近期，电子设计自动化（EDA）领域顶级会议Design Automation Conference（DAC 2025）揭晓论文录用榜单。南京理工大学首次以第一作者单位在 DAC会议上实现历史性突破，其微电子学院学院申山副教授牵头的研究成果《Few-shot Learning on AMS Circuits and Its Application to Parasitic Capacitance Prediction》被DAC2025接收。该研究针对混合信号电路（AMS）中寄生电容预测的数据稀缺难题，提出基于元学习与图神经网络（GNN） 的少样本学习框架，显著降低传统方法对大规模仿真数据的依赖，并提升跨场景泛化能力。该成果为AI驱动的EDA工具开发提供了新思路，尤其在数模混合芯片设计领域具备应用潜力。相关工作得到国家自然科学基金青年基金、北京市自然科学基金重点专项的支持。

设计自动化会议（Design Automation Conference, DAC） 是全球电子设计自动化（EDA）与芯片系统领域的顶级学术会议，于1964年由ACM与IEEE联合主办，目前已成功举办61届。其每年提供近300多场的技术演讲，是EDA领域规模宏大、影响深远、历史悠久的顶级会议。会议覆盖EDA工具开发、AI/ML芯片设计、硬件安全等热点方向，论文录用率长期低于25%，是EDA领域唯一被中国计算机学会（CCF）列为A类会议。

图：CircuitGPS 整体框图

本次录用论文由南京理工大学微电子学院申山为第一作者，联合清华大学计算机系喻文健教授领导的NUMBDA团队，开展基于图神经网络的版图前寄生效应预测研究。在传统数模混合电路设计流程中，电路设计者依赖前仿结果进行设计优化，随后通过后仿完成验证。然而，随着工艺节点向更小晶体管尺寸与更低工作电压演进，晶体管驱动能力的下降显著加剧了电路性能对寄生效应的敏感性。尤其是金属线网间的耦合电容效应已不可忽视，该效应导致版图前仿真与版图后仿真的性能指标间存在显著差异。虽然近年来基于深度学习的方法逐渐在众多领域得到应用，但在集成电路（IC）设计领域中，由于知识产权保护、安全风险以及设计复杂性等多重因素，从工业界获取实际芯片设计数据异常困难。

为解决上述挑战，论文提出一种通用、高效且可扩展的电路图学习方法（CircuitGPS），用于预测电路中多种寄生效应相关任务。该方法将电路建模为异质图，并将耦合效应视为待预测的边链接。论文首先提出一种小跳数子图采样技术，从大规模电路图中提取目标链接的子图结构。随后，基于图Transformer（GT）架构，设计了一种用于子图层级元嵌入特征提取的模型。通过结合预训练学习到的嵌入特征，该方法可迁移至下游耦合电容回归任务。

该成果为AI驱动的EDA工具开发提供了新思路，尤其在模拟芯片设计领域具备应用潜力。此外，南京理工大学的DAC首秀标志着其在EDA领域的快速崛起，在学校、微电子学院的支持下，未来将进一步加强论文持续产出、在工业转化与国际合作上将加速追赶。