同构惊讶 9 · 具体 9 · 可行 8

Chipworks（现 TechInsights）在 EDN 2010 “Electronic sleuths” 描述的 5 金属工艺反向工程流程：每一金属层 + 多晶硅栅 + 衬底共 7 个物理层——每层都是一个”git commit”。每两个相邻层之间的金属通孔（via）和对齐标记（overlay mark）就是”merge base”。1995 年 0.35µm 工艺的对齐容差 ~100nm——比今天 3nm 节点的 1nm 容差宽容两个数量级，反而让”考古精度”成为可能（每层可独立读懂）。量子场论里的重整化群（Fisher 1970s, Wilson 1975）展示了相同结构：在不同尺度观察同一系统时，可观测物理会改变——工艺节点对应能标，5 层金属对应粗粒化（coarse-graining）层级。芯片考古学家是实验版的 RG 群论家：用逐层剥离+ SEM 拍图的方法”跑”反向重整化流。

如果要做写一个”芯片退层模拟器”——给定一个公开的 1995 工艺 GDSII（如 OpenCores 里的免费 IP），用 Python 把每一层渲染成 PNG（不同颜色编码 metal/poly/diff），再把每层与上一层做 XOR（“merge diff”）。产出 = 5 张 PNG + 一个版本树状图，仿 git log 视觉风格

同构惊讶 8 · 具体 8 · 可行 9

量子退相干（Zurek 1981 Physics Today, Joos-Zeh 1985）描述了一个量子系统在与环境耦合时如何”失去相位信息”—— coherence time τ_c = ℏ/kT 决定信息丢失速度。今天 3nm 节点的 FinFET 沟道长度已经接近电子相位相干长度（~10nm 量级）——量子隧穿和退相干成为设计变量。但 1995 年 0.35µm 工艺下沟道比相干长度大两个数量级——退相干只是”软错误源”（soft error rate, SER），主要来自宇宙线中子和封装 alpha 粒子。Terrestrial cosmic ray neutron flux（IEC 62396, JEDEC JESD89）测得地面中子通量约 20/cm²/hr——1995 年 IBM 在 64M DRAM 上的实验（Ziegler 1996 IBM JRD）显示 SER ~1e-7/bit/hour，意味着一个 100Mbit DRAM 大约每 3 小时翻一次。这是”量子噪声”在 1995 工艺下的具体表达——比特是经典的，但翻转事件是量子的（单粒子效应）。

如果要做取 IBM 1996 DRAM SER 数据，套到 1995 年 4Mb DRAM 容量上——计算”平均每台 PC 多久翻一次”，再做一张图把 SER 投影到现代 3nm 节点（沟道长度减少 → 量子噪声成为主因），这就是工艺尺度的退相干相变图

同构惊讶 7 · 具体 8 · 可行 7

Design of Experiments（DOE, Montgomery 1991）在半导体工艺中是基础工具——每个新工艺节点都需要做大量的 split-lot 实验，每个 lot 改变 1-2 个参数（温度/气压/曝光剂量），统计电学产出。1995 年的 0.35µm 工艺因为工艺容差宽（~50nm），DOE 实验可以从”看清楚每个变量”开始。今天 3nm 节点的工艺容差只有 ~1nm——任何 DOE split 都引入未控变量，看不到因果。量子场论中的散射实验（deep inelastic scattering, SLAC 1968-1979）有完全相同结构：散射截面把不可见的夸克结构”成像”，每次改变入射能量就改变一个能量尺度的”分辨本领”。1995 工艺的 DOE 是 chip 版 DIS——一个慢但可读的”基本粒子物理实验”，揭示工艺参数空间的精细结构。

如果要做取一个公开的 1995 工艺 DOE 数据集（如 SEMATECH archives 或 IEEE Xplore 1990s 工艺论文的补充材料），用 Python 复现 Box-Behnken 设计——画”参数响应曲面”，对照 SLAC DIS 数据绘制”工艺分辨率 vs 探针能量”的相似图

同构惊讶 8 · 具体 7 · 可行 8

突触修剪（synaptic pruning, Huttenlocher 1979, Chechik 1998）是大脑从”过度连接”成熟为”高效连接”的核心机制——婴儿期每个神经元有 10000+ 突触，成年后只剩 ~5000。这正是 1995 年到 2025 年城市路网演化的隐喻：1995 年的城市常常是 grid 过密设计（很多冗余支路），成熟期会”修剪”为高效路网。神经科学的具体算法（Chechik 1998 提出的”最优修剪 = 信息论最大化”)可以直接迁移：当一段路网的”边际流量”低于阈值（信息传递低效），就把它退化为自行车道/步行街——这是城市”突触修剪”。自愈路网 = 持续 prune-and-grow 循环，每天的车流数据是”突触活动记录”。

如果要做抓取某城市一年 OpenStreetMap 路网数据 + 浮动车 GPS 平均流量，对每一段路计算”边缘流量 × 长度”，把流量低于阈值的边标记为”剪枝候选”——输出一个可视化 prune map，套用 Chechik 1998 的信息论修剪公式

