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

本文通过应用 Hamilton 神经网络来学习和利用物理系统中保守量的对称约束，通过适当的损失函数来实现周期坐标的强制，从而在简单的经典动力学任务中实现了更高的准确性，进而拟合出网络中的隐向量的解析式，从中发现利用了保守量，如角动量。

Apr, 2021

本文的重点是将物理约束嵌入神经网络的结构中，以解决神经网络在物理应用中缺乏可解释性和物理不可知设计的问题，通过限制可调参数并添加特殊层，保证所需约束不需要显式正则化项即可满足，为解决函数的奇偶对称性和能量守恒问题提出了监督和非监督网络，并提出了一种嵌入所谓辛结构的无监督神经网络解决系统的守恒微分方程，表现出比非辛神经网络更好的性能。

Apr, 2019

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

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

GraPhSyM 是基于图注意力网络 (GATv2) 模型的一项工作，可从物理综合前电路网表中快速准确地估计电路延迟和面积指标，为早期电子设计自动化（EDA）阶段（如逻辑综合）提供准确的最终设计指标可见性，同时消除了运行慢的物理综合流程，实现跨阶段的全局协同优化，此外，GraPhSym 提供的快速而准确的反馈对于基于机器学习的 EDA 优化框架至关重要。

Aug, 2023

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

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

通过在较大的公共数据集上评估各个子任务的方法，该论文描述了一种模块化的端到端解决方案，其中包括电气符号和文本的对象检测、二值分割、手写字符识别和方向回归，进而提供了电路图的自动化提取方法。

Feb, 2024