PCIe5和多路电源的服务器主板光约束管理器里的规则条目就能到上千条每条规则背后还有一堆附属参数最大串扰、目标阻抗、布线层对、参考平面距离。这些规则分布在不同模块由不同工程师维护经常出现A工程师设定的差分间距和B工程师设定的等长绕线策略根本接不上。我在一家朋友的硬件团队观摩过一次高密度交换板的评审发现一个很有意思的现象大家开会的大部分时间不是在讨论拓扑方案而是在逐条过规则。这条线违反了什么、那条网络和另一条网络冲突怎么办。规则本身成了设计的主导真正的信号完整性反而被挤到后面。这种“规则驱动”的模式在板子层数少、信号速率不高的时候很管用但一旦到高速高密度规则的复杂度本身就会成为生产力瓶颈。AI布线之所以在这两年被反复提起正是因为它能把这套规则体系当作“先验条件”灌进模型再让模型在大规模数据里自己学习走线策略。换句话说规则不再是if-else式的查表动作而变成神经网络训练时的约束输入。工程师的工作也从“翻规则、试路径”变成“定义问题、审结果”。2. AI布线的底层逻辑从“人写规则”到“数据养模型”2.1 布线问题的数学化网格、路由、代价函数要理解AI怎么布线先得理解传统布线算法干了什么。PCB和芯片底层布线通常把板面抽象成网格图每个网格点有坐标、所在层、可布线性等信息。一根网络从起点到终点本质上是在这个网格图上找一条满足约束的最小代价路径。迷宫算法、A*搜索、线探算法、模式布线做的都是这件事只是求解方法和效率不同。单根网络布线还好办难的是几十根网络同时抢资源。你绕一根线旁边几根的可用路径就被堵了。这种多网络组合优化问题传统算法的计算量会随着网络数量指数增长。实际工程里常用拆线重布rip-up and reroute来迭代但迭代次序、拆线策略、重布方向全是靠经验调的。数据驱动的方法换个角度不直接解组合优化而是训练一个策略网络在每个决策点选择“下一步往哪走”。模型通过观察当前的网格状态、障碍分布、已布线网络分布、拥挤度热图输出一个动作概率分布。这个动作就是向东、向西、向上、向下、打过孔、切换布线层。整个过程被建模成序列决策问题也就是强化学习最擅长处理的场景。你可以把它想象成一个路况极差的城市里导航软件不再依赖固定的“走主干道”规则而是根据全城实时车流数据动态为每辆车规划绕行路线。导航的“规则”变成了对道路拥堵的预测数据喂得越多路线就越接近实时最优。2.2 数据驱动怎么落地训练数据、特征表示与强化学习要把想法变成能跑的模型三件事必须落到地上训练数据、状态表示、奖励函数。训练数据是最难也最容易被忽视的。AI布线需要的不是普通的图片或文本而是“板卡设计对”——输入是布局后的板卡状态元件、器件、障碍、约束规则输出是完成布线的走线坐标和DRC验收结果。这些数据在商业EDA里通常以工程文件形式存在但大多数公司不会轻易共享。可行的路径有三条一是用历史完成的项目脱敏后自建数据集二是用脚本自动生成随机板卡模板再用传统布线器或人工标注生成标签三是使用芯片EDA领域公开的布局布线数据集比如ISPD系列它们虽然是芯片级但网格路由的基本形式是可以迁移的。状态表示决定了模型能不能“看懂”板子。我会把板子切成分辨率不太高的网格比如每格0.5mm或者1mm每个网格保存一组通道是否有障碍物、是否已有金属走线、所在层是否有参考平面、周围拥挤度、关键网络等级。再加一到两个全局通道比如整板的热点密度图、信号完整性风险图。一个CNN编码器把这些信息压缩成特征向量再交给transformer或者GNN建模网络之间的关系最后输出动作概率。奖励函数是强化学习里的“宪法”设计得好不好直接决定模型学成什么样。只给稀疏奖励布线全完成给1失败给-1往往训练很久不收敛我用过的做法是加入势函数奖励每靠近终点一步给一个小的距离减少奖励每打一个不必要过孔给一个小惩罚走线进入拥挤区时根据拥挤度动态惩罚最后完成所有目标网络时给一个大奖励。