同构惊讶 9 · 具体 8 · 可行 9

悉尼 SCATS（Sydney Coordinated Adaptive Traffic System, Lowrie 1990）是 1995 年世界最领先的自适应信号控制系统——它用 look-up table + 流量感知 + 周期协调，没有现代 AI，没有强化学习，纯 1995 硬件。今天世界 200+ 城市仍在用 SCATS（包括上海、深圳、香港、新加坡）。SCATS 的核心算法是把每个信号交叉口建模为 finite controlled Markov chain（IEEE 4434820 Congote 2005）——状态是”信号相位”，动作是”下一相位选择”，转移概率由流量感知器驱动。这恰好是 2023 年 Nash Deep Q-network（arXiv:2301.00637 Zhang/Wang/Jiang）的”1986 年版”——同样把信号灯看作 multi-agent noncooperative game（IEEE 5670234），玩家是信号灯，纳什均衡是绿灯分配。SCATS 是信号灯的 8086（Intel 1978）：没有今天的 386/酷睿那么复杂，但每一个 cycle 都还在被认真使用。

如果要做下载 SCATS 公开算法规范（NSW Government 1980-90 archives），写一个 Python 仿真器——拿悉尼 CBD 5 个交叉口的 lookup table（90 年代报告里有），跑 1995 年的算法，对比 arXiv:2301.00637 的 Nash DQN 在同仿真下的等待时间。输出一张 “SCATS 1995 vs Nash DQN 2023” 的 Pareto 散点图

同构惊讶 8 · 具体 7 · 可行 8

Phantom traffic jam（野上(Nagatani) 2002 Phys Rev E, Sugiyama 2008 New J Phys）是著名的”无原因拥堵”——所有车辆都按规则驾驶，但仍出现自组织刹车波反向传播。这正是 REM 睡眠在大脑里的对应：REM 期间大脑自发产生高频低幅电活动（EEG theta/gamma），没有外部输入但有内部震荡，对应”无车流的拥堵波”。自愈路网的解决思路在 2020 年找到：用 cooperative adaptive cruise control（CACC, Milanés 2014 IEEE T-ITS）+ 车队通信提前吸收震荡波——这相当于”前额叶皮层”在前额抑制 REM 反向波。野上的格子流体模型（Optimal Velocity Model, 1995）正好是 REM 脑电的宏观方程形式——Nagatani 1995 + Buzsáki 2002 (Nature) 跨域共线。

如果要做跑一个 Nagatani 1995 lattice 模型（用 Python 50 行）模拟 100 辆车在环形道路上跑——观察”无原因拥堵”自然涌现。然后加入 5% CACC 车辆，看震荡波被吸收。同步绘制震荡波幅 vs CACC 占比的曲线。叠加脑电 theta 节律仿真做并排

同构惊讶 8 · 具体 7 · 可行 9

反向遗传学（reverse genetics, 从目标表型反推基因型）是分子生物学核心技术——经典方法是定向突变（site-directed mutagenesis, Hutchison 1978）从候选基因里删一段看表型变化。编译器 fuzzer（AFL++ 2017, oss-fuzz 2016）做的事情惊人地相似：给编译器输入随机/变异代码，看哪些输入让编译器崩溃——从崩溃报告反推编译器的 bug 类型。两个工作流的同构点是”mutation → output → reverse engineer cause”。如果让 fuzzer 走合成致死（synthetic lethality, O’Neil 2017 Cancer Disc）的算法——只删与其他基因有协同关系的位点——就能用”编译器 fuzz 的合成致死算法”来加速软件 bug 修复（找到 PR 修复的”最小伴随突变”）。

如果要做拿一个真实项目（如 SQLite）的 git history，识别每个 bug fix commit，对每个 fix 取其修复前的代码状态作为”mutant”——用 AFL++ 在 SQLite 的 fuzzer corpus 里跑这些 mutants，看哪些 mutants 触发同一 crash trace——这就是”合成致死 bug”

同构惊讶 7 · 具体 7 · 可行 8

定向进化（directed evolution, Arnold 2018 Nobel Chemistry）是”用进化做工程”——反复突变 + 筛选 + 放大，看哪个突变版本在最想要的属性上更好。这和 LLVM 的 PGO（profile-guided optimization, Hinton 2011）惊人地同构：LLVM 跑一遍代码收集 branch/jump 频率的 profile，然后用 profile 重新编译（PGO 把冷分支外提，把热分支内联）。Directed evolution 跑一遍蛋白”行为”收集活性数据，然后用活性数据”编译”出最优序列。Frances Arnold 的实验室用 PGO-like 策略演化出了催化 Diels-Alder 的酶（Siegel 2010 Science）——自然界不会用 PGO，但她的实验室用演化做了编译器的 profile-guided 工作。约束”互为 UI”在这里就是：演化过程 = 编译器的 PGO 编译器。

如果要做拿一个公开蛋白（如绿色荧光蛋白 GFP）做计算演化——每轮随机突变 + 计算荧光强度（用 Rosetta 残基能量项）—— 跑 10 轮，每轮只保留 top 5% 突变。同步跑 PGO 编译一段开源 C 程序（gcc 启 PGO），两边的”编译/演化曲线”做并排可视化