AI 布局布线研究
用图网络 / 学习方法辅助布线与优化。
Context
为什么卡在这里
传统 EDA 与 AI 辅助设计结合后，对 GPU 并行和可复现实验环境要求变高。课题组常见问题是共享机器抢占严重、环境每次重装、仿真与训练抢同一批卡。
要解决的问题
- AI 辅助布局布线算力不足，实验排期长
- 仿真 / 训练环境每次手工配，结果难复现
- 多课题组抢同一批卡，缺少配额
- 论文复现需要固定镜像与版本
元枢怎么做
- 基于 NVIDIA 类加速卡的科研 GPU 集群
- 预置 CircuitNet / GraphSAGE 等常见训练环境
- 配额与排队，课题组之间可隔离
- 镜像固化，实验可复现
已在广东工业大学集成电路学院落地部署，为 AI 模型训练提供稳定 GPU 并行环境。
Scenarios
适用场景
同一套算力底座，按业务入口拆开用。
模型训练复现
固定镜像与数据集版本，方便论文与课题交接。
课程实验
教学班级按配额使用，避免占满科研卡。
与 EDA 联用
训练集群与 EDA 仿真存储可分池或分时。
Reference Config
参考配置（可按 POC 调整）
不是固定报价单——先对齐 workload，再锁档位。
Lab
课题组入门
- 单台 4–8 卡
- 本地高速存储
- 预装框架镜像
单课题组起步
Dept
院系共享
- 多节点 + 调度
- 共享存储
- 配额与镜像仓库
多课题组共用
Campus
校级扩展
- 更大集群
- 分区调度
- 与校级平台对接
跨学院算力池
Delivery
交付构成
GPU 加速集群科研镜像配额调度共享存储驻场交付实验复现
Acceptance
建议验收指标
上线前把“算不算交付完成”说清楚，避免只验收到货。
| 指标 | 目标（示例） | 怎么验 |
|---|---|---|
| 并行训练可用性 | 约定并发任务数 | 调度记录 |
| 环境复现 | 同镜像可复现实验 | 镜像清单 |
| 配额隔离 | 课题组互不挤占 | 配额策略说明 |
| 交付周期 | 约定上线时间 | 验收签核 |
Process
落地节奏
- 01
需求
课题方向、人数、峰值并发
- 02
选型
卡型与节点数量建议
- 03
交付
上架、镜像、调度策略
- 04
培训
课题组使用与运维交接