本文提出了一种名为 AutoCkt 的机器学习优化框架，它能够快速而准确地找到特定目标规格下的电路参数，并通过稀疏子采样技术获取关于整个设计空间的知识。该算法不仅精度高于传统基因算法，而且使用 AutoCkt 设计还能更快地通过 LVS 测试具有版图寄生参数的电路元器件，加快了芯片的设计流程。

Jan, 2020

高成本模拟一直是实际模拟 / 混合信号设计自动化的瓶颈。我们提出了一种基于学习的算法，能够使用少量数据进行训练，因此适用于模拟成本高的任务。我们的高效算法解决了后布局性能优化问题，同时也解决了原理图级别调整问题。为了实现高效优化，我们使用贝叶斯神经网络作为回归模型来近似电路性能。对于布局感知的优化，我们将问题看作多保真度优化问题，并通过利用廉价评估结果的相关性来提高效率。我们提供了三个测试案例来证明我们算法的高效性。测试结果表明，我们的方法比传统基准和先进算法更高效。

Nov, 2023

本研究介绍了基于深度强化学习、图模型策略网络和模拟电路设计领域知识的自动设计方法，以加快模拟电路的设计。该方法在电路参数和设计目标之间建立关系，实现了 99% 的设计准确率和 1.5 倍的效率提升，并支持不同半导体技术的模拟电路设计。

Feb, 2022

ADO-LLM 整合了大型语言模型与贝叶斯优化用于模拟设计优化，利用大型语言模型的领域知识并结合贝叶斯优化的多样性和探索能力实现了设计效率和效果的显著提升。

Jun, 2024

利用模拟数据的有监督学习方法生成数据集，通过有监督学习训练系统以设计满足阈值规范的电路，同时通过广泛的实验表明，该方法在线性、非线性和自主电路配置方面的成功率超过 90％，同时提高了数据效率一个数量级以上。

Jul, 2023

通过 Python 代码生成的 AnalogCoder 是无需训练的大型语言模型代理，能够自动校正设计模拟电路并以高成功率完成设计，同时还提供电路工具库用于构建复合电路，实验证明 AnalogCoder 在模拟电路设计任务上优于其他基于 LLM 的方法，能够显著提高芯片设计过程的效率。

May, 2024

L2DC 是一种基于强化学习的电路设计方法，通过利用无先验知识的 RL agent 优化电路参数并自动生成新电路数据，实现对电路的自动优化，相比于传统的人工设计或贝叶斯优化方法，L2DC 在样本效率和性能上都具有更优的表现。

Dec, 2018

该论文介绍了一种名为 LLANA 的框架，利用大型语言模型来增强 Bayesian Optimization（BO）技术，通过利用 LLM 的 few-shot learning 能力更高效地生成与模拟设计相关的参数约束，从而实现与最先进的 BO 方法相媲美的性能，并且通过 LLM 的文本理解和学习效率更有效地探索模拟电路设计空间。

Jun, 2024

通过结合敏感性分析和贝叶斯代理模型，我们提出了一种灵活的主动采样流，在模拟混合变化对模拟电路的影响的应用场景中。在合成和真实数据集上，该流程优于通常用于设计空间探索的蒙特卡罗采样方法。

May, 2024

为了确保电路芯片的正常运行，该论文提出了一种基于机器学习的方法，利用高斯过程代理模型来训练操作条件配置，并在合成和实际电路中展示了更好的估计结果。

Jun, 2023