该论文提出了一种名为 ProgSG 的方法，结合源代码序列模态和图模态，实现深入和精细的互动，以促进领域特定加速器（DSAs）的自动化设计并解决现有高级综合工具需要进行微体系结构决策的问题。

May, 2023

本研究提出了一种基于 GPU 加速和 OpenROAD 基础设施的快速全局布局框架 DG-RePlAce，通过利用机器学习加速器的固有数据流和数据路径结构，实现了路由线长度减少 10％（7％）和总负预留时间减少 31％（34％），并且全局布局速度更快，总运行时间与 DREAMPlace 相当。实证研究还表明，对于机器学习加速器，相较于 RePlAce 和 DREAMPlace，在后续路由中的改进效果可能超出原始应用。

Mar, 2024

本文提出了一种端到端的基于图神经网络的可扩展顺序关注机制，并使用超前网络在每个独立图上进行微调，达到了优于人类专家和先前技术的 16% 平均改善和 15 倍更快的收敛速度，从而实现了有关大型神经网络和设备放置的计算成本和效率的突破。

Sep, 2019

该研究提出了一种学习方法，用于将上下文相关的顺序指令映射到动作，并设计出 SESTRA 算法来训练最大化即刻期望奖励的模型，从而实现单步奖励观测。同时，该算法考虑到交互的历史和世界状态的影响，通过实验表明，相较于逻辑表示方法，提出的算法在 SCONE 领域中得到了 9.8%-25.3% 的绝对准确率的提升。

May, 2018

本文提出了一个用于电磁探测卫星调度问题（EDSSP）的混合整数编程模型和基于强化学习的遗传算法（RL-GA）。在算法中，我们设计了奖励函数来更新 Q 值，并使用一种新的 <状态，动作> 组合来指导种群搜索过程。最终基于 RL-GA 提出了一个任务时间窗口选择算法（TTWSA），通过多个实验验证，证明了 RL-GA 的有效性和高性能。

Jun, 2022

本文介绍了一种图嵌入式的编码器 - 解码器框架，以实现在流处理中分配资源任务，同时确保工作负载平衡和通信最小化。采用深度强化学习方法，有效地学习和求解未知图的最优解，并在测试中表现优于 METIS 算法和基于 LSTM 的编码器 - 解码器模型约 70％。

Nov, 2019

本文提出了一种新的基于分层全局视图引导的序列表示学习框架，其中将全局图嵌入模块与和谐 $eta$-attention 模块相结合，旨在进行有效的风险预测，实现了与其他基线方法相比具有竞争力的预测性能。

Nov, 2022

通过深度和精细的方式，结合源代码序列模式和图模式的相互作用，自动预测高级综合设计的质量，并在设计空间探索任务中获得显著性能改进。

Jun, 2024

本文提出一种深度强化学习方法，以最小化优化器中神经网络计算图的执行成本。该方法通过离线训练优化器，然后推广到以前未见过的图形，以避免在同一图形上进行更多的训练。通过比较广泛的基线，我们的方法在运行时间和峰值内存使用量上比经典和其他基于学习的方法都取得了显着的改进。

May, 2019

提出了一种机器学习集合体的异常检测器，它基于 FPGA，采用多重可重构区域的柔性计算架构，并支持多种异常检测算法，通过最大程度利用 FPGA 资源以及通过运行时的组合和合并结果来优化精度。

Jun, 2024