这些奖励项都要做数值归一化否则拥挤惩罚的数值如果比完成奖励还大模型就会钻进“少走拥挤区”的牛角尖宁可不完成布线。2.3 实际工具里AI是怎么参与布线的说句实话现在大多数商业PCB工具里的“AI布线”并不是一键全自动的魔法。以我接触到的实际产品形态大致能分成三类。第一类是交互式AI助手工程师先画几条种子路径AI接着往下推生成一段连续走线推不下去的时候停下来等人工调整。这类工具看起来不像在“替代”更像是把“画线-检查-重画”这个循环里最累的部分拿走。第二类是区域自动布线引擎框选一个高密度区域设定关键网络优先级AI在里面迭代生成一套完整布线跑完后输出DRC和互联长度报告。第三类则更底层直接介入布局和布线联合优化模型根据布局预测布线拥堵反过来建议哪些器件要重新摆放。我实际复现过一次区域自动布线用的是一套开源的强化学习布线框架接入一个自建的6层板数据子集。效果是对于200根网络左右的BGA核心区域AI完成率能到85%以上DRC次数明显比传统批量布线器少但仍有不少网络需要人工兜底。这个结果让我很放心的一点是AI并没有真的“乱来”它学到了很多工程师经验比如优先走表层短路径、尽量少切换参考平面、在拥挤区域主动绕开。这些策略没有哪条是显式写进规则里的但模型从上千条完成布线的样板数据里自己“悟”出来了。3. AI布线实操把数据准备和模型训练跑起来3.1 确定你的布线场景和目标函数如果你打算在团队里试点AI布线我的第一个建议是别一上来就搞“整板全自动”。先从一块你已经做过的、有明确痛点的板子开始锁定一个目标子模块。比如“在8层板上自动完成LPDDR4数据组网络的绕线满足等长约束并尽量少打过孔”。这个定义里有输入、约束、目标和指标。指标建议定三个完成率也就是最终连通的网络数量占总数比例DRC违规次数表示安全合规程度平均路径长度和过孔数用来衡量“还算不算漂亮”。一定要留一份人工布线的baseline后面才说得清楚AI到底是更好还是更差。目标函数写得越具体后面奖励函数就越容易拆。我见过有人直接把“走线长度最短”当唯一目标跑出来的结果全是挤在最近通道里的独木桥DRC一查全是串扰隐患。合理的目标函数应该是多目标的加权组合等长满足情况、信号完整性风险、可制造性余量、网络优先级权重各自的系数要跟团队里最有经验的工程师对齐一遍。3.2 数据从哪里来开源数据集与自建标注流程数据准备这一步往往要吃掉整个项目一半的时间别急着写模型。如果你只想跑通验证可以先从开源数据入手。芯片级的布局布线数据集ISPD 2006、ISPD 2016有标准的网格路由问题和基准评估方式虽然属于芯片布线但网格抽象和算法框架基本能迁移到PCB。缺点是这些数据没有PCB的层叠结构、过孔库、差分对等概念所以跑通的只是算法原理。想真正贴近PCB就得走自建数据这条路。我做过一个相对靠谱的流程从历史板卡里选出一批“良品”设计用脚本把布局数据导出成统一格式的JSON包含器件位置、障碍物多边形、网络表、规则参数再用传统布线器跑一遍得到完整布线的栅格坐标最后做离散化网格化。每个样本的标签就是“从初始状态到最终布线路径”的完整决策序列。看起来工作量不小但好处是你能完全控制数据分布也能在样本里刻意加入高难度场景。为了让模型不至于学成一根筋我在样本里做了三类数据增强旋转、镜像、平移把某些网络的关键等级随机互换把障碍物的边界略微扩张。增强后的数据量能翻8到10倍虽然训练时间变长但泛化能力提升得极其明显。3.3 训练、验证与迭代几个核心参数的经验值模型结构上我用的组合是CNN编码器加一层轻量Transformer参数量控制在100万左右。相比动辄上亿参数的大语言模型这个体量对一个网格路由任务来说是足够的太大反而容易过拟合训练也慢。