REST：用深度学习革新芯片布线中的斯坦纳树问题求解

REST是基于Liu J. et al (2021)论文的开源实现，使用神经网络解决VLSI设计中的斯坦纳树路由问题，在保持与传统算法相当精度的同时大幅提升计算速度，为电子设计自动化（EDA）工具智能化提供新方向。

斯坦纳树问题是组合优化问题：给定平面引脚点，连接它们使总线长最短（允许引入斯坦纳点优化拓扑）。在VLSI设计中，它直接影响信号延迟、功耗、布线资源和芯片面积。传统解法如FLUTE、Borah算法在精度和速度间做权衡。

REST核心思想是用神经网络直接预测斯坦纳树拓扑和线长，采用编码器-解码器架构：编码器将引脚坐标编码为固定向量，解码器生成树结构（类似神经机器翻译）。训练针对n=3到25的点集，动态调整批次大小，在RTX4070上约需6小时完成训练。

线长精度：与Borah算法相比，17/23规模更优，平均线短0.74%；与FLUTE(A=3)相比17/23更优，短0.42%；与FLUTE(A=18)相比仅2/23更优，长0.61%。速度：REST与FLUTE(A=18)相当（25点约0.85ms），比Borah（25点2400ms）快得多，精度接近FLUTE(A=3)。

1.快速布线估计：布局阶段快速评估布线成本；2.拥塞预测与优化：识别拥塞区域指导布局；3.设计空间探索：高吞吐量筛选候选设计方案。

当前局限：仅支持最多25点、未处理障碍物、仅二维问题。未来方向：分治策略解决大规模问题、支持障碍物处理、扩展到多层布线。

REST展示了机器学习在传统EDA领域的应用潜力，证明神经网络可解决结构化组合优化问题。对工程师提供快速准确工具，对研究者提供理论转应用案例，预示AI驱动EDA工具可能突破传统算法瓶颈。