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

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

本文介绍了用于检验大规模机器学习模型的计算工具，重点解决了其应用到电力系统问题时出现的困难；作者提出了一种方法可同时验证多个验证问题，并使用双重化程序将线性等式和不等式约束编码到检验问题中。

Jun, 2023

本文介绍了一种用于电路设计的监督式预训练方法，利用神经网络（NN）和图神经网络（GNN），以预测输出等效电路的直流电压，提升了新电路结构或未见过的预测任务的可适应性和样本效率。

Mar, 2022

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

验证吞吐量是一个主要挑战瓶颈，本文讨论了若干提高验证吞吐量的方法，包括排名和 Cadence 引入的基于机器学习的技术 Xcelium ML。通过更高效的刺激，这两种方法旨在在更少的 CPU 时间中获得可比的覆盖率。在三个实际工业项目的示例中，讨论了每种方法的定量结果以及优缺点。Xcelium ML 和排名方法在压缩率和加速比方面一致获得大约 3 的结果，而优化的基于机器学习的回归方法偶尔产生了超过 100% 的覆盖率回升。最后，提出了一种在产品开发中有效使用 Xcelium ML 的方法学。

May, 2024

本文总结了当前硬件设计中人工智能和机器学习技术的应用现状以及挑战，针对电路设计存在的安全问题，提出了安全意识 CAD/EDA 的研究方向和需求。

Apr, 2022

本文提出了一种新颖的电路设计方法，将电路组件视为点云，并使用基于 Transformer 的点云感知方法从电路中提取特征，实现了直接从原始数据进行特征提取，无需预处理，可进行端到端训练，并实现了高性能。该方法在拥堵预测任务和设计规则检查 (DRC) 违规预测任务中都取得了最先进的性能，并在对开放型 EDA 设计的研究中提供了源代码和预训练模型。

Oct, 2023

本研究通过多个实验证明了在有限或昂贵的开发数据情况下，允许训练集和校准集之间的示例重叠是一种高效的方式，从而提供了关于使用 ICPs 的价值的结论。

Jun, 2024

利用机器学习技术优化复杂系统的方法，通过少量数据训练得到的仿真器可近乎瞬间地给出准确结果和在海量参数空间内全局求解的优化结果，本研究以下一代毫米波蜂窝网络模拟器为例进行了验证并得到了成功的结果。

Aug, 2019