最关键的训练参数我放在一张表里都是反复调过的经验值可以作为起步参考参数推荐起步值说明学习率1e-4 ~ 3e-4太高容易震荡太低熬到天荒地老批大小32 ~ 64取决于显存64在大多数场景下充分折扣因子0.95 ~ 0.99对长期路径优化很重要我常用0.97GAE lambda0.95控制优势估计的偏差-方差平衡PPO clip0.2防止一次更新步子迈太大网格分辨率0.5mm或1mm太细计算爆炸太粗细节丢失训练步数20万 ~ 50万小场景20万能看到明显趋势高密度至少50万验证环节我坚持用“留出法”里的难题来做训练期结束后抽一张模型从来没见过的板卡把它切成几个局部区域分别统计完成率、DRC次数、平均线长。如果完成率低于70%先看数据分布是不是过于单一再看奖励函数是不是被某一项目主导。我遇到过一种情况模型在所有验证板上完成的网络都绕了一大圈线长指标很难看。后来查发现是奖励函数里“少打一个过孔”的负权重给得太大模型宁可走超长路径也不肯加到参考地的过孔反向验证了奖励设计的敏感性。4. 别踩的坑训练发散、过拟合和“看起来很美”的布线结果4.1 训练不收敛先查奖励函数和特征归一化AI布线训练不收敛第一反应别去调网络结构先查奖励函数。我见过最典型的问题是有工程师把“DRC违规”作为完全硬性的惩罚项违规一次就给一个很大的负奖励。结果模型学到的策略是“动都不敢动”所有动作概率都趋于均匀训练曲线像一个僵尸心电图。正确做法是让奖励平滑化。比如违规惩罚不要用固定数值而是根据违规严重程度分级严重重叠给-1.0轻微间距不足给-0.1并且允许一定概率的试探。另外势函数奖励里的距离变化也容易出问题如果状态特征里距离占绝对主导模型就只会朝着终点方向猛冲完全无视障碍最后的轨迹全是撞墙。把所有输入特征做归一化尤其是距离、拥挤度、过孔数这几个不同量纲的特征让它们维持在相近的数值范围里才能让网络真正学到组合信息。我用过一个笨但有效的观察方式训练前几百步就让模型跑随机动作把此时的状态输入打印出来。如果某一项特征的数值明显高于其他所有特征模型在这项上几乎是一票否决权那这个特征就必须做更狠的归一化或者降低权重。4.2 过拟合到“单板专用”换一张板子就废AI布线项目翻车最常见的一种情况在训练用的三块板子上跑得特别漂亮完成率能到95%DRC几乎全绿结果换一块新板子就掉到50%以下。这不是模型没用而是数据分布太窄模型把特定板子的“长相”背下来了没有学到通用的布线策略。怎么破首先在训练数据集里保证多样性至少包含三种以上不同层数、不同拥挤度分布的板卡并且要有不同的主控芯片布局风格。其次用数据增强模拟“陌生感”比如把某些网络表顺序打乱、在封装引脚上做偏移、给障碍物加点随机噪声。这张强制“陌生板评估”也要进到迭代流程里我每次训练完都会把新板子的结果截图打印出来给硬件工程师看让他们判断是不是真的有设计意义。还有一个容易犯的错是把测试集里某块采样板的成绩拿出来当整体成绩宣传。别只看最好的那块多跑几块板卡再看分布。我在项目汇报里习惯用“平均完成率±标准差”这个数字更能暴露模型泛化能力的真实水平。4.3 结果可视化与人工抽检信模型但要抽样验证模型给出一套布线结果DRC全清、线长也漂亮这时候最容易麻痹大意。AI布线的“全局最优”往往是在它自己的特征空间里的最优不一定在真实物理世界里最优。我遇到过一个案例模型为了满足一组网络的等长约束让它们的绕线在相邻层之间保持高度平行DRC一点问题没有结果做信号完整性仿真时耦合噪声大了将近30%。这类问题靠DRC根本看不出来。所以我在团队里定了三个强制动作。第一凡是AI布线的核心高速网络必须走一遍快速眼图或S参数仿真哪怕只用简化模型也比不做强。第二把AI输出结果和人工布线baseline在层叠图里叠加显示肉眼检查参考平面是否连续、回流路径是否顺畅。