电子设计自动化中稀疏线性求解器技术调查

稀疏线性求解器（$Ax=b$）是电子设计自动化（EDA）中关键的计算内核，支撑着现代集成电路和系统设计的关键仿真。应用如功率完整性验证和电热分析，本质上求解由修正节点分析（MNA）或有限元/有限体积方法（FEM/FVM）离散化偏微分方程得到的大规模稀疏代数方程组。问题规模常规达到 $10^6$-$10^9$ 未知数，向 $10^{10}$+ 规模迈进，如完整芯片电源网格 \cite{Tsinghua21}，对求解器的规模性、低内存占用和效率提出严苛要求。本文调查了 EDA 中主要的稀疏求解器范式：直接分解方法（LU、Cholesky）、迭代 Krylov 子空间方法（CG、GMRES、BiCGSTAB）以及多层多重网格技术。我们检讨它们的数学基础、收敛性、条件数敏感性、实现细节（存储格式 CSR/CSC、填充抑制通过重排序）、条件数不佳系统中 preconditioning 的关键作用 \cite{SaadIterative, ComparisonSolversArxiv}，以及多重网格可能实现的最优 $O(N)$ 复杂度 \cite{TrottenbergMG}。求解器选择在频繁矩阵更新（如瞬态/非线性）时，对运行时间复杂度、内存需求、数值鲁棒性、并行规模性（MPI、OpenMP、GPU）以及精度（FP32/FP64）的影响至关重要，其中迭代/多重网格方法往往比需要重复分解的直接方法更具成本 amortized 优势 \cite{SaadIterative}。本文讨论了集成到 EDA 工具进行系统级多物理仿真的实践，并提供伪代码示例。调查 concludes 强调稀疏求解器在设计和验证复杂电子系统中的必不可少性及其持续演进。