第三在奖励函数里加入“相邻层平行线长度惩罚”和“参考平面连续性奖励”能让模型在训练阶段就主动避开这些高风险区域。4.4 工具链接口与坐标映射的小坑AI布线的输出要回到EDA工具里继续用接口是最后一个容易卡壳的地方。常见的问题有三个坐标原点不一致、网格坐标和PCB设计坐标缩放不对、层叠命名规则不匹配。比如AI里用的是二维网格层号从0开始Altium或者Allegro里的层名是Top、Bottom、Inner1这样的字符串直接映射很容易错。我的做法是写一个统一的映射配置文件把所有层名、坐标单位、过孔库都放在一张表里每次生成结果先做一次坐标变换再导回EDA用DRC验证。还有一个细节是AI输出经常会生成很多小段线段导回工具后合并成弧线和多段线的能力一定要有否则会出现千段碎片影响可制造性评审。5. 数据驱动布线的真实价值不是取代工程师而是改写工作流5.1 规则变成先验数据负责突破规则盲区现在再看“规则已死”这个标题我更愿意把它理解成“规则从主角变成了配角”。规则还是不能被扔掉的它是安全底线是训练模型时的约束先验。但数据驱动的AI能看到的模式远远超出人写规则的表达能力。规则覆盖的是你已经想过的问题数据却能暴露你没想过的问题。举个例子一条高速信号线旁边放着一个大面积的铺铜散热孔区域多数规则只检查间距不会判断这个散热孔区是否破坏了高速信号的回流参考平面。但如果训练数据里有大量类似场景AI模型就能通过“参考平面连续性”这个隐特征学习到要主动绕开。这种“隐规则”是从数据里涌现的不依赖某位工程师的痛苦经历。这也是为什么我觉得AI布线真正的终局方向不是把算法模型塞进老工具里修修补补而是把过去几十年沉淀的海量PCB设计文件当作“经验矿藏”让模型不断从里面挖出新的布线策略。这听起来有点理想化但这条路已经在很多具体场景里跑通了。5.2 对设计流程的影响从“检查驱动”到“预测检查”传统PCB设计流程是“布局-布线-检查-返工”检查环节是整个流程的下限。AI驱动之后流程会变成“布局-AI预测风险-AI布线-快速仿真抽检-人工策略调整”。重点不再是不断把错误挑出来而是在错误发生之前通过模型对布线结果的风险预测提前调整布局或约束。这个转变的影响很大第一DRC迭代次数会显著下降因为AI在生成路径时就已经把规则考虑了进去第二布线质量的评估从“合格/不合格”变成了“风险分数”你可以在任何局部区域看到AI给的热度图马上知道哪里是潜在信号完整性坑第三团队的技能结构会变化工程师不再需要记住几百条规则的组合效果而是需要学会提问、定义问题、审查AI结果。我试过量化这一变化一块中等复杂度的8层板传统布线加仿真迭代通常是三到五天用区域AI布线后的迭代时间压缩到一到两天但人工花在审查和调试AI结果上的时间并没有减少太多。这恰恰说明AI不是让人失业而是把工作重心挪到了更高价值的决策层。5.3 给还在观望的人一个可落地的小建议如果你还在犹豫要不要投入AI布线我的建议是不要一开始就追求全自动。找一个已经冻结设计的高难度板卡把其中争议最多、返工最多的一个BGA区域拎出来。准备好三类东西这个区域的布局文件、现有规则约束、以及你们人工布线的DRC和仿真结果作为baseline。然后选择一套你能改代码的框架哪怕先从开源路由算法叠加一个学习模型开始都不要直接用黑盒工具。因为AI布线项目百分之八十的精力会在数据和调试上如果你看不见训练日志、改不了奖励函数出问题就只能干瞪眼。跑通一个小demo之后再慢慢扩大网络数量。记住一个红线数据安全。用脱敏后的设计文件训练不要在未经允许的情况下把客户板卡数据扔到云端。最后一点是我个人踩过几次坑之后的体会AI布线的结果千万别盲信尤其别只看DRC报告。让高速仿真工程师参与抽检这个环节省不了也骗不了人。数据驱动最大的价值不是让你从规则里解放出来而是让你有更多时间去处理规则碰不到的那些真正难啃